_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | मेशिन लर्निंग मोडेलहरू किन उनीहरू जस्तो व्यवहार गर्छन् भन्ने कुरा बुझ्दा प्रणाली डिजाइनरहरू र अन्त प्रयोगकर्ताहरूलाई धेरै तरिकाहरूमा सशक्त बनाउँदछः मोडेल चयनमा, सुविधा ईन्जिनियरि inमा, भविष्यवाणीहरूमा विश्वास गर्न र कार्य गर्न, र अधिक सहज प्रयोगकर्ता इन्टरफेसमा। यसरी, व्याख्यात्मकता मेशिन लर्निंगमा एक महत्त्वपूर्ण चिन्ता भएको छ, र व्याख्यात्मक मोडेलको क्षेत्रमा कामले नयाँ चासो पाएको छ। केही अनुप्रयोगहरूमा, त्यस्ता मोडेलहरू गैर-व्याख्यायोग्यहरू जत्तिकै सटीक हुन्छन्, र यसैले उनीहरूको पारदर्शिताको लागि प्राथमिकता दिइन्छ। यदि तिनीहरू सही नभए पनि, तिनीहरू अझै पनि प्राथमिकतामा पर्न सक्छन् जब व्याख्या गर्न सक्ने क्षमता सर्वोपरि महत्वको हुन्छ। तर, मेसिन लर्निङलाई व्याख्या गर्न सकिने मोडेलमा सीमित गर्नु प्रायः गम्भीर सीमा हो। यस कागजातमा हामी मोडेल-अज्ञेयवादी दृष्टिकोण प्रयोग गरेर मेशिन लर्निंग भविष्यवाणीहरू व्याख्या गर्न तर्क गर्दछौं। मेशिन लर्निंग मोडेललाई ब्ल्याकबक्स फंक्शनको रूपमा व्यवहार गरेर, यी दृष्टिकोणहरूले मोडेल, स्पष्टीकरण र प्रतिनिधित्वहरूको छनौटमा महत्वपूर्ण लचिलोपन प्रदान गर्दछ, डिबगिंग, तुलना, र विभिन्न प्रकारका प्रयोगकर्ताहरू र मोडेलहरूको लागि इन्टरफेस सुधार गर्दछ। हामी यस्ता विधिहरूका लागि मुख्य चुनौतीहरूको पनि रूपरेखा दिन्छौं, र यी चुनौतीहरूलाई सम्बोधन गर्ने भर्खरै प्रस्तुत गरिएको मोडेल-अज्ञेय व्याख्या दृष्टिकोण (LIME) को समीक्षा गर्दछौं। |
546add32740ac350dda44bab06f56d4e206622ab | गहिरो न्यूरल नेटवर्कले छवि वर्गीकरणमा प्रभावशाली प्रयोगात्मक परिणामहरू प्राप्त गरेको छ, तर आश्चर्यजनक रूपमा विरोधाभासी अवरोधहरूको सम्बन्धमा अस्थिर हुन सक्छ, त्यो हो, इनपुट छविमा न्यूनतम परिवर्तन जसले नेटवर्कलाई गलत वर्गीकरण गर्न निम्त्याउँछ। यसले सेल्फ ड्राइभिंग कारहरूको लागि पर्सेप्शन मोड्युलहरू र अन्त-देखि-अन्त नियन्त्रकहरू सहित सम्भावित अनुप्रयोगहरूको साथ, उनीहरूको सुरक्षाको बारेमा चिन्ता उत्पन्न गर्दछ। हामी सन्तुष्टिकरण मोड्युल सिद्धान्त (एसएमटी) मा आधारित फिड-फर्वार्ड बहु-तहको न्यूरल नेटवर्कहरूको लागि एक नयाँ स्वचालित प्रमाणिकरण ढाँचा विकास गर्छौं। हामी छवि हेरफेरमा ध्यान केन्द्रित गर्छौं, जस्तै स्क्र्याच वा क्यामेरा कोण वा प्रकाश अवस्थाको परिवर्तन, र छवि वर्गीकरण निर्णयको लागि सुरक्षा परिभाषित गर्दछौं वर्गीकरणको अपरिवर्तनीयताका सन्दर्भमा मूल छविको हेरफेरको सम्बन्धमा छविहरूको क्षेत्र भित्र जुन यसको नजिक छ। हामी क्षेत्रको विस्तृत खोजीलाई सक्षम पार्छौं, र विश्लेषण तह द्वारा तह फैलाउँछौं। हाम्रो विधिले नेटवर्क कोडसँग प्रत्यक्ष काम गर्दछ र अवस्थित विधिहरूको विपरित, यो ग्यारेन्टी गर्न सक्दछ कि प्रतिकूल उदाहरणहरू, यदि तिनीहरू अवस्थित छन् भने, दिइएको क्षेत्र र हेरफेरको परिवारको लागि फेला पार्न सकिन्छ। यदि फेला परेमा, प्रतिकूल उदाहरणहरू मानव परीक्षकहरूलाई देखाउन सकिन्छ र / वा नेटवर्कलाई ठीक गर्न प्रयोग गर्न सकिन्छ। हामी Z3 प्रयोग गरेर प्रविधिहरू लागू गर्छौं र तिनीहरूलाई नियमित र गहिरो सिक्ने नेटवर्कहरू सहित अत्याधुनिक नेटवर्कहरूमा मूल्यांकन गर्दछौं। हामी विद्यमान प्रविधिहरूसँग तुलना गरेर प्रतिद्वन्द्वी उदाहरणहरू खोज्छौं र नेटवर्कको बलियोपनको अनुमान लगाउँछौं। |
8db9df2eadea654f128c1887722c677c708e8a47 | यसले हालैका कामहरूलाई ध्यान मोडेलहरूमा पनि एकीकृत गर्दछ जुन सान्दर्भिक जानकारीमा केन्द्रित हुन्छ, जसले गर्दा एम्बेडेड हार्डवेयरमा तैनातीको लागि कम्प्युटेशनल जटिलता कम हुन्छ। यसको फ्रेमवर्कलाई TORCS नामक खुला स्रोतको ३ डी कार रेसिङ सिमुलेटरमा परीक्षण गरिएको थियो। हाम्रो सिमुलेसनको नतिजाले जटिल सडक वक्रता र अन्य सवारी साधनहरूको सरल अन्तरक्रियाको परिदृश्यमा स्वायत्त गतिशीलता सिकाउने कुरालाई देखाउँछ। परिचय एउटा रोबोट कार जुन स्वायत्त रूपमा ड्राइभ हुन्छ कृत्रिम बुद्धिको लामो समयदेखि रहेको लक्ष्य हो। सवारी साधन चलाउनु एउटा यस्तो कार्य हो जसका लागि उच्च स्तरको सीप, ध्यान र अनुभव आवश्यक हुन्छ। यद्यपि कम्प्युटरहरू मानवहरू भन्दा निरन्तर ध्यान र ध्यान केन्द्रित गर्न सक्षम छन्, पूर्ण स्वायत्त ड्राइभिंगलाई बुद्धिको स्तर चाहिन्छ जुन एआई एजेन्टहरू द्वारा अहिलेसम्म प्राप्त गरिएको भन्दा बढी छ। स्वायत्त ड्राइभिङ्ग एजेन्ट सिर्जना गर्नका लागि समावेश गरिएका कार्यहरूलाई तीन वर्गमा विभाजन गर्न सकिन्छ, जस्तो कि चित्र १ मा देखाइएको छ: १) पहिचानः वरपरको वातावरणका घटकहरू पहिचान गर्ने। यसको उदाहरणहरू पैदल यात्री पत्ता लगाउने, ट्राफिक साइन पहिचान, आदि हुन्। यद्यपि यो तुच्छ भन्दा टाढा छ, तर पहिचान आजका दिनहरूमा गहिरो शिक्षा (डीएल) एल्गोरिदममा भएका प्रगतिहरूको लागि धन्यवाद अपेक्षाकृत सजिलो कार्य हो, जुन धेरै वस्तु पत्ता लगाउने र वर्गीकरण समस्याहरूमा मानव स्तरको मान्यता वा माथि पुगेको छ। [1] [2] गहिरो शिक्षा मोडेलहरू कच्चा इनपुट डाटाबाट जटिल सुविधा प्रतिनिधित्वहरू सिक्न सक्षम छन्, हस्तनिर्मित सुविधाहरूको आवश्यकतालाई हटाउँदै [१] [२] []] । यस सन्दर्भमा, कन्भोल्युसनल न्युरल नेटवर्क (सीएनएन) सम्भवतः सबैभन्दा सफल गहिरो शिक्षा मोडेल हो, र एलेक्सनेट [8] पछि छविनेट चुनौतीमा प्रत्येक विजेता प्रविष्टिको आधार बनेको छ। यो सफलतालाई लेन र गाडी पत्ता लगाउनमा दोहोर्याइएको छ स्वायत्त ड्राइभिंगको लागि। 2) पूर्वानुमान: यो एक स्वायत्त ड्राइभिङ्ग एजेन्ट को लागि आफ्नो वातावरण पहिचान गर्न पर्याप्त छैन; यो पनि वातावरण को भविष्य राज्य भविष्यवाणी कि आन्तरिक मोडेल निर्माण गर्न सक्षम हुनुपर्छ। समस्याको यस वर्गको उदाहरणमा वातावरणको नक्सा निर्माण गर्ने वा कुनै वस्तुको ट्र्याकिङ गर्ने समावेश छ। भविष्यको भविष्यवाणी गर्नका लागि विगतको जानकारीलाई एकीकृत गर्नु महत्त्वपूर्ण छ। यस प्रकार, पुनरावर्ती न्यूरल नेटवर्क (आरएनएन) यस वर्गको समस्याको लागि आवश्यक छ। लामो-छोटो अवधिको मेमोरी (LSTM) नेटवर्कहरू [5] RNN को एक यस्तो वर्ग हो जुन अन्त-देखि-अन्त दृश्य लेबलिंग प्रणालीहरूमा प्रयोग गरिएको छ। हालसालै, आरएनएनहरू डीपट्र्याकि model मोडेलमा वस्तु ट्र्याकिंग प्रदर्शन सुधार गर्न पनि प्रयोग गरिएको छ। 3) योजना: एक कुशल मोडेलको उत्पादन जसले ड्राइभिङ्ग कार्यहरूको भविष्य अनुक्रम योजना गर्न पहिचान र भविष्यवाणी समावेश गर्दछ जसले वाहनलाई सफलतापूर्वक नेभिगेट गर्न सक्षम गर्दछ। योजना बनाउनु तीनमध्ये सबैभन्दा कठिन कार्य हो। समस्या भनेको मोडेलको क्षमतालाई एकीकृत गर्नु हो जसले वातावरण (मान्यता) र यसको गतिशीलता (पूर्वानुमान) लाई बुझ्नको लागि भविष्यका कार्यहरू योजना गर्न सक्षम गर्दछ ताकि यो अनावश्यक परिस्थितिहरू (दण्डहरू) बाट बच्न र सुरक्षित रूपमा आफ्नो गन्तव्यमा (इनामहरू) ड्राइभ गर्न सक्दछ। चित्र १ः उच्च स्तरको स्वायत्त ड्राइभि tasks कार्यहरू रिइन्फोर्समेन्ट लर्निंग (आरएल) फ्रेमवर्क [१] [२०] लामो समयदेखि नियन्त्रण कार्यहरूमा प्रयोग भइरहेको छ। [९] मानव स्तरको नियन्त्रण प्राप्त गर्नका लागि आरएल र डीएलको मिश्रणलाई सबैभन्दा आशाजनक दृष्टिकोणको रूपमा देखाइएको थियो। [१२] र [११] मा, यो मानव स्तरको नियन्त्रण डीप क्यू नेटवर्क (डीक्यूएन) मोडेल प्रयोग गरेर एटारी खेलहरूमा प्रदर्शन गरिएको थियो, जसमा आरएल योजनाको लागि जिम्मेवार छ जबकि डीएल प्रतिनिधित्व शिक्षाको लागि जिम्मेवार छ। पछि, आंशिक अवलोकन योग्य परिदृश्यहरूको लागि खातामा RNNs मिश्रणमा एकीकृत गरियो। [4] स्वायत्त ड्राइभिङ्गले सूचनाको एकीकरण आवश्यक छ। 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 धेरै सेन्सरहरूबाट। तीमध्ये केही कम आयामका छन्, जस्तै लिडर, जबकि अरूहरू उच्च आयामका छन्, जस्तै क्यामेराहरू। यो विशेष उदाहरणमा उल्लेखनीय छ, तथापि, कच्चा क्यामेरा छविहरू उच्च आयाम भए पनि, स्वायत्त ड्राइभि task कार्य प्राप्त गर्न आवश्यक उपयोगी जानकारी धेरै कम आयामको छ। उदाहरणका लागि, दृश्यको महत्त्वपूर्ण भागहरू जुन ड्राइभिंग निर्णयहरूलाई असर गर्दछन्, चलिरहेको सवारी साधनमा सीमित छन्, अगाडि सडकमा खाली ठाउँ, कर्बहरूको स्थिति, आदि। यहाँसम्म कि सवारी साधनको सूक्ष्म विवरण पनि महत्त्वपूर्ण छैन, किनकि समस्याको लागि केवल तिनीहरूको स्थानिक स्थान साँच्चै आवश्यक छ। यसैले, सम्बन्धित जानकारीको लागि मेमोरी ब्यान्डविथ धेरै कम छ। यदि यो सान्दर्भिक जानकारी निकाल्न सकियो भने, अन्य गैर-सम्बन्धित भागहरू फिल्टर बाहिर छन्, यो दुबै सटीकता र स्वायत्त ड्राइभिंग प्रणालीको दक्षता सुधार हुनेछ। यसबाहेक, यसले प्रणालीको गणना र मेमोरी आवश्यकताहरू कम गर्नेछ, जुन एम्बेडेड प्रणालीहरूमा महत्वपूर्ण प्रतिबन्धहरू हुन् जसमा स्वायत्त ड्राइभिंग नियन्त्रण एकाई समावेश हुनेछ। ध्यान मोडेलहरू यस्तो जानकारी फिल्टरिङ प्रक्रियाको लागि एक प्राकृतिक फिट हो। हालसालै, यी मोडेलहरू छवि पहिचानको लागि सफलतापूर्वक तैनाथ गरियो [२] र [१०], जहाँ आरएललाई आरएनएनसँग मिश्रण गरिएको थियो छविका भागहरू प्राप्त गर्नका लागि। यस्ता मोडेलहरू सजिलै विस्तारित र डीक्यूएन [११] र डीप रिकर्सिभ क्यू नेटवर्क (डीआरक्यूएन) [४] मोडेलहरूमा एकीकृत हुन्छन्। यो एकीकरण [१६] मा गरिएको थियो। ध्यान मोडेलको सफलताले हामीलाई प्रस्ताव गर्न लगायो कि हामीले कम स्तरको जानकारीलाई कच्चा संवेदी जानकारीबाट निकालेर स्वायत्त ड्राइभिङ गर्नका लागि प्रयोग गर्न सक्छौं। यस लेखमा, हामी एउटा अन्त-अन्त स्वायत्त ड्राइभिङ्ग मोडेलको लागि एउटा ढाँचा प्रस्ताव गर्छौं जसले कच्चा सेन्सर इनपुटहरू र ड्राइभिङ्ग कार्यहरूको आउटपुटहरू लिन्छ। यो मोडेलले आंशिक रूपमा अवलोकन गर्न सकिने परिदृश्यहरू सम्हाल्न सक्षम छ। यसबाहेक, हामीले ध्यान मोडेलमा हालैका प्रगतिहरूलाई एकीकृत गर्ने प्रस्ताव गरेका छौं ताकि प्राप्त सेन्सर डाटाबाट केवल सान्दर्भिक जानकारी निकाल्न सकियोस्, जसले गर्दा यो वास्तविक समय एम्बेडेड प्रणालीहरूको लागि उपयुक्त हुन्छ। यस कागजातको मुख्य योगदानहरूः १) गहिरो सुदृढीकरण शिक्षाको हालको प्रगतिहरूको एक सर्वेक्षण प्रस्तुत गर्दै र २) अटोमोबाइल समुदायमा गहिरो सुदृढीकरण शिक्षा प्रयोग गरेर अन्त्यमा स्वायत्त ड्राइभि forको लागि एक फ्रेमवर्क प्रस्तुत गर्दै। बाँकी कागज दुई भागमा विभाजित छ। पहिलो भागले गहिरो सुदृढीकरण सिकाउने एल्गोरिदमहरूको सर्वेक्षण प्रदान गर्दछ, परम्परागत एमडीपी फ्रेमवर्क र क्यू-लर्निंगबाट सुरू गरेर, त्यसपछि डीक्यूएन, डीआरक्यूएन र डीप एटेन्सन रिकर्सिभ क्यू नेटवर्कहरू (डीएआरक्यूएन) । कागजको दोस्रो भागले प्रस्तावित ढाँचाको वर्णन गर्दछ जसले गहिरो सुदृढीकरण शिक्षामा भर्खरको प्रगतिलाई एकीकृत गर्दछ। अन्तमा, हामी निष्कर्ष निकाल्छौं र भविष्यको कामका लागि दिशाहरू सुझाव दिन्छौं। पुनरावर्ती शिक्षाको समीक्षा पुनरावर्ती शिक्षाको विस्तृत विवरणको लागि, कृपया रिच सुटनको पाठ्यपुस्तकको दोस्रो संस्करण [१८] हेर्नुहोस्। यस खण्डमा हामी महत्त्वपूर्ण विषयहरूको संक्षिप्त समीक्षा प्रस्तुत गर्दछौं। सुदृढीकरण सिकाइ ढाँचा [17] मा एक मोडेल को रूप मा एक एजेन्ट पछ्याउन सक्ने सबै भन्दा राम्रो नीति प्रदान गर्न को लागी बनाईएको थियो (दिइएको राज्य मा लिन को लागी सबै भन्दा राम्रो कार्य), ताकि कुल संचित पुरस्कार अधिकतम हुन्छ जब एजेन्ट वर्तमान बाट त्यो नीति पछ्याउँछ र एक टर्मिनल राज्य सम्म पुग्न। आरएल प्रतिमान ड्राइभिङको लागि प्रेरणा बहु-एजेन्ट अन्तरक्रिया समस्या हो। एक मानव चालकको रूपमा, बाक्लो यातायातमा लेन परिवर्तन गर्नु भन्दा अन्य कारहरूसँग कुनै पनि अन्तरक्रिया बिना लेन भित्र रहन यो धेरै सजिलो छ। अन्य चालकहरूको व्यवहारमा निहित अनिश्चितताको कारण पछिल्लो अधिक गाह्रो छ। अन्तरक्रिया गर्ने सवारी साधनहरूको संख्या, तिनीहरूको ज्यामितीय कन्फिगरेसन र चालकहरूको व्यवहारमा ठूलो भिन्नता हुन सक्छ र सबै परिदृश्यहरूको विस्तृत कभरेजको साथ एक पर्यवेक्षित शिक्षा डाटासेट डिजाइन गर्न चुनौतीपूर्ण छ। मानव चालकहरूले अनलाइन सुदृढीकरण सिकाइको कुनै प्रकारको प्रयोग गर्छन् अन्य चालकहरूको व्यवहार बुझ्नको लागि जस्तै कि तिनीहरू रक्षात्मक वा आक्रामक छन्, अनुभवी वा अनुभवहीन, आदि। यो विशेष गरी परिदृश्यहरूमा उपयोगी छ जसमा वार्ताको आवश्यकता छ, अर्थात् एक राउन्डअबाउटमा प्रवेश गर्दै, ट्राफिक लाइट बिना नै जंक्शनहरू नेभिगेट गर्दै, भारी यातायातको समयमा लेन परिवर्तनहरू, आदि। स्वायत्त ड्राइभिङ्गमा मुख्य चुनौती कुनाका केसहरूसँग व्यवहार गर्नु हो जुन मानव ड्राइभरको लागि पनि अप्रत्याशित हुन्छ, जस्तै जीपीएस बिना अज्ञात क्षेत्रमा हराएकोमा पुनः प्राप्ति वा बाढी वा जमिनमा सिंकहोलको उपस्थिति जस्ता आपतकालीन अवस्थाहरूको सामना गर्नु। आरएल प्रतिमानले अज्ञात क्षेत्रको मोडेल बनाउँछ र कार्यहरू गरेर आफ्नै अनुभवबाट सिक्छ। यसबाहेक, आरएलले गैर-विभेदक लागत प्रकार्यहरू ह्यान्डल गर्न सक्षम हुन सक्छ जसले सुपरिवेक्षित सिकाइ समस्याहरूको लागि चुनौतीहरू सिर्जना गर्न सक्छ। हाल, स्वायत्त ड्राइभिंगको लागि मानक दृष्टिकोण प्रणालीलाई अलग-अलग उप-समस्याहरूमा विच्छेदन गर्नु हो, सामान्यतया पर्यवेक्षित-शिक्षण-जस्तो वस्तु पत्ता लगाउने, भिजुअल ओडोमेट्री, आदि र त्यसपछि अघिल्लो चरणहरूको सबै परिणामहरू संयोजन गर्न पोस्ट प्रोसेसिंग लेयर राख्नु हो। यो दृष्टिकोणसँग दुई मुख्य समस्याहरू छन्: पहिलो, समाधान गरिएका उप-समस्याहरू स्वायत्त ड्राइभिंग भन्दा बढी गाह्रो हुन सक्छ। उदाहरणका लागि, एक व्यक्तिले वस्तुको पहिचानलाई अर्थगत विभाजनद्वारा समाधान गर्न सक्छ जुन चुनौतीपूर्ण र अनावश्यक दुवै हो। मानव चालकहरूले ड्राइभिङ गर्दा सबै दृश्य वस्तुहरू पत्ता लगाउँदैनन् र वर्गीकरण गर्दैनन्, केवल सबैभन्दा सान्दर्भिकहरू। दोस्रो, अलग-अलग उप-समस्याहरू एकसाथ मिलेर काम गर्न सक्दैनन् । सुदृढीकरण सिकाइलाई बलियो एआई प्रतिमानको रूपमा लिइन्छ जुन वातावरणसँगको अन्तरक्रिया र उनीहरूको गल्तीबाट सिक्ने माध्यमबाट मेशिनहरू सिकाउन प्रयोग गर्न सकिन्छ। यसको कथित उपयोगिताको बावजुद, यो अझै पनि मोटर वाहन अनुप्रयोगहरूमा सफलतापूर्वक लागू गरिएको छैन। अटारी खेलहरू र गुगल डिपमाइन्डद्वारा गोको सिकाइको सफल प्रदर्शनबाट प्रेरित भएर हामी गहिरो सुदृढीकरण सिकाइ प्रयोग गरेर स्वायत्त ड्राइभिङको लागि एक ढाँचा प्रस्ताव गर्दछौं। यो विशेष महत्वको छ किनकि अन्य सवारी साधन, पैदल यात्री र सडक निर्माण सहित वातावरण संग बलियो अन्तरक्रिया को कारण एक पर्यवेक्षित शिक्षा समस्या को रूप मा स्वायत्त ड्राइभिंग प्रस्तुत गर्न गाह्रो छ। यो स्वायत्त ड्राइभिङ्गको लागि अनुसन्धानको अपेक्षाकृत नयाँ क्षेत्र हो, हामी गहिरो सुदृढीकरण सिकाइको छोटो सिंहावलोकन प्रदान गर्दछौं र त्यसपछि हाम्रो प्रस्तावित ढाँचा वर्णन गर्दछौं। यसले सूचना एकीकरणको लागि पुनरावर्ती न्यूरल नेटवर्कहरू समावेश गर्दछ, जसले कारलाई आंशिक रूपमा अवलोकन योग्य परिदृश्यहरू ह्यान्डल गर्न सक्षम गर्दछ। |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | यस प्रतिवेदनले एआईको खराब प्रयोगबाट सम्भावित सुरक्षा खतराहरूको परिदृश्यको सर्वेक्षण गर्दछ, र यी खतराहरूको राम्रो पूर्वानुमान, रोकथाम र कम गर्ने तरिकाहरू प्रस्ताव गर्दछ। डिजिटल, भौतिक र राजनीतिक क्षेत्रमा एआईले खतराको परिदृश्यलाई कसरी प्रभाव पार्न सक्छ भन्ने विश्लेषण गरेपछि, हामी एआई अनुसन्धानकर्ताहरू र अन्य सरोकारवालाहरूलाई चार उच्च-स्तर सिफारिसहरू गर्दछौं। हामी थप अनुसन्धानका लागि धेरै आशाजनक क्षेत्रहरू पनि सुझाव दिन्छौं जसले रक्षाको पोर्टफोलियो विस्तार गर्न सक्दछ, वा आक्रमणहरूलाई कम प्रभावकारी वा कार्यान्वयन गर्न गाह्रो बनाउँदछ। अन्तमा, हामी आक्रमणकारी र रक्षात्मक पक्षको दीर्घकालीन सन्तुलनको बारेमा छलफल गर्छौं, तर निष्कर्षमा पुग्न सक्दैनौं। |
b5a047dffc3d70dce19de61257605dfc8c69535c | गहिरो न्यूरोनल नेटवर्कहरू जटिल, वास्तविक विश्व समस्याहरूको समाधान गर्न व्यापक रूपमा प्रयोग हुने र प्रभावकारी माध्यमको रूपमा देखा पर्यो। तर, सुरक्षाका लागि महत्वपूर्ण प्रणालीमा लागू गर्नका लागि एउटा प्रमुख बाधा भनेको उनीहरूको व्यवहारको बारेमा औपचारिक ग्यारेन्टी प्रदान गर्न निकै कठिन हुनु हो। हामी गहिरो तंत्रिका सञ्जालहरूको गुणहरू प्रमाणित गर्नका लागि (वा काउन्टर-उदाहरणहरू प्रदान गर्न) एक उपन्यास, स्केलेबल, र कुशल प्रविधि प्रस्तुत गर्दछौं। यो प्रविधि सिम्पलेक्स विधिमा आधारित छ, जुन गैर-कन्भेक्स रेक्टिफिड लिनियर युनिट (ReLU) सक्रियता प्रकार्य ह्यान्डल गर्न विस्तार गरिएको छ, जुन धेरै आधुनिक न्यूरल नेटवर्कहरूमा एक महत्त्वपूर्ण घटक हो। प्रमाणीकरण प्रक्रियाले कुनै पनि सरलीकृत धारणा बिना समग्र रूपमा न्यूरल नेटवर्कलाई सम्बोधन गर्दछ। हामीले हाम्रो प्रविधिको मूल्यांकन मानव रहित विमानका लागि वायुमा संकुचनबाट बच्ने प्रणाली (एसीएएस सु) को नयाँ पुस्ताको प्रोटोटाइपमा गहिरो स्नायु सञ्जाल कार्यान्वयनमा गरेका छौं। परिणामले देखाउँछ कि हाम्रो प्रविधिको सफलतापूर्वक नेटवर्कको गुणहरू प्रमाणित गर्न सकिन्छ जुन विद्यमान विधिहरू प्रयोग गरेर प्रमाणित गरिएको सबैभन्दा ठूलो नेटवर्क भन्दा ठूलो परिमाणको अर्डर हो। |
b4bd9fab8439da4939a980a950838d1299a9b030 | पूर्ण नियम र प्रयोगका शर्तहरू: http://pubsonline.informs.org/page/terms-and-conditions यो लेख अनुसन्धान, शिक्षण, र/वा निजी अध्ययनको उद्देश्यका लागि मात्र प्रयोग गर्न सकिन्छ। व्यावसायिक प्रयोग वा व्यवस्थित डाउनलोड (रोबोट वा अन्य स्वचालित प्रक्रियाहरू द्वारा) प्रकाशकको स्पष्ट स्वीकृति बिना निषेधित छ, अन्यथा उल्लेख नभएसम्म। थप जानकारीको लागि, [email protected] मा सम्पर्क गर्नुहोस्। प्रकाशकले लेखको शुद्धता, पूर्णता, व्यापारिकता, कुनै विशेष उद्देश्यका लागि उपयुक्तता, वा गैर-उल्लंघनको वारेन्टी वा ग्यारेन्टी गर्दैन। यस लेखमा उत्पादन वा प्रकाशनको वर्णन वा सन्दर्भ, वा विज्ञापनको समावेशले न त ग्यारेन्टीको गठन गर्दछ न त त्यस उत्पादन, प्रकाशन वा सेवाको दावीको समर्थन गर्दछ। © 1990 INFORMS |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | स्वायत्त ड्राइभिङले चालकलाई सुविधा प्रदान गर्ने र सुरक्षा बढाउने क्षमता देखाएको छ। हाम्रो वर्तमान ट्राफिक प्रणालीमा स्वायत्त ड्राइभिङ्गको परिचय दिँदा एउटा महत्त्वपूर्ण मुद्दा भनेको स्वायत्त वाहनलाई वास्तविक मानव चालकको जस्तै प्रतिक्रिया दिन सक्षम बनाउनु हो। भविष्यको स्वायत्त वाहनले मानव चालकले जस्तै काम गर्ने सुनिश्चित गर्न, यस कागजातले सवारीको गति योजना मोडेल प्रस्ताव गर्दछ, जसले वास्तविक संकेत गरिएको चौराहेमा ट्राफिक वातावरणको आकलनको आधारमा ड्राइभरहरूले सवारी साधनहरू कसरी नियन्त्रण गर्छन् भनेर प्रतिनिधित्व गर्न सक्दछ। प्रस्तावित गति योजना मोडेलमा पैदल यात्रीको आशय पत्ता लगाउने, खाली स्थान पत्ता लगाउने र सवारी साधनको गतिशील नियन्त्रण गर्ने कार्यहरू समावेश छन्। तीनवटा कार्यहरू वास्तविक ट्राफिक वातावरणबाट संकलन गरिएको वास्तविक डेटाको विश्लेषणको आधारमा निर्माण गरिएको छ। अन्तमा, यो कागजले प्रस्तावित विधिको प्रदर्शनलाई वास्तविक पैदल यात्री र मानव चालकहरूको व्यवहारसँग हाम्रो मोडेलको व्यवहारको तुलना गरेर प्रदर्शन गर्दछ। प्रयोगात्मक नतिजाले देखाउँछ कि हाम्रो प्रस्तावित मोडेलले पैदल यात्रीहरूको क्रसिंग इरादाको लागि ८५% पहिचान दर प्राप्त गर्न सक्छ। यसबाहेक, प्रस्तावित गति योजना मोडेल द्वारा नियन्त्रित वाहन र वास्तविक मानव संचालित वाहन चौराहे मा अंतर स्वीकृति को सम्मान को लागी धेरै समान छन्। |
061356704ec86334dbbc073985375fe13cd39088 | यस कार्यमा हामी ठूलो-स्तरको छवि मान्यता सेटिंगमा यसको शुद्धतामा कन्भोल्युसनल नेटवर्क गहिराईको प्रभावको अनुसन्धान गर्दछौं। हाम्रो मुख्य योगदान बढ्दो गहिराईको नेटवर्कको गहन मूल्यांकन हो, जसले देखाउँदछ कि पूर्व-कला कन्फिगरेसनहरूमा महत्त्वपूर्ण सुधार गहिराईलाई १--१--१ weight तौल तहमा धकेल्दै प्राप्त गर्न सकिन्छ। यी निष्कर्षहरू हाम्रो इमेजनेट चुनौती २०१४ को प्रस्तुतिको आधार थिए, जहाँ हाम्रो टोलीले क्रमशः स्थानियकरण र वर्गीकरण ट्र्याकमा पहिलो र दोस्रो स्थान सुरक्षित गर्यो। हामी यो पनि देखाउँछौं कि हाम्रो प्रतिनिधित्व अन्य डाटासेटमा राम्रोसँग सामान्यीकरण गर्दछ, जसले अत्याधुनिक परिणामहरू प्राप्त गर्दछ। महत्वपूर्ण कुरा के छ भने, हामीले कम्प्युटर भिजनमा गहिरो दृश्य प्रतिनिधित्वको प्रयोगमा थप अनुसन्धान गर्नका लागि हाम्रा दुई उत्कृष्ट प्रदर्शन गर्ने कन्भनेट मोडेलहरू सार्वजनिक रूपमा उपलब्ध गराएका छौं। |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | हामी एउटा गहिरो कन्भोल्भ्युसनल न्यूरल नेटवर्क आर्किटेक्चरको प्रस्ताव गर्दछौं जसको कोडनेम इन्सेप्सन हो जसले इमेजेनेट लार्ज-स्केल भिजुअल रिकग्निशन च्यालेन्ज २०१४ (आईएलएसवीआरसी१४) मा वर्गीकरण र पत्ता लगाउनको लागि कलाको नयाँ राज्य प्राप्त गर्दछ। यस वास्तुकलाको मुख्य विशेषता भनेको सञ्जाल भित्रको कम्प्युटिङ स्रोतको सुधारिएको उपयोग हो। सावधानीपूर्वक डिजाइन गरेर हामीले नेटवर्कको गहिराइ र चौडाइ बढाएका छौं जबकि गणना बजेटलाई स्थिर राख्दै। गुणस्तरको अनुकूलन गर्न, वास्तुगत निर्णयहरू हेबियन सिद्धान्त र बहु-स्केल प्रोसेसिंगको अन्तर्ज्ञानमा आधारित थिए। आईएलएसवीआरसी१४ को लागि हाम्रो प्रस्तुतीकरणमा प्रयोग गरिएको एउटा विशेष अवतारलाई गुगललेनेट भनिन्छ, २२ तहको गहिरो नेटवर्क, जसको गुणस्तर वर्गीकरण र पत्ता लगाउने सन्दर्भमा मूल्याङ्कन गरिन्छ। |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | प्रशिक्षणको क्रममा प्रत्येक तहको इनपुटको वितरण परिवर्तन हुन्छ, किनकि अघिल्लो तहको मापदण्ड परिवर्तन हुन्छ। यसले कम सिक्ने दर र सावधानीपूर्वक प्यारामिटर आरम्भिकरणको आवश्यकताको कारण प्रशिक्षणलाई ढिलो बनाउँछ, र यसले संतृप्त गैर-रेखीयताका साथ मोडेलहरू प्रशिक्षण गर्न प्रख्यात बनाउँछ। हामी यो घटनालाई आन्तरिक सह-परिवर्तक परिवर्तनको रूपमा उल्लेख गर्दछौं, र लेयर इनपुटलाई सामान्यीकरण गरेर समस्यालाई सम्बोधन गर्दछौं। हाम्रो विधिले यसको शक्तिलाई मोडेल वास्तुकलाको एक भागको रूपमा सामान्यीकरण बनाउँदछ र प्रत्येक प्रशिक्षण मिनी-ब्याचको लागि सामान्यीकरण प्रदर्शन गर्दछ। ब्याच सामान्यीकरणले हामीलाई धेरै उच्च शिक्षा दरहरू प्रयोग गर्न अनुमति दिन्छ र आरम्भिकरणको बारेमा कम सावधान रहन्छ, र केही केसहरूमा ड्रपआउटको आवश्यकता हटाउँछ। अत्याधुनिक छवि वर्गीकरण मोडेलमा लागू गरियो, ब्याच सामान्यीकरणले १ 14 गुणा कम प्रशिक्षण चरणहरूको साथ समान शुद्धता प्राप्त गर्दछ, र मूल मोडेललाई महत्वपूर्ण मार्जिनले हराउँछ। ब्याच-सामान्यीकृत नेटवर्कहरूको एक समूह प्रयोग गरेर, हामी इमेजनेट वर्गीकरणमा सबैभन्दा राम्रो प्रकाशित परिणाममा सुधार गर्छौं: ४.८२% शीर्ष-५ परीक्षण त्रुटिमा पुग्दै, मानव मूल्याङ्कनकर्ताहरूको शुद्धता भन्दा बढी। |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | यस लेखमा अल्ट्रा वाइडब्यान्ड (UWB) पावर डिभाइडरको डिजाइन गरिएको छ। यो पावर डिभाइडरको यूडब्लुबी प्रदर्शन एक टेपरड माइक्रोस्ट्रिप लाइन प्रयोग गरेर प्राप्त गरिन्छ जुन एक्सपोनेंशियल र दीर्घवृत्तीय खण्डहरू समावेश गर्दछ। मोटो-अनाकार समानांतर माइक्रो-आनुवंशिक एल्गोरिथ्म (पीएमजीए) र सीएसटी माइक्रोवेव स्टुडियो एक स्वचालित समानांतर डिजाइन प्रक्रिया प्राप्त गर्न संयोजन गरिएको छ। यो विधि युडब्लुबी पावर डिभाइडरलाई अनुकूलन गर्न प्रयोग गरिन्छ । अनुकूलित पावर डिभाइडर निर्माण र मापन गरिएको छ। मापन गरिएका नतिजाहरूले अपेक्षाकृत कम सम्मिलन घाटा, राम्रो फिर्ती घाटा, र सम्पूर्ण UWB (3.1-10.6 GHz) मा आउटपुट पोर्टहरू बीच उच्च अलगाव देखाउँदछ। |
2532d0567c8334e4cadf282a73ffe399c1c32476 | प्रदर्शन मापन तब प्राप्त पुरस्कार को योग हो। उदाहरणका लागि, जब एक भ्यागुताले खाना खोज्छ, प्रत्येक समय चरणमा इनाम प्रकार्य उडान गरिएको दूरी (नकारात्मक भारित) र निगलिएको अमृतको केही संयोजन हुन सक्छ। सुदृढीकरण सिकाइ (आरएल) विधिहरू मार्कोभ निर्णय प्रक्रियाहरू (एमडीपी) समाधान गर्नका लागि अनिवार्य रूपमा अनलाइन एल्गोरिदमहरू हुन्। एक एमडीपी इनाम प्रकार्य र एक मोडेल द्वारा परिभाषित गरिएको छ, त्यो हो, राज्य संक्रमण सम्भावनाहरू प्रत्येक सम्भावित कार्यमा शर्त गरिएको छ। आरएल एल्गोरिदमहरू मोडेलमा आधारित हुन सक्छन्, जहाँ एजेन्टले मोडेल सिक्छ, वा मोडेल-मुक्त-उदाहरणका लागि, क्यू-लर्निंग उद्धरण वाटकिन्सः १ 1989 XNUMX,, जसले केवल एक प्रकार्य Q ((s) सिक्छ, a) राज्यमा कार्य गर्ने दीर्घकालीन मान निर्दिष्ट गर्दै र त्यस पछि उत्तम कार्य गर्दै। उनीहरूको सफलताको बाबजुद, आरएल विधिहरू पूर्ण रूपमा अवलोकन योग्य एमडीपीहरूमा सीमित छन्, जसमा प्रत्येक राज्यमा सेन्सर इनपुट राज्य पहिचान गर्न पर्याप्त छ। स्पष्ट रूपमा, वास्तविक संसारमा, हामी प्रायः आंशिक रूपमा अवलोकन योग्य एमडीपीहरू (पीओएमडीपी) सँग व्यवहार गर्नुपर्दछ। एस्ट्रोम (१९६५) ले प्रमाणित गरे कि पीओएमडीपीमा इष्टतम निर्णयहरू विश्वास राज्यमा निर्भर गर्दछ। b समयको प्रत्येक बिन्दुमा, अर्थात्, सबै सम्भावित वास्तविक राज्यहरूमा पछाडि सम्भावना वितरण, सबै प्रमाणहरू दिईएको मितिमा। Parr and Russell (1995) ले सम्भावनाहरूको भेक्टरको रूपमा b को स्पष्ट प्रतिनिधित्व प्रयोग गरेर एक धेरै सरल POMDP RL एल्गोरिथ्म वर्णन गर्दछ, र McCallum (1993) ले हालसालैको धारणा अनुक्रम प्रयोग गरेर विश्वास राज्यको अनुमान गर्ने तरिका देखाउँदछ। न त दृष्टिकोण ठूलो संख्यामा राज्य चर र दीर्घकालीन समय निर्भरता संग अवस्था मा मापन गर्न को लागी सम्भव छ। के आवश्यक छ मोडेल को कम्प्याक्ट प्रतिनिधित्व र मोडेल र प्रत्येक नयाँ अवलोकन दिइएको विश्वास राज्य कुशलतापूर्वक अद्यावधिक को एक तरीका हो। गतिशील बेइजियन नेटवर्क (डीन र कानाजावा, १ 1989)) मा केहि आवश्यक गुणहरू छन् जस्तो देखिन्छ; विशेष गरी, तिनीहरूसँग अन्य दृष्टिकोणहरू जस्तै कलम्यान फिल्टरहरू र लुकेका मार्कोभ मोडेलहरू भन्दा महत्त्वपूर्ण फाइदाहरू छन्। हाम्रो आधारभूत वास्तुकला, चित्र १ मा देखाइएको छ, नयाँ सेन्सर जानकारी आइपुगेपछि विश्वास राज्य प्रतिनिधित्व गर्न र अपडेट गर्न DBNs प्रयोग गर्दछ। b को प्रतिनिधित्व दिइएको छ, इनाम संकेत Q-function सिक्नको लागि प्रयोग गरिन्छ जुन केही कालो-बक्स प्रकार्य अनुमानक जस्तै न्यूरल नेटवर्क द्वारा प्रतिनिधित्व गरिन्छ। यदि हामी हाइब्रिड (डि- यो वार्ताले एक धेरै सरल "आधारभूत वास्तुकला" को प्रस्ताव गर्दछ जुन स्टोकास्टिक, आंशिक रूपमा अवलोकन योग्य वातावरणहरू सम्हाल्न सक्ने सिकाउने एजेन्टको लागि हो। वास्तुकलाले ग्राफिकल मोडेलको रूपमा समसामयिक प्रक्रियाहरूको प्रतिनिधित्व गर्ने विधिको साथमा सुदृढीकरण शिक्षा प्रयोग गर्दछ। म संवेदी इनपुटबाट यस्ता प्रतिनिधित्वहरूको मापदण्ड र संरचनाको बारेमा छलफल गर्नेछु, र पछाडि सम्भावनाहरूको गणनाको लागि। हामीले पूर्ण एजेन्ट परीक्षण गर्न सक्नु अघि केही खुला समस्याहरू बाँकी छन्; जब हामी विस्तार गर्ने विचार गर्छौं तब थप समस्याहरू उत्पन्न हुन्छन्। दोस्रो विषयवस्तु भनेको प्रबलित शिक्षाले जनावर र मानव शिक्षाको राम्रो मोडेल प्रदान गर्न सक्छ कि सक्दैन भन्ने हो । यो प्रश्नको उत्तर दिन हामीले इन्भर्स रेन्फोर्समेन्ट लर्निङ गर्नु पर्छ: अवलोकन गरिएको व्यवहारलाई ध्यानमा राख्दै, कुन इनाम संकेत, यदि कुनै छ भने, अनुकूलित भइरहेको छ? यो COLT, UAI, र ML समुदायहरूको लागि धेरै रोचक समस्या जस्तो देखिन्छ, र मार्कोभ निर्णय प्रक्रियाको संरचनात्मक अनुमानको शीर्षक अन्तर्गत इकोनोमेट्रिक्समा सम्बोधन गरिएको छ। १ अनिश्चित वातावरणमा सिक्ने एआई बौद्धिक एजेन्टहरूको निर्माणको बारेमा हो, अर्थात्, प्रणालीहरू जुन वातावरणमा प्रभावकारी रूपमा बुझ्दछन् र कार्य गर्दछन् (केहि प्रदर्शन मापन अनुसार) । मैले अरू ठाउँमा तर्क गरेको छु रसेल र नर्विग (१९९५) कि अधिकांश एआई अनुसन्धान वातावरणमा केन्द्रित छ जुन स्थिर, निर्धारात्मक, असतत र पूर्ण रूपमा अवलोकन योग्य छ। जब वास्तविक संसारमा जस्तै वातावरण गतिशील, स्थिर, निरन्तर र आंशिक रूपमा अवलोकन योग्य हुन्छ तब के गर्ने? यो कागज एनएसएफ @I-9634215), ONR (N00014-97-l-0941) र AR0 (DAAH04-96-1-0341) द्वारा समर्थित विभिन्न अनुसन्धान प्रयासहरूमा आधारित छ। व्यक्तिगत वा कक्षाकोठा प्रयोगको लागि यस कार्यको सम्पूर्ण वा अंशको डिजिटल वा हार्ड प्रतिलिपि बनाउन अनुमति निः शुल्क प्रदान गरिएको छ, यदि प्रतिलिपिहरू प्रोलिट वा व्यावसायिक लाभको लागि बनाइएको वा वितरित गरिएको छैन र प्रतिलिपिहरूमा यो सूचना र पहिलो पृष्ठमा पूर्ण उद्धरण छ। अन्यथा प्रतिलिपि गर्न। पुनः प्रकाशन गर्न, सर्भरमा पोस्ट गर्न वा सूचीमा पुनः वितरण गर्न, पूर्व विशेष अनुमति र/वा शुल्क आवश्यक पर्दछ। COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 हालका वर्षहरूमा, सुदृढीकरण सिकाइ (जसलाई न्यूरोडायनामिक प्रोग्रामिङ पनि भनिन्छ) ले स्वचालित रूपमा एजेन्टहरू निर्माण गर्ने दृष्टिकोणको रूपमा द्रुत प्रगति गरेको छ (सटन, १ 9 88; कालबलिङ एट अल, १ 9 66; बर्त्सेकास र त्सीक्लिस, १ 9 66) । यसको आधारभूत विचार यो हो कि प्रदर्शन मापन एजेन्टलाई एक इनाम प्रकार्यको रूपमा उपलब्ध गराइन्छ जुन एजेन्टले पार गर्ने प्रत्येक राज्यको लागि इनाम निर्दिष्ट गर्दछ। |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | यस लेखमा माइक्रोइलेक्ट्रोमेकानिकल सिस्टम (एमईएमएस) मा आधारित रेडियो फ्रिक्वेन्सी (आरएफ) टेक्नोलोजीको तुलनात्मक रूपमा नयाँ क्षेत्रको बारेमा छलफल गरिएको छ। आरएफ एमईएमएसले नयाँ उपकरण र कम्पोनेन्टहरूको वर्ग प्रदान गर्दछ जसले परम्परागत (सामान्यतया सेमीकन्डक्टर) उपकरणहरूको तुलनामा उच्च आवृत्ति प्रदर्शन प्रदर्शन गर्दछ, र जसले नयाँ प्रणाली क्षमताहरू सक्षम गर्दछ। यसको अतिरिक्त, एमईएमएस उपकरणहरू डिजाइन र निर्माण धेरै ठूलो-मात्रा एकीकरणको समान प्रविधिहरू द्वारा गरिन्छ, र परम्परागत ब्याच-प्रक्रिया विधिहरू द्वारा निर्माण गर्न सकिन्छ। यस लेखमा, केवल उपकरण सम्बोधन गरिएको इलेक्ट्रोस्टेटिक माइक्रो स्विच हो - सायद प्रतिमान आरएफ-एमईएमएस उपकरण। यसको उत्कृष्ट प्रदर्शन विशेषताहरूको माध्यमबाट, माइक्रो स्विचलाई धेरै विद्यमान सर्किट र प्रणालीहरूमा विकास गरिएको छ, जसमा रेडियो फ्रन्ट-एन्डहरू, क्यापेसिटर बैंकहरू, र समय-विलंब नेटवर्कहरू समावेश छन्। उच्च प्रदर्शन संग जोडिएको अल्ट्रा-कम-शक्ति अपव्यय र ठूलो-स्तर एकीकरण नयाँ प्रणाली कार्यक्षमता पनि सक्षम हुनु पर्छ। यहाँ दुई सम्भावनाहरू सम्बोधन गरिएका छन् अर्ध-ओप्टिकल बीम स्टीयरिंग र विद्युतीय रूपले पुनः कन्फिगर योग्य एन्टेनाहरू। |
9d5f36b92ac155fccdae6730660ab44d46ad501a | जोखिम समता भनेको विविध पोर्टफोलियो निर्माण गर्न प्रयोग गरिने एक विनियोजन विधि हो जुन अपेक्षित प्रतिफलको कुनै पनि धारणामा निर्भर हुँदैन, यसैले जोखिम व्यवस्थापनलाई रणनीतिको केन्द्रमा राख्छ। यसबाट नै स्पष्ट हुन्छ कि सन् २००८ मा विश्वव्यापी वित्तीय संकटपछि जोखिम बराबरको लगानी लोकप्रिय मोडेल किन बन्यो। यद्यपि, जोखिम समानताको पनि आलोचना गरिएको छ किनकि यसले पोर्टफोलियो प्रदर्शनको सट्टा जोखिम एकाग्रता प्रबन्ध गर्नमा ध्यान केन्द्रित गर्दछ, र त्यसैले सक्रिय व्यवस्थापन भन्दा निष्क्रिय व्यवस्थापनको नजिकको रूपमा देखिन्छ। यस लेखमा, हामी कसरी जोखिम समानता पोर्टफोलियोमा अपेक्षित रिटर्नको धारणाहरू परिचय गर्ने भनेर देखाउँदछौं। यो गर्नका लागि, हामी पोर्टफोलियो रिटर्न र अस्थिरता दुवैलाई ध्यानमा राख्ने सामान्यीकृत जोखिम मापन विचार गर्दछौं। तथापि, प्रदर्शन र अस्थिरता योगदान बीच व्यापार-बन्द केही कठिनाई सिर्जना गर्दछ, जबकि जोखिम बजेट समस्या स्पष्ट परिभाषित हुनुपर्छ। यस्तो जोखिम बजेट पोर्टफोलियो को सैद्धान्तिक गुणहरू व्युत्पन्न पछि, हामी सम्पत्ति आवंटन गर्न यो नयाँ मोडेल लागू गर्नुहोस्। पहिलो, हामी दीर्घकालीन लगानी नीति र रणनीतिक सम्पत्ति विनियोजनको निर्धारणलाई विचार गर्छौं। त्यसपछि हामी गतिशील विनियोजनको बारेमा विचार गर्छौं र जोखिम बराबर कोष कसरी बनाउने भनेर देखाउँछौं जुन अपेक्षित प्रतिफलमा निर्भर हुन्छ। |
006df3db364f2a6d7cc23f46d22cc63081dd70db | एउटा विशेष सञ्जाल भनेको कुनै स्थापित पूर्वाधार वा केन्द्रीकृत प्रशासनको सहायता बिना अस्थायी सञ्जाल बनाउने वायरलेस मोबाइल होस्टहरूको संग्रह हो। यस्तो वातावरणमा, प्रत्येक मोबाइल होस्टको वायरलेस प्रसारणको सीमित दायराको कारण, प्याकेटलाई यसको गन्तव्यमा पठाउनको लागि एक मोबाइल होस्टले अन्य होस्टहरूको सहयोग लिन आवश्यक हुन सक्छ। यस कागजातले एड होक नेटवर्कमा रुटिङको लागि प्रोटोकल प्रस्तुत गर्दछ जसले गतिशील स्रोत रुटिङ प्रयोग गर्दछ। प्रोटोकलले राउटिङ परिवर्तनलाई चाँडै अनुकूलन गर्दछ जब होस्टको आवागमन बारम्बार हुन्छ, अझै कम वा कुनै ओभरहेडको आवश्यकता पर्दैन जब होस्टहरू कम बारम्बार सर्छन्। एक विशेष नेटवर्कमा सञ्चालित मोबाइल होस्टहरूको प्याकेट-स्तरको सिमुलेसनको परिणामको आधारमा, प्रोटोकलले होस्ट घनत्व र आन्दोलन दर जस्ता विभिन्न वातावरणीय अवस्थाहरूमा राम्रो प्रदर्शन गर्दछ। सबै सिमुलेटेड होस्ट गति को उच्चतम दर को लागी, प्रोटोकल को ओभरहेड एकदम कम छ, 24 मोबाइल होस्ट को एक नेटवर्क मा मध्यम गति गति को लागी प्रसारित कुल डाटा प्याकेट को केवल 1% मा गिरने। सबै अवस्थामा, प्रयोग गरिएको मार्ग र इष्टतम मार्ग लम्बाई बीचको लम्बाईमा भिन्नता नगण्य छ, र धेरै जसो अवस्थामा, मार्ग लम्बाई औसतमा इष्टतमको १.०१ को कारक भित्र हुन्छ। |
25a26b86f4a2ebca2b154effbaf894aef690c03c | हालै, त्यहाँ पर्यवेक्षित सिकाइ एल्गोरिदममा महत्त्वपूर्ण चासो रहेको छ जसले पाठ सिकाइ कार्यहरूको लागि लेबल र लेबल गरिएको डाटालाई संयोजन गर्दछ। सह-प्रशिक्षण सेटिंग [1] डाटासेटहरूमा लागू हुन्छ जुनसँग तिनीहरूको सुविधाहरूको प्राकृतिक विभाजन दुई असंगत सेटहरूमा हुन्छ। हामीले यो देखाएका छौं कि लेबल लगाइएको र लेबल नलगाइएको डाटाबाट सिक्ने क्रममा, विशेषताहरूको प्राकृतिक स्वतन्त्र विभाजनको लाभ उठाउने एल्गोरिदमहरूले त्यस्तो नगर्ने एल्गोरिदमहरूलाई पछाडि पार्छन्। जब प्राकृतिक विभाजन अवस्थित हुँदैन, सह-प्रशिक्षण एल्गोरिदम जसले सुविधा विभाजनको निर्माण गर्दछ यसले विभाजन प्रयोग नगरेको एल्गोरिदमलाई आउट-परफॉर्म गर्न सक्छ। यी परिणामहरूले सह-प्रशिक्षण एल्गोरिदमहरू प्रकृतिमा भेदभावपूर्ण र उनीहरूको इम्बेडेड वर्गीकरणकर्ताहरूको धारणामा बलियो किन छन् भनेर व्याख्या गर्न मद्दत गर्दछ। |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | पछिल्ला केही वर्षहरूमा इन्टरनेट अफ थिंग्स (आईओटी) को व्यापक प्रयोग भएको छ र हरेक क्षेत्रमा यसको प्रयोग गर्न सकिन्छ। प्रमाणीकरण र पहुँच नियन्त्रण उपकरणहरू बीच सुरक्षित संचार सक्षम गर्न IoT को सन्दर्भमा महत्त्वपूर्ण र महत्वपूर्ण कार्यक्षमताहरू हुन्। गतिशीलता, गतिशील नेटवर्क टोपोलोजी र कम पावर उपकरणहरूको कमजोर भौतिक सुरक्षा आईओटी नेटवर्कमा सुरक्षा कमजोरताको सम्भावित स्रोतहरू हुन्। यो एक प्रमाणीकरण र पहुँच नियन्त्रण आक्रमण प्रतिरोधी र एक संसाधन सीमित र वितरित IoT वातावरण मा हल्का बनाउन को लागी हो। यस कागजातले प्रोटोकल मूल्यांकन र प्रदर्शन विश्लेषणको साथ पहिचान प्रमाणीकरण र क्षमता आधारित पहुँच नियन्त्रण (आईएसीएसी) मोडेल प्रस्तुत गर्दछ। इन्टरनेट इन्टरनेटलाई म्यान-इन-द-मिडिल, रिप्ले र सेवा अस्वीकार (डीओएस) आक्रमणबाट बचाउन, पहुँच नियन्त्रणको लागि क्षमताको अवधारणा प्रस्तुत गरिएको छ। यस मोडेलको नवीनता यो हो कि यसले आईओटी उपकरणहरूको लागि प्रमाणीकरण र पहुँच नियन्त्रणको एकीकृत दृष्टिकोण प्रस्तुत गर्दछ। अन्य सम्बन्धित अध्ययनको नतिजा पनि हाम्रो निष्कर्षलाई मान्य र समर्थन गर्न विश्लेषण गरिएको छ। अन्ततः प्रस्तावित प्रोटोकलको सुरक्षा प्रोटोकल प्रमाणिकरण उपकरणको प्रयोग गरेर मूल्यांकन गरिएको छ र प्रमाणिकरण परिणामले देखाउँछ कि आईएसीएसी माथि उल्लेखित आक्रमणहरूको बिरूद्ध सुरक्षित छ। यस लेखमा अन्य जर्नल अफ साइबर सेक्युरिटी एण्ड मोबिलिटी, खण्ड २ को तुलनामा गणना समयको हिसाबले प्रोटोकलको प्रदर्शन विश्लेषणको बारेमा पनि चर्चा गरिएको छ। १, ३०९-३४८ c © २०१३ नदी प्रकाशकहरू। सबै अधिकार सुरक्षित। ३१० प. न. महेल एट अल। विद्यमान समाधानहरू। यसबाहेक, यस कागजातले आईओटीमा चुनौतीहरूलाई सम्बोधन गर्दछ र सुरक्षा आक्रमणहरू आईओटी नेटवर्कहरूको वास्तविक दृश्य दिन प्रयोग केसहरूको साथ मोडेल गरिएको छ। |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | हामी भावना विश्लेषक (एसए) प्रस्तुत गर्दछौं जसले अनलाइन पाठ कागजातहरूबाट कुनै विषयको बारेमा भावना (वा राय) निकाल्छ। कुनै विषयको बारेमा सम्पूर्ण कागजातको भावना वर्गीकरण गर्नुको सट्टा, एसएले दिइएको विषयको सबै सन्दर्भहरू पत्ता लगाउँदछ, र प्रत्येक सन्दर्भमा भावनालाई प्राकृतिक भाषा प्रसंस्करण (एनएलपी) प्रविधिहरू प्रयोग गरेर निर्धारण गर्दछ। हाम्रो भावना विश्लेषणमा १) विषय विशेष विशेषता शब्द निकासी, २) भावना निकासी, र ३) सम्बन्ध विश्लेषणद्वारा (विषय, भावना) सम्बन्ध समावेश छ। एसएले विश्लेषणका लागि दुईवटा भाषाई स्रोतहरू प्रयोग गर्दछ: भावना शब्दकोश र भावना ढाँचा डाटाबेस। एल्गोरिदमको प्रदर्शन अनलाइन उत्पादन समीक्षा लेखहरूमा (डिजिटल क्यामेरा र संगीत समीक्षा) र सामान्य वेब पृष्ठहरू र समाचार लेखहरू सहित अधिक सामान्य कागजातहरूमा प्रमाणित गरिएको थियो। |
59d9160780bf3eac8c621983a36ff332a3497219 | स्वचालित भावना विश्लेषणको धेरै दृष्टिकोणहरू शब्दहरूको ठूलो शब्दकोशको साथ सुरु हुन्छ जुन उनीहरूको पूर्व ध्रुवीयता (जसलाई अर्थपूर्ण अभिमुखीकरण पनि भनिन्छ) सँग चिन्ह लगाइएको छ। तथापि, वाक्यांशको सन्दर्भ ध्रुवीयता जसमा शब्दको एक विशेष उदाहरण देखा पर्दछ शब्दको पूर्व ध्रुवीयता भन्दा धेरै फरक हुन सक्छ। सकारात्मक शब्दहरू नकारात्मक भावना व्यक्त गर्ने वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी वामपन्थी साथै, प्रायः शब्दहरू जुन सकारात्मक वा नकारात्मक सन्दर्भ बाहिर छन् सन्दर्भमा तटस्थ छन्, जसको अर्थ हो कि तिनीहरू भावना व्यक्त गर्न पनि प्रयोग भइरहेको छैन। यस कार्यको लक्ष्य पूर्व र प्रासंगिक ध्रुवीयता बीच स्वचालित रूपमा भिन्नता गर्नु हो, यस कार्यको लागि कुन सुविधाहरू महत्त्वपूर्ण छन् भन्ने कुरा बुझ्नमा ध्यान केन्द्रित गर्दै। समस्याको एउटा महत्त्वपूर्ण पक्ष भनेको पहिचान गर्नु हो जब ध्रुवीय शब्दहरू तटस्थ सन्दर्भमा प्रयोग भइरहेको छ, तटस्थ र ध्रुवीय उदाहरणहरू बीच भिन्नताका लागि सुविधाहरू मूल्यांकन गरिन्छ, साथै सकारात्मक र नकारात्मक प्रासंगिक ध्रुवीयता बीच भिन्नताका लागि सुविधाहरू। मूल्यांकनमा बहुविध मेशिन लर्निंग एल्गोरिदमहरूमा सुविधाहरूको प्रदर्शनको मूल्याङ्कन समावेश छ। एक बाहेक सबै सिकाउने एल्गोरिदमहरूको लागि, सबै सुविधाहरूको संयोजनले सँगै उत्तम प्रदर्शन दिन्छ। मूल्यांकनको अर्को पक्षले विचार गर्दछ कि कसरी तटस्थ उदाहरणहरूको उपस्थिति सकारात्मक र नकारात्मक ध्रुवीयता बीच भिन्नताका लागि सुविधाहरूको प्रदर्शनलाई असर गर्छ। यी प्रयोगहरूले देखाउँदछ कि तटस्थ उदाहरणहरूको उपस्थितिले यी सुविधाहरूको प्रदर्शनलाई ठूलो मात्रामा गिराउँछ, र सबै ध्रुवीयता वर्गहरूमा प्रदर्शन सुधार गर्ने उत्तम तरिका भनेको प्रणालीको पहिचान गर्ने क्षमता सुधार गर्नु हो जब कुनै उदाहरण तटस्थ हुन्छ। |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | यस लेखमा, हामी वाक्य-स्तर वर्गीकरणको एउटा केस स्टडी वर्णन गर्दछौं जसमा चार न्यायाधीशहरूले वाल स्ट्रीट जर्नलका खण्डहरूलाई व्यक्तिपरक वा उद्देश्यको रूपमा वर्गीकृत गर्न ट्यागिंग निर्देशनहरू विकास र प्रयोग गर्छन्। चार न्यायाधीशहरू बीचको सहमति विश्लेषण गरिएको छ, र, त्यो विश्लेषणको आधारमा, प्रत्येक खण्डलाई अन्तिम वर्गीकरण दिइन्छ। वर्गीकरणका लागि अनुभवजन्य समर्थन प्रदान गर्न, सम्बन्धहरू व्यक्तिपरक श्रेणी र क्विर्क एट अल द्वारा प्रस्तावित आधारभूत अर्थशास्त्रीय वर्ग बीचको डाटामा मूल्या are्कन गरिन्छ। (१९८५) |
9141d85998eadb1bca5cca027ae07670cfafb015 | भावनाहरू (अभिप्रायहरूको भावनात्मक भागहरू) पहिचान गर्नु चुनौतीपूर्ण समस्या हो। हामी एउटा यस्तो प्रणाली प्रस्तुत गर्छौं जसले कुनै विषयलाई दिँदा, त्यस विषयको बारेमा विचार राख्ने मानिसहरूलाई र प्रत्येक विचारको भावनालाई स्वचालित रूपमा पत्ता लगाउँछ। यस प्रणालीमा शब्द भावना निर्धारण गर्नका लागि एउटा मोड्युल र वाक्यभित्र भावना संयोजन गर्नका लागि अर्को मोड्युल समावेश छ। हामी शब्द र वाक्य स्तरमा भावना वर्गीकरण र संयोजन गर्ने विभिन्न मोडेलहरू प्रयोग गर्छौं, आशाजनक परिणामहरूसहित। |
c2ac213982e189e4ad4c7f60608914a489ec9051 | हाम्रो तीन वर्षको अनुभवले ठूलो मात्रामा एनोटेटेड अरबी पाठको विकासको विकासको अनुभवबाट, हाम्रो कागजले निम्न कुरालाई सम्बोधन गर्नेछः (ए) प्रासंगिक अरबी भाषाका मुद्दाहरूको समीक्षा गर्नुहोस् किनकि तिनीहरू विधिगत विकल्पहरूसँग सम्बन्धित छन्, (बी) पेन अंग्रेजी ट्रीबैंक शैलीको दिशानिर्देशहरू प्रयोग गर्ने हाम्रो छनौटको व्याख्या गर्नुहोस्, (अरबी बोल्ने एनोटेटरहरूलाई नयाँ व्याकरणिक समस्याहरूको सामना गर्न आवश्यक छ) र (बी) हाम्रो भाषाको विकासको लागि आवश्यक छ। (ग) मानव एनोटेशन महत्त्वपूर्ण छ र स्वचालित विश्लेषण गाह्रो छ कि धेरै तरिका देखाउन, दुवै morphological विश्लेषक र मानव एनोटेटर द्वारा orthographic अस्पष्टता को ह्यान्डलिंग सहित; (घ) को एक सचित्र उदाहरण दिन अरबी ट्रीबैंक पद्धति, दुवै मोर्फोलॉजिकल विश्लेषण र ट्यागिंग र सिन्ट्याक्सिक विश्लेषणमा एक विशेष निर्माणमा ध्यान केन्द्रित गर्दै र यसलाई सम्पूर्ण एनोटेशन प्रक्रियाको माध्यमबाट विस्तृत रूपमा पछ्याउँदै, र अन्तमा, (e) अहिलेसम्म के हासिल भएको छ र के गर्न बाँकी छ भन्ने निष्कर्षमा पुग्नुहोस्। |
e33a3487f9b656631159186db4b2aebaed230b36 | डिजिटल प्लेटफर्मले आज लगभग हरेक उद्योगलाई परिवर्तन गरिरहेको छ, तिनीहरू बिस्तारै मुख्यधारा सूचना प्रणाली (आईएस) साहित्यमा आफ्नो बाटो खोजिरहेका छन्। डिजिटल प्लेटफर्महरू एक चुनौतीपूर्ण अनुसन्धान वस्तु हुन् किनभने तिनीहरू वितरित प्रकृति र संस्था, बजार र प्रविधिहरूसँग अन्तर्निहित छन्। प्लेटफर्म नवप्रवर्तनको वृद्धिशील मात्रा, प्लेटफर्म आर्किटेक्चरको बढ्दो जटिलता र धेरै विभिन्न उद्योगहरूमा डिजिटल प्लेटफर्मको प्रसारको परिणाम स्वरूप नयाँ अनुसन्धान चुनौतीहरू देखा पर्दछन्। यस कागजातले आईएसमा डिजिटल प्लेटफर्म अनुसन्धानको लागि अनुसन्धान एजेन्डा विकास गर्दछ। हामी अनुसन्धानकर्ताहरूलाई सिफारिस गर्दछौं कि (1) विश्लेषणको एकाई, डिजिटलिटीको डिग्री र डिजिटल प्लेटफर्मको सामाजिक प्राविधिक प्रकृति निर्दिष्ट गर्ने स्पष्ट परिभाषाहरू प्रदान गरेर वैचारिक स्पष्टतालाई अगाडि बढाउन खोज्नुहोस्; (2) विभिन्न वास्तुशिल्प स्तर र विभिन्न उद्योग सेटिंग्समा प्लेटफर्महरूको अध्ययन गरेर डिजिटल प्लेटफर्म अवधारणाहरूको उचित स्कोपिंग परिभाषित गर्नुहोस्; र (3) एम्बेडेड केस स्टडीहरू, अनुदैर्ध्य अध्ययनहरू, डिजाइन अनुसन्धान, डाटा-संचालित मोडलि and र भिजुअलाइजेशन प्रविधिहरूको प्रयोग गरेर विधिगत कठोरतालाई अगाडि बढाउनुहोस्। व्यापारको क्षेत्रमा हालको विकासलाई ध्यानमा राख्दै हामी थप अनुसन्धानका लागि ६ वटा प्रश्नहरू सुझाव दिन्छौं: ; (2) प्लेटफर्महरू कसरी डिजाइन गरिनुपर्छ? ; (3) डिजिटल प्लेटफर्मले उद्योगहरूलाई कसरी परिवर्तन गर्छ? ; (4) डाटामा आधारित दृष्टिकोणले डिजिटल प्लेटफर्म अनुसन्धानलाई कसरी जानकारी दिन सक्छ? ; (5) शोधकर्ताहरुले डिजिटल प्लेटफर्मको लागि सिद्धान्त कसरी विकास गर्नुपर्छ? र (6) डिजिटल प्लेटफर्मले दैनिक जीवनलाई कसरी असर गर्छ? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | प्रणाली विशिष्टताको उपयोगिता आवश्यकताहरूको पूर्णतामा आंशिक रूपमा निर्भर गर्दछ। तर, सबै आवश्यक आवश्यकताहरू सूचीबद्ध गर्न गाह्रो छ, विशेष गरी जब आवश्यकताहरू अप्रत्याशित वातावरणसँग अन्तर्क्रिया गर्दछन्। आदर्श पारिस्थितिक दृष्टिकोणको साथ निर्मित विनिर्देश अपूर्ण छ यदि यसले गैर-आदर्श व्यवहारलाई सम्हाल्न आवश्यकताहरू समावेश गर्दैन। प्रायः अपूर्ण आवश्यकताहरू कार्यान्वयन, परीक्षण, वा खराब, तैनाती पछि सम्म पत्ता लगाइएको छैन। आवश्यकता विश्लेषणको क्रममा गरिए पनि, अपूर्ण आवश्यकताहरूको पहिचान गर्नु सामान्यतया त्रुटि प्रवण, थकाउने र म्यानुअल कार्य हो। यस कागजातले एरेस, एक डिजाइन-समय दृष्टिकोण प्रस्तुत गर्दछ जुन पदानुक्रमित आवश्यकता मोडेलहरूको प्रतीकात्मक विश्लेषणको प्रयोग गरेर अपूर्ण आवश्यकताहरूको विघटन पत्ता लगाउन प्रयोग गर्दछ। हामी हाम्रो दृष्टिकोणलाई उद्योगमा आधारित अटोमोटिभ अनुकूलन क्रूज कन्ट्रोल प्रणालीको आवश्यकता मोडेलमा एरेस लागू गरेर चित्रण गर्दछौं। एरेसले डिजाइनको समयमा अपूर्ण आवश्यकताहरूको विघटनको विशिष्ट उदाहरणहरू स्वचालित रूपमा पत्ता लगाउन सक्षम छ, जसमध्ये धेरै सूक्ष्म छन् र पत्ता लगाउन गाह्रो हुनेछ, या त म्यानुअल वा परीक्षणको साथ। |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | बहु-प्रवेश बहु-आउटपुट (एमआईएमओ) रडारले पारम्परिक चरणबद्ध-सरणी रडार प्रणालीहरूमा तरंग रूप विविधता मार्फत उत्कृष्ट प्रदर्शन प्राप्त गर्न सक्छ। जब एक एमआईएमओ राडारले अर्थागोनल तरंगहरू प्रसारण गर्दछ, स्क्याटरहरूबाट प्रतिबिम्बित संकेतहरू एक अर्काबाट रैखिक रूपमा स्वतन्त्र हुन्छन्। यसैले, अनुकूलन प्राप्त फिल्टरहरू, जस्तै क्यापोन र एम्पलीटुडे र चरण अनुमान (एपीईएस) फिल्टरहरू, एमआईएमओ रडार अनुप्रयोगहरूमा सीधा प्रयोग गर्न सकिन्छ। उच्च स्तरको आवाज र ठूलो गडबडीले डाटा-निर्भर बीमफर्मरहरूको पहिचान प्रदर्शनलाई उल्लेखनीय रूपमा बिगार्दछ किनकि स्नैपशटहरूको अभाव छ। पुनरावर्ती अनुकूलन दृष्टिकोण (आईएए), एक गैर-पैरामीटरिक र प्रयोगकर्ता प्यारामिटर-मुक्त भारित न्यूनतम-वर्ग एल्गोरिथ्म, हालसालै सुधारिएको रिजोलुसन र हस्तक्षेप अस्वीकार प्रदर्शन प्रदान गर्न देखाइएको थियो। यस कागजमा, हामी देखाउँछौं कि कसरी IAA लाई MIMO रडार इमेजि toमा विस्तार गर्न सकिन्छ, दुबै नगण्य र गैर-नग्य नल डप्लर केसहरूमा, र हामी IAA का केही सैद्धान्तिक अभिसरण गुणहरू पनि स्थापना गर्दछौं। यसको अतिरिक्त, हामी एक नियमित IAA एल्गोरिथ्म प्रस्ताव गर्दछौं, जसलाई IAA-R को रूपमा उल्लेख गरिएको छ, जसले सिग्नल मोडेलमा प्रतिनिधित्व नगरेको थप शोर सर्तहरूको लेखा द्वारा IAA भन्दा राम्रो प्रदर्शन गर्न सक्दछ। सिङ्गल इनपुट मल्टीपल आउटपुट (सिमो) रडारको तुलनामा एमआईएमओ रडारको उत्कृष्ट प्रदर्शन प्रदर्शन गर्नका लागि संख्यात्मक उदाहरणहरू प्रस्तुत गरिएको छ र लक्ष्य इमेजिङका लागि प्रस्तावित आईएए-आर विधिबाट प्राप्त सुधारिएको प्रदर्शनलाई थप हाइलाइट गर्दछ। |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | यातायातको भविष्यको रूपमा, स्व-ड्राइभिंग कारहरू सामाजिक, आर्थिक, ईन्जिनियरिङ्, कम्प्युटर विज्ञान, डिजाइन, र नैतिकता सहित विभिन्न दृष्टिकोणबाट छलफल भइरहेको छ। एकातिर, स्व-ड्राइभिङ कारले नयाँ इन्जिनियरिङ समस्याहरू उत्पन्न गर्छ जसलाई बिस्तारै सफलतापूर्वक समाधान गरिँदैछ। अर्कोतर्फ, सामाजिक र नैतिक समस्याहरू प्रायः निर्णय लिने समस्याको रूपमा प्रस्तुत गरिन्छ, जसलाई ट्रली समस्या भनिन्छ, जुन अत्यन्तै भ्रामक छ। हामी तर्क गर्छौं कि नयाँ प्रविधिको विकासका लागि लागू गरिएको ईन्जिनियरिङ् नैतिक दृष्टिकोण आवश्यक छ; दृष्टिकोण लागू गरिनु पर्छ, यसको अर्थ यो जटिल वास्तविक संसार ईन्जिनियरिङ् समस्याहरूको विश्लेषणमा ध्यान केन्द्रित गर्नुपर्दछ। सफ्टवेयरले स्वचालित कारको नियन्त्रणमा महत्वपूर्ण भूमिका खेल्छ; त्यसैले सफ्टवेयर इन्जिनियरिङ समाधानहरूले नैतिक र सामाजिक विचारहरूलाई गम्भीरतापूर्वक लिनुपर्छ। यस लेखमा हामी नियामक उपकरण, मानक, डिजाइन र कम्पोनेन्ट, प्रणाली र सेवाहरूको कार्यान्वयनलाई नजिकबाट हेर्नेछौं र व्यावहारिक सामाजिक र नैतिक चुनौतीहरू प्रस्तुत गर्नेछौं जुन पूरा गर्नुपर्दछ, साथै सफ्टवेयर ईन्जिनियरि forका लागि नयाँ अपेक्षाहरू। |
288c67457f09c0c30cadd7439040114e9c377bc3 | एसोसिएसन नियमहरू, अग्रवाल, इमेलिन्स्की, र स्वामी द्वारा प्रस्तुत, सम्बन्धको पङ्क्तिहरूको 90% को लागि को रूप को नियम हो, यदि पङ्क्तिमा सेट W मा स्तम्भहरूमा 1 मान छ भने, त्यसपछि यो स्तम्भ B मा पनि 1 छ। ठूलो सङ्कलनको डाटाबाट सङ्घ नियमहरू पत्ता लगाउनका लागि प्रभावकारी विधिहरू अवस्थित छन्। तर, पत्ता लगाइएका नियमहरूको संख्या यति धेरै हुन सक्छ कि नियम सेट ब्राउज गर्न र यसबाट रोचक नियमहरू फेला पार्न प्रयोगकर्तालाई निकै गाह्रो हुन सक्छ। हामी देखाउँछौं कि कसरी नियम टेम्प्लेटको एक साधारण औपचारिकताले चाखलाग्दो नियमहरूको संरचना सजिलै वर्णन गर्न सम्भव बनाउँदछ। हामी नियमहरूको दृश्यताका उदाहरणहरू पनि दिन्छौं, र देखाउँदछौं कि कसरी दृश्यता उपकरण नियम टेम्प्लेटहरूसँग इन्टरफेस गर्दछ। |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | भिडियो बुझ्नको लागि हालैको प्रगति र वर्षौंको अवधिमा समसामयिक कार्य स्थानीयकरणमा सुधारको निरन्तर दरको बावजुद, यो अझै पक्का छैन कि कति टाढा (वा नजिक? हामी समस्या समाधान गर्नका लागि हो । यस उद्देश्यका लागि, हामी भिडियोमा टाइमर एक्शन डिटेक्टरहरूको प्रदर्शनको विश्लेषण गर्न र एकल स्केलर मेट्रिक भन्दा बाहिर विभिन्न विधिहरूको तुलना गर्न नयाँ डायग्नोस्टिक उपकरण प्रस्तुत गर्दछौं। हामीले हाम्रो उपकरणको प्रयोगको उदाहरण दिँदै हालैको एक्टिभिटीनेट एक्शन लोकलाइजेशन च्यालेन्जमा सबैभन्दा धेरै पुरस्कार पाउने प्रविष्टिहरूको प्रदर्शनको विश्लेषण गरेका छौं। हाम्रो विश्लेषणले देखाउँछ कि काम गर्ने सबैभन्दा प्रभावकारी क्षेत्रहरू हुन्ः उदाहरणहरू वरिपरि समय सन्दर्भलाई राम्रोसँग ह्यान्डल गर्ने रणनीतिहरू, w.r.t. को बलियोपन सुधार गर्दै। उदाहरणको निरपेक्ष र सापेक्षिक आकार, र स्थानीयकरण त्रुटिहरू कम गर्न रणनीतिहरू। यसबाहेक, हाम्रो प्रयोगात्मक विश्लेषणले टिप्पणीकर्ताहरू बीचको असहमतिलाई यस क्षेत्रमा प्रगति गर्न प्रमुख बाधाको रूपमा लिँदैन। हाम्रो निदान उपकरण सार्वजनिक रूपमा उपलब्ध छ अन्य अनुसन्धानकर्ताहरूको दिमागलाई तिनीहरूको एल्गोरिदमको बारेमा थप अन्तरदृष्टिले ईन्धन दिनको लागि। |
160404fb0d05a1a2efa593c448fcb8796c24b873 | प्रतिनिधित्वको अनुकरण सिद्धान्तको विकास र अन्वेषण एक ढाँचाको रूपमा गरिएको छ जसले मस्तिष्कको प्रतिनिधित्व कार्यहरूको विस्तृत विविधतालाई संश्लेषित गर्न सक्छ। यो ढाँचा नियन्त्रण सिद्धान्त (फोरवर्ड मोडेल) र सिग्नल प्रोसेसिंग (कलम्यान फिल्टर) बाट निर्माणमा आधारित छ। यसको विचार यो हो कि शरीर र वातावरणसँग जोडिनुको अतिरिक्त मस्तिष्कले स्नायु प्रणालीको सञ्जाल बनाउँछ जसले शरीर र वातावरणको मोडेलको रूपमा काम गर्छ। खुला सेन्सरिमोटर संलग्नताको समयमा, यी मोडेलहरू शरीर र वातावरणसँग समानान्तर रूपमा इफेरेन्स प्रतिलिपिहरू द्वारा संचालित हुन्छन्, ताकि संवेदी प्रतिक्रियाको अपेक्षाहरू प्रदान गर्न, र संवेदी जानकारीलाई बढाउन र प्रशोधन गर्न। यी मोडेलहरू छविहरू उत्पादन गर्न, विभिन्न कार्यहरूको नतिजा अनुमान गर्न, र मोटर योजनाहरूको मूल्यांकन र विकास गर्न अफ-लाइन पनि चलाउन सकिन्छ। प्रारम्भिक रूपमा यो ढाँचा मोटर नियन्त्रणको सन्दर्भमा विकसित गरिएको छ, जहाँ यो देखाइएको छ कि शरीरसँग समानान्तर चलिरहेको भित्री मोडेलहरूले प्रतिक्रिया ढिलाइ समस्याहरूको प्रभावहरूलाई कम गर्न सक्छ। उही संयन्त्रहरूले मोटर इमेजरीलाई इफेरेन्स प्रतिलिपिहरू मार्फत इमुलेटरको अफ-लाइन ड्राइभिंगको रूपमा लिन सक्दछ। यो ढाँचालाई विस्तार गरिएको छ ताकि मोटर-भिजुअल लूपको इमुलेटरको अफलाइन ड्राइभिङ्गको रूपमा भिजुअल इमेजरीलाई ध्यानमा राख्नुपर्दछ। म पनि यस्तो प्रणाली amodal स्थानिक चित्र प्रदान गर्न सक्छन् कसरी देखाउन। अनुभूति, दृश्य धारणा सहित, यस्तो मोडेलबाट उत्पन्न हुन्छ जुन संवेदी इनपुटको अपेक्षाहरू र व्याख्या गर्न प्रयोग गरिन्छ। म संक्षिप्त रूपमा अन्य संज्ञानात्मक कार्यहरू वर्णन गरेर अन्त्य गर्छु जुन यस ढाँचा भित्र संश्लेषित हुन सक्छ, तर्क, मन घटनाको सिद्धान्त, र भाषा सहित। |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | थ्रीडी अनुहार पहिचान उद्योग र शैक्षिक क्षेत्र दुवैमा अनुसन्धानको एउटा रुझान भएको छ। यसले परम्परागत २ डी अनुहार पहिचानबाट फाइदाहरू पाउँदछ, जस्तै प्राकृतिक मान्यता प्रक्रिया र अनुप्रयोगहरूको विस्तृत श्रृंखला। यसबाहेक, थ्रीडी अनुहार पहिचान प्रणालीले मानिसको अनुहारलाई अँध्यारो प्रकाशमा पनि र विभिन्न अनुहारको स्थिति र अभिव्यक्तिहरूको साथ पनि सही रूपमा पहिचान गर्न सक्दछ, यस्तो अवस्थामा २ डी अनुहार पहिचान प्रणालीलाई अपरेट गर्न अत्यन्त गाह्रो हुन्छ। यस लेखमा थ्रीडी अनुहार पहिचान अनुसन्धान क्षेत्रमा भएको इतिहास र हालसम्मको प्रगतिबारे संक्षिप्त जानकारी दिइएको छ। सीमा अनुसन्धान परिणामहरू तीन श्रेणीहरूमा प्रस्तुत गरिएको छः स्थिति-अपरिवर्तनीय मान्यता, अभिव्यक्ति-अपरिवर्तनीय मान्यता, र अवरुद्ध-अपरिवर्तनीय मान्यता। भविष्यमा अनुसन्धानलाई बढावा दिन, यस कागजातले सार्वजनिक रूपमा उपलब्ध थ्रीडी फेस डाटाबेसहरूको बारेमा जानकारी स .्कलन गर्दछ। यस लेखमा महत्त्वपूर्ण खुला समस्याहरूको पनि सूची दिइएको छ। |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | सामाजिक सञ्जालमा सहभागिता मित्र, जनजाति, वा फेसबुक जस्ता सेवाहरूले लाखौं व्यक्तिहरूलाई अनलाइन प्रोफाइलहरू सिर्जना गर्न र साथीहरूको विशाल सञ्जालहरूसँग व्यक्तिगत जानकारी साझेदारी गर्न अनुमति दिन्छ - र प्रायः अपरिचितहरूको अज्ञात संख्या। यस लेखमा हामी अनलाइन सामाजिक सञ्जालमा सूचनाको खुलासा र यसको गोपनीयतामा असरको अध्ययन गर्नेछौं। हामीले ४००० भन्दा बढी कार्नेगी मेलन विश्वविद्यालयका विद्यार्थीहरूको अनलाइन व्यवहारको विश्लेषण गर्यौं जो कलेजहरूको लागि लोकप्रिय सामाजिक सञ्जाल साइटमा सामेल भएका थिए। हामी तिनीहरूबाट कति जानकारी प्राप्त गर्छौं भनेर जाँच गर्छौं र साइटको गोपनीयता सेटिङको प्रयोगबारे अध्ययन गर्छौं। हामी उनीहरूको गोपनीयताका विभिन्न पक्षहरूमा सम्भावित आक्रमणहरूलाई उजागर गर्छौं, र हामी देखाउँछौं कि प्रयोगकर्ताहरूको न्यूनतम प्रतिशतले मात्र अत्यधिक पारगम्य गोपनीयता प्राथमिकताहरू परिवर्तन गर्दछ। |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | यस लेखमा हामी गहिरो ग्यासियन प्रक्रिया (जीपी) मोडेलहरू प्रस्तुत गर्दछौं। गहिरो जीपी गहिरो विश्वास नेटवर्क हो जुन ग्यासियन प्रक्रिया म्यापिङमा आधारित छ। डाटालाई बहु-परिवर्तक GP को आउटपुटको रूपमा मोडेल गरिएको छ। त्यस ग्यासियन प्रक्रियामा आउने इनपुटहरू अर्को जीपीद्वारा नियन्त्रित हुन्छन्। एकल तहको मोडेल मानक GP वा GP लुप्त चर मोडेल (GP-LVM) बराबर छ। हामी मोडेलमा अनुमानित भिन्नता मार्जिनल द्वारा अनुमान गर्छौं। यसले मोडेलको सीमांकित सम्भावनामा एउटा कडा तल्लो सीमा दिन्छ जुन हामी मोडेल चयनका लागि प्रयोग गर्छौं (प्रति तह तहको तह र नोडहरूको संख्या) । गहिरो विश्वास नेटवर्कहरू सामान्यतया अनुकूलनको लागि स्टोकास्टिक ग्रेडियन्ट वंश प्रयोग गरेर अपेक्षाकृत ठूलो डाटा सेटहरूमा लागू गरिन्छ। हाम्रो पूर्ण बेयसियन उपचारले डाटा दुर्लभ हुँदा पनि गहिरो मोडेलहरूको अनुप्रयोगलाई अनुमति दिन्छ। हाम्रो भिन्नता बाउन्ड द्वारा मोडेल चयनले देखाउँदछ कि पाँच तहको पदानुक्रम औचित्यपूर्ण छ जब केवल १ 150० उदाहरणहरू समावेश भएको डिजिट डाटा सेटको मोडेलिंग गर्दा पनि। |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | हामी एक स्केलेबल गहिरो गैर-पैरामेट्रिक जनरेटिभ मोडेल विकास गर्छौं गहिरो ग्यासियन प्रक्रियालाई मान्यता मोडेलको साथ बढाएर। अनुमान एक उपन्यास स्केलेबल भिन्नता ढाँचामा गरिन्छ जहाँ भिन्नता पछाडि वितरणहरू बहु-तहको पर्सेप्ट्रोन मार्फत पुनः-प्याट्रिटराइज्ड हुन्छन्। यस पुनःसंरचनाको मुख्य पक्ष यो हो कि यसले भिन्नता प्यारामिटरहरूको प्रसारलाई रोक्दछ जुन अन्यथा नमूना आकारको अनुपातमा रैखिक रूपमा बढ्छ। हामी भेरिएसनल तल्लो सीमाको नयाँ सूत्र निकाल्छौं जसले हामीलाई अधिकांश गणनालाई यस्तो तरिकाले वितरण गर्न अनुमति दिन्छ जसले मुख्यधाराको गहिरो सिकाइ कार्यहरूको आकारको डाटासेटहरू ह्यान्डल गर्न सक्षम गर्दछ। हामी विभिन्न प्रकारका चुनौतीहरूमा विधिको प्रभावकारिता देखाउँछौं जसमा गहिरो अनुगमन रहित शिक्षा र गहिरो बेइजियन अनुकूलन समावेश छ। |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | क्याफेले मल्टीमिडिया वैज्ञानिकहरू र व्यवसायीहरूलाई अत्याधुनिक गहिरो सिकाइ एल्गोरिदमहरूको लागि सफा र परिमार्जनयोग्य ढाँचा र सन्दर्भ मोडेलहरूको संग्रह प्रदान गर्दछ। फ्रेमवर्क बीएसडी-लाइसेन्स गरिएको सी ++ लाइब्रेरी हो जुन पाइथन र म्याट्याब बाइन्डि forको साथ प्रशिक्षणको लागि हो र कमोडिटी आर्किटेक्चरमा सामान्य उद्देश्यको कन्भोल्युसनल न्यूरल नेटवर्कहरू र अन्य गहिरा मोडेलहरू कुशलतापूर्वक तैनाथ गर्दछ। क्याफेले उद्योग र इन्टरनेट-स्केल मिडिया आवश्यकताहरू पूरा गर्दछ CUDA GPU गणना द्वारा, एक K40 वा टाइटन GPU मा एक दिनमा 40 मिलियन छविहरू प्रशोधन गर्दै (प्रति छवि लगभग 2 ms) । वास्तविक कार्यान्वयनबाट मोडेल प्रतिनिधित्व अलग गरेर, क्याफेले प्रयोग र प्लेटफर्महरू बीच सहज स्विचिंगलाई विकासको सहजता र प्रोटोटाइप मेशिनबाट क्लाउड वातावरणमा तैनातीको लागि अनुमति दिन्छ। क्याफेको बर्कले भिजन एण्ड लर्निङ सेन्टर (बीभीएलसी) ले गिटहबमा योगदानकर्ताहरूको सक्रिय समुदायको सहयोगमा विकास र मर्मत गरेको छ। यसले चलिरहेको अनुसन्धान परियोजनाहरू, ठूला-ठूला औद्योगिक अनुप्रयोगहरू, र दृष्टि, भाषण, र मल्टिमिडियामा स्टार्टअप प्रोटोटाइपहरूलाई शक्ति दिन्छ। |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | शहरीकरणको बढ्दो प्रक्रियासँगै शहरी क्षेत्रमा मानिसहरूको गतिविधिलाई व्यवस्थित रूपमा मोडेल गर्ने कार्यलाई महत्त्वपूर्ण सामाजिक-आर्थिक कार्यको रूपमा मान्यता दिइन्छ। यो कार्य केही वर्ष पहिले लगभग असम्भव थियो किनभने विश्वसनीय डाटा स्रोतको अभाव थियो, तर भू-ट्याग गरिएको सामाजिक मिडिया (जीटीएसएम) डाटाको उदयले यसमा नयाँ प्रकाश पार्छ। हालै, जीटीएसएम डाटाबाट भौगोलिक विषयहरू पत्ता लगाउने बारेमा फलदायी अध्ययनहरू भएका छन्। यद्यपि, तिनीहरूको उच्च कम्प्युटेशनल लागत र लुकेका विषयहरूको बारेमा कडा वितरण धारणाले उनीहरूलाई GTSM को शक्तिलाई पूर्ण रूपमा रोक्नबाट रोक्दछ। यो खाडललाई कम गर्न हामी क्रस म्याप प्रस्तुत गर्दछौं, जुन क्रस मोडल प्रतिनिधित्व सिकाउने नयाँ विधि हो जसले विशाल जीटीएसएम डाटाको साथ शहरी गतिशीलतालाई उजागर गर्दछ। क्रसमैपले पहिलो पटक मानिसहरूको गतिविधिमा आधारित स्थानिक-समयिक हटस्पटहरू पत्ता लगाउन एक द्रुत मोड खोजी प्रक्रिया प्रयोग गर्दछ। ती पत्ता लगाइएका हटस्पटहरूले स्थानिक-समयिक भिन्नताहरूलाई मात्र सम्बोधन गर्दैनन्, तर जीटीएसएम डाटाको विरलतालाई पनि ठूलो हदसम्म कम गर्दछन्। पत्ता लगाइएको हटस्पटको साथ, क्रसमैपले सबै स्थानिक, समसामयिक, र पाठ एकाइहरूलाई दुई फरक रणनीतिहरू प्रयोग गरेर एकै ठाउँमा इम्बेड गर्दछः एउटा पुनर्निर्माणमा आधारित छ र अर्को ग्राफमा आधारित छ। दुवै रणनीतिहरूले एकाइहरू बीचको सहसंबन्धलाई उनीहरूको सह-घटना र छिमेकी सम्बन्धहरू एन्कोड गरेर कब्जा गर्दछन्, र त्यस्ता सहसंबन्धहरू संरक्षण गर्न कम आयामी प्रतिनिधित्वहरू सिक्छन्। हाम्रो प्रयोगले देखाउँछ कि क्रसमैपले गतिविधि रिकभरी र वर्गीकरणको लागि अत्याधुनिक विधिहरू मात्र प्रदर्शन गर्दैन, तर धेरै राम्रो दक्षता पनि प्राप्त गर्दछ। |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | मानव चालको विश्लेषणले आन्तरिक चालको हस्ताक्षर फेला पार्न मद्दत गर्दछ जसको माध्यमबाट व्यापक मानव पहिचान र चिकित्सा विकार समस्याहरूको विस्तृत स्पेक्ट्रममा अनुसन्धान गर्न सकिन्छ। हिँडडुल बायोमेट्रिकले एक अनावश्यक सुविधा प्रदान गर्दछ जसको माध्यमबाट भिडियो हिँडडुल डाटालाई विषयको पूर्व जागरूकता बिना ठूलो दूरीमा क्याप्चर गर्न सकिन्छ। यस लेखमा, Kinect Xbox उपकरणको साथ मानव पैदल विश्लेषण अध्ययन गर्न एक नयाँ प्रविधि सम्बोधन गरिएको छ। यसले हामीलाई स्वचालित पृष्ठभूमि घटाउने प्रविधिको साथ खण्डन त्रुटिहरूलाई कम गर्न सुनिश्चित गर्दछ। मानव कंकालको नजिकको समान मोडेल पृष्ठभूमिबाट घटाइएको हिड्ने छविहरूबाट उत्पन्न गर्न सकिन्छ, कोभेरिएट सर्तहरू द्वारा परिवर्तन गरिएको, जस्तै हिड्ने गतिमा परिवर्तन र कपडाको प्रकारमा भिन्नता। हिड्ने तरिकाको चिन्हहरू बायाँ हिप, बायाँ घुँडा, दायाँ हिप र दायाँ घुँडाको संयुक्त कोणको यात्राबाट लिइन्छ । किनेक्टको हिँड्ने तरिकाको प्रयोगात्मक प्रमाणिकरणको तुलनामा हामीले इन्टेलिजेन्ट हिँड्ने तरिकाको ओसिलेसन डिटेक्टर (आईजीओडी) नामक सेन्सरमा आधारित बायोमेट्रिक सूटको विकास गरेका छौं। यस सेन्सरमा आधारित बायोमेट्रिक सूटलाई किनेक्ट उपकरणको साथ परिवर्तन गर्न सकिन्छ कि भनेर अनुसन्धान गर्ने प्रयास गरिएको छ। फिशर भेदभाव विश्लेषण प्रशिक्षण ग्याट हस्ताक्षरमा लागू गरिएको छ विशेषता भेक्टरको भेदभाव शक्तिमा हेर्न। नेइभ बेइजियन वर्गीकरणकर्ताले Kinect सेन्सरद्वारा लिइएको सीमित डाटासेटमा त्रुटिहरूको अनुमानको साथ उत्साहजनक वर्गीकरण परिणाम प्रदर्शन गर्दछ। |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | फंक्शनको अनुमानलाई प्यारामिटर स्पेसको सट्टा फंक्शन स्पेसमा संख्यात्मक अनुकूलनको दृष्टिकोणबाट हेरिन्छ। चरणबद्ध थपात्मक विस्तार र सबैभन्दा खडा (अवतरण) को न्यूनिकरणको बीचमा सम्बन्ध बनाइएको छ। कुनै पनि मानदण्डमा आधारित एडटिभ विस्तारको लागि एक सामान्य ग्रेडियन्ट{डसेन्ट \बूस्टिङ" प्रतिमान विकसित गरिएको छ। विशिष्ट एल्गोरिदमहरू न्यूनतम वर्ग, न्यूनतम निरपेक्ष विचलन, र ह्युबर एम हानि फंक्शनहरू प्रतिगमनको लागि प्रस्तुत गरिन्छ, र वर्गीकरणको लागि बहु वर्ग रसद सम्भावना। विशेष सुधार विशेष मामलाको लागि व्युत्पन्न गरिएको छ जहाँ व्यक्तिगत योजक घटक निर्णय रूखहरू हुन्, र त्यस्ता ट्रीबूस्ट मोडेलहरूको व्याख्या गर्नका लागि उपकरणहरू प्रस्तुत गरिएका छन्। निर्णय रूखहरूको ग्रेडिएन्ट बूस्टिङले प्रतिस्पर्धी, अत्यधिक बलियो, व्याख्यायोग्य प्रक्रियाहरू उत्पादन गर्दछ जुन प्रतिगमन र वर्गीकरणको लागि विशेष गरी सफा डाटा भन्दा कम खननको लागि उपयुक्त छ। यस दृष्टिकोण र फ्रान्डे र शेपियर 1996 को बढावा विधिहरू, र फ्रिडम्यान, हस्टी, र टिबशिरानी 1998 बीचको सम्बन्धको बारेमा छलफल गरिएको छ। 1 फंक्शन अनुमान फंक्शन अनुमान समस्यामा एक प्रणाली छ जसमा एक अनियमित "आउटपुट" वा "प्रतिक्रिया" चर y र अनियमित "इनपुट" वा "व्याख्यात्मक" चरहरूको सेट x = fx1;; xng। ज्ञात (y;x) {मानहरूको \training" नमूना fyi;xig N 1 दिइएको छ, लक्ष्य एक प्रकार्य F (x) को नक्शा x लाई y मा नक्शा गर्ने हो, यस्तो कि सबै (y;x) {मानहरूको संयुक्त वितरणमा, केही निर्दिष्ट हानि प्रकार्य (y; F (x)) को अपेक्षित मान कम हुन्छ F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) प्रायः प्रयोग गरिएको हानि प्रकार्यहरू (y; F) समावेश गर्दछ squared{error (y F ) र पूर्ण त्रुटि jy F को लागि y 2 R (regression), र नकारात्मक द्विआधारी logomial{likelihood, log1 + e 2y F), जब y 2 f 1 (classification); एउटा सामान्य प्रक्रिया भनेको F (x) लाई फंक्शन F (x; P) को प्यारामिटर गरिएको वर्गको सदस्य मान्नु हो, जहाँ P = fP1; P2; g प्यारामिटरहरूको सेट हो। यस लेखमा हामी यस प्रकारको "अतिरिक्त" विस्तारहरूमा ध्यान केन्द्रित गर्नेछौं |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | JSTOR अभिलेखको तपाईंको प्रयोगले संकेत गर्दछ कि तपाईं JSTOR को प्रयोगका सर्तहरू र शर्तहरू स्वीकार गर्नुहुन्छ, http://www.jstor.org/about/terms.html मा उपलब्ध छ। JSTOR को प्रयोगका नियम र सर्तहरूले आंशिक रूपमा प्रदान गर्दछ कि तपाईंले पूर्व अनुमति प्राप्त नगरेसम्म, तपाईं पत्रिकाको सम्पूर्ण अंक वा लेखहरूको बहु प्रतिलिपिहरू डाउनलोड गर्न सक्नुहुन्न, र तपाईं JSTOR अभिलेखमा सामग्री तपाईंको व्यक्तिगत, गैर-व्यावसायिक प्रयोगको लागि मात्र प्रयोग गर्न सक्नुहुनेछ। [पृष्ठ २३-मा भएको चित्र] प्रकाशकहरूको सम्पर्क जानकारी http://www.jstor.org/journals/econosoc.html मा प्राप्त गर्न सकिन्छ। JSTOR प्रसारणको कुनै पनि भागको प्रत्येक प्रतिलिपिमा त्यस्ता प्रसारणको पर्दा वा छापिएको पृष्ठमा देखा पर्ने प्रतिलिपि अधिकार सूचना समावेश हुनुपर्दछ। |
8eca169f19425c76fa72078824e6a91a5b37f470 | कम लागत र उच्च प्रदर्शन राडार प्रणालीको सफल डिजाइनको लागि सही र कुशल प्रणाली सिमुलेशन एक प्रमुख आवश्यकता हो। यस लेखमा हामी फ्रिक्वेन्सी-मड्युलेटेड निरन्तर-तरंग राडार प्रणालीहरूको लागि नयाँ बहुमुखी सिमुलेशन वातावरण प्रस्तुत गर्दछौं। सामान्य हार्डवेयर सिमुलेसनको अतिरिक्त यसले एकीकृत प्रणाली सिमुलेसन र सिग्नल सिन्थेसिसदेखि बेसब्यान्डसम्मको अवधारणा विश्लेषणलाई समेट्छ। यसमा लचिलो परिदृश्य जनरेटर, सटीक शोर मोडेलिंग, र सिग्नल प्रोसेसिंग एल्गोरिदमको विकास र परीक्षणको लागि सिमुलेशन डाटा दक्षतापूर्वक प्रदान गर्दछ। सिमुलेटरको क्षमतालाई दुई फरक परिदृश्यमा देखाउनका लागि सिमुलेटरको सिमुलेसन र मापनको नतिजालाई ७७ गीगाहर्जको एकीकृत राडार प्रोटोटाइपको तुलनामा तुलना गरिएको छ । |
71337276460b50a2cb37959a2d843e593dc4fdcc | एक नयाँ गैर-पृथक तीन-पोर्ट कन्भर्टर (एनआई-टीपीसी) प्रस्ताव गरिएको छ जसमा एक पीवी पोर्ट, एक द्विदिश ब्याट्री पोर्ट र एक लोड पोर्ट इन्टरफेस हुन्छ। तीनवटा पोर्टहरू मध्ये कुनै दुई बीच एकल चरणको पावर रूपान्तरण प्राप्त हुन्छ। यो टोपोलोजी दुई दिशामा विद्युत प्रवाह मार्गलाई दुई दिशामा विच्छेदन गरेर प्राप्त गरिन्छ। तीन मध्ये दुई पोर्टलाई कडाईका साथ विनियमित गर्न सकिन्छ अधिकतम पावर कटाईको लागि PV वा ब्याट्रीको लागि चार्ज नियन्त्रण प्राप्त गर्न, र एकै समयमा लोड भोल्टेज स्थिर राख्नुहोस्, जबकि तेस्रो पोर्ट कन्भर्टरको शक्ति असंतुलनको क्षतिपूर्ति गर्न लचिलो रहन्छ। सञ्चालन अवस्थाहरू विश्लेषण गरिन्छ। बहु-नियन्त्रक प्रतिस्पर्धा नियन्त्रण रणनीति प्रस्तुत गरिएको छ स्वायत्त र सहज राज्य स्विच प्राप्त गर्नका लागि जब PV इनपुट पावर उतार चढाव हुन्छ। प्रयोगात्मक परिणामहरूले विश्लेषणको पुष्टि गर्दछ। |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | डिजिटल संसारमा, व्यवसायका प्रबन्धकहरू आफ्नो कम्पनीको मूल्य सिर्जनाको लागि सूचना र सूचना व्यवस्थापनको रणनीतिक महत्त्वको बारेमा बढी सचेत छन्। यसले सीआईओहरूको लागि नेतृत्वका अवसरहरू र चुनौतीहरू दुवै प्रस्तुत गर्दछ। सीआईओ पदलाई सीमान्तकृत हुनबाट रोक्न र व्यवसाय मूल्य सिर्जनामा सीआईओको योगदान बढाउन, उनीहरूले सक्षम आईटी उपयोगिता प्रबन्धकहरू भन्दा पर जानै पर्छ र उनीहरूको कम्पनीहरूलाई बलियो सूचना उपयोग संस्कृति निर्माण गर्न मद्दत गर्न सक्रिय भूमिका खेल्नु पर्छ। यस लेखको उद्देश्य भनेको सीआईओ र व्यवसायका कार्यकारीहरूले आफ्नो कम्पनीको सूचना अभिमुखीकरण सुधार गर्न अपनाउन सक्ने नेतृत्व दृष्टिकोणको राम्रो समझ प्रदान गर्नु हो। चारवटा केस स्टडीबाट प्राप्त निष्कर्षका आधारमा हामीले नेतृत्वको स्थिति निर्धारणका लागि चारवटा क्वाड्रन्टको ढाँचा तयार गरेका छौं। यो ढाँचा सीआईओको दृष्टिकोणबाट निर्माण गरिएको हो र यसले संकेत गर्दछ कि सीआईओले कम्पनीको सूचना अभिमुखीकरणको विकासमा यसको रणनीतिक फोकस प्राप्त गर्नका लागि नेता, अनुयायी वा गैर-खेलाडीको रूपमा कार्य गर्न सक्दछ। यस लेखको अन्तमा सीआईओहरूले आफ्नो कम्पनीको सूचना अभिमुखीकरण पहलहरू परिचय वा कायम राख्न नेतृत्व चुनौतीहरूको स्थितिलाई मद्दत गर्नका लागि प्रयोग गर्न सक्ने दिशानिर्देशहरू छन् र सीआईओहरूको विशेष अवस्थाहरूमा निर्भर विशिष्ट नेतृत्व दृष्टिकोणहरूको सिफारिश गर्दछ। |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | यस कागजातले व्यवस्थित रूपमा दुई सुविधा निकासी एल्गोरिदमहरू ग्राहक समीक्षामा टिप्पणी गरिएको खानी उत्पाद सुविधाहरूमा तुलना गर्दछ। पहिलो दृष्टिकोण [17] POS ढाँचाहरूको सेट लागू गरेर र लग सम्भावना अनुपात परीक्षणको आधारमा उम्मेदवार सेटको छँटाई गरेर उम्मेदवार सुविधाहरू पहिचान गर्दछ। दोस्रो दृष्टिकोण [11]ले सङ्गठन नियम खननलाई बारम्बार विशेषताहरू पहिचान गर्न र एक हेरिस्टिकलाई प्रयोग गर्दछ जुन भावनात्मक सर्तहरूको उपस्थितिमा आधारित छ जुन दुर्लभ विशेषताहरू पहिचान गर्नका लागि हो। हामी उपभोक्ता इलेक्ट्रोनिक उपकरणहरूको बारेमा पाँच उत्पाद विशिष्ट कागजात संग्रहमा एल्गोरिदमको प्रदर्शनको मूल्यांकन गर्दछौं। हामी त्रुटिहरूको विश्लेषण गर्छौं र एल्गोरिदमका फाइदाहरू र सीमितताहरूको बारेमा छलफल गर्दछौं। |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | इन्टरनेट गेमिङ डिसअर्डर (आईजीडी) को लागि हस्तक्षेपको बारेमा हालको अध्ययन एक अर्ध-प्रयोगात्मक, भविष्यको अध्ययन हो। एक सय चार अभिभावक र उनीहरूका किशोर किशोरीहरूलाई चार उपचार समूहमध्ये एउटामा राखिएको थियो। ७ दिनको सिरिराज थेराप्युटिक रेसिडेन्शियल क्याम्प (एस-टीआरसी) एक्लै, ८ हप्ताको गेम एडिक्शनका लागि अभिभावक व्यवस्थापन तालिम (पीएमटी-जी) एक्लै, एस-टीआरसी र पीएमटी-जी संयुक्त र आधारभूत मनोशिक्षा (नियन्त्रण) । आईजीडीको गम्भीरता गेमिङ एडिक्शन स्क्रिनिङ टेस्ट (जीएएसटी) द्वारा मापन गरिएको थियो। समूहहरू बीचको GAST स्कोरमा औसत भिन्नता सांख्यिकीय रूपमा महत्त्वपूर्ण थियो, P मानहरू < ०.००१, ०.००२, र ०.००५ १, ३, र ६ महिना पछि क्रमशः। सबै समूहमा नियन्त्रण समूहको तुलनामा सुधार देखियो। लत वा सम्भवतः लत समूहमा रहेका किशोरहरूको प्रतिशत एस-टीआरसी, पीएमटी-जी, र संयुक्त समूहमा ५०% भन्दा कम थियो। निष्कर्षमा, एस-टीआरसी र पीएमटी-जी दुवै आईजीडीका लागि प्रभावकारी मनोसामाजिक हस्तक्षेप थिए र आधारभूत मनोविज्ञान शिक्षा भन्दा उत्कृष्ट थिए। |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | यस लेखमा वस्तुको स्थिरता र सुरक्षालाई तर्कसंगत मेकानिक्सको प्रयोग गरेर थ्रीडी दृश्य बुझ्नको लागि नयाँ परिप्रेक्ष्य प्रस्तुत गरिएको छ। हाम्रो दृष्टिकोणले एउटा साधारण अवलोकनको उपयोग गर्दछ कि, मानव डिजाइन द्वारा, स्थिर दृश्यहरूमा वस्तुहरू गुरुत्वाकर्षण क्षेत्रमा स्थिर हुनुपर्दछ र मानव गतिविधिहरू जस्ता विभिन्न भौतिक अवरोधहरूको सम्बन्धमा सुरक्षित हुनुपर्दछ। यो धारणा सबै दृश्य श्रेणीहरूमा लागू हुन्छ र दृश्य समझमा व्यावहारिक व्याख्या (पार्स) को लागि उपयोगी बाधाहरू प्रस्तुत गर्दछ। गहिराई क्यामेराहरू द्वारा स्थिर दृश्यको लागि कब्जा गरिएको थ्रीडी पोइन्ट क्लाउडलाई दिईएको छ, हाम्रो विधि तीन चरणहरू समावेश गर्दछः (i) भक्सलबाट ठोस थ्रीडी भोल्युमेट्रिक प्राइमिटिभहरू पुनः प्राप्त गर्दै; (ii) अस्थिर प्राइमिटिभहरूलाई स्थिरता र दृश्य अघि अनुकूलन गरेर शारीरिक रूपमा स्थिर वस्तुहरूमा समूहीकरण गरेर तर्क स्थिरता; र (iii) भौतिक अवरोधहरू अन्तर्गत वस्तुहरूको लागि शारीरिक जोखिमहरूको मूल्यांकन गरेर तर्क सुरक्षा, जस्तै मानव गतिविधि, हावा वा भूकम्पहरू। हामी एक उपन्यास सहज भौतिक मोडेल अपनाउँछौं र दृश्यमा प्रत्येक आदिम र वस्तुको ऊर्जा परिदृश्यलाई डिस्कनेक्टिभिटी ग्राफ (डीजी) द्वारा प्रतिनिधित्व गर्दछौं। हामी सम्पर्क ग्राफ बनाउँछौं जसमा नोडहरू थ्रीडी भोल्युमेट्रिक प्राइमिटिभहरू हुन् र किनाराहरूले समर्थन सम्बन्धहरू प्रतिनिधित्व गर्दछन्। त्यसपछि हामी स्वेन्डेसन-वाङ कट एल्गोरिथ्म अपनाउँछौं सम्पर्क ग्राफलाई समूहमा विभाजन गर्न, प्रत्येक स्थिर वस्तु हो। स्थिर दृश्यमा असुरक्षित वस्तुहरू पत्ता लगाउनको लागि, हाम्रो विधिले दृश्यमा लुकेका र स्थित कारणहरू (परेशानीहरू) लाई थप अनुमान गर्दछ, र त्यसपछि अवरोधहरूको परिणामको रूपमा सम्भावित प्रभावहरू (उदाहरणका लागि, झर्नेहरू) भविष्यवाणी गर्न सहज भौतिक मेकानिक्स प्रस्तुत गर्दछ। प्रयोगमा हामीले यो देखाएका छौं कि एल्गोरिथ्मले (i) वस्तु विभाजन, (ii) थ्रीडी भोल्युमेट्रिक रिकभरी, र (iii) दृश्य बुझ्नका लागि अन्य अत्याधुनिक विधिहरूको तुलनामा धेरै राम्रो प्रदर्शन प्राप्त गर्दछ। हामी पनि मानव न्याय संग सहज मेकानिक्स मोडेल देखि सुरक्षा भविष्यवाणी तुलना। |
7e9507924ceebd784503fd25128218a7119ff722 | हाम्रो दृष्टिकोणले प्रत्येक पाठको कोरसलाई विषय ग्राफको रूपमा मोडेल गर्दछ। यी ग्राफहरू त्यसपछि एक सुसंगत ग्राफ मिलान विधि प्रयोग गरेर मेल खान्छन्। त्यसपछि, हामी एक स्तर-को-विवरण (LOD) दृश्य विकास गर्छौं जसले दुबै पठनीयता र स्थिरतालाई सन्तुलनमा राख्छ। यस अनुसार, परिणामी दृश्यले प्रयोगकर्ताहरूको क्षमतालाई बुझ्ने र बहु दृष्टिकोणबाट मिल्दो ग्राफको विश्लेषण गर्ने क्षमता बढाउँदछ। मेट्रिक लर्निंग र फिचर सिलेक्शनलाई ग्राफ म्याचिङ एल्गोरिथ्ममा समावेश गरेर, हामी प्रयोगकर्ताहरूलाई ग्राफ म्याचिङ परिणामलाई उनीहरूको सूचना आवश्यकताको आधारमा अन्तरक्रियात्मक रूपमा परिमार्जन गर्न अनुमति दिन्छौं। हामीले हाम्रो दृष्टिकोण विभिन्न प्रकारका डाटामा लागू गरेका छौं, जसमा समाचार लेख, ट्वीट्स र ब्लग डाटा समावेश छन्। मात्रात्मक मूल्यांकन र वास्तविक संसारको केस स्टडीले हाम्रो दृष्टिकोणको प्रतिज्ञालाई प्रदर्शन गर्दछ, विशेष गरी विषय-ग्राफ-आधारित पूर्ण चित्रको विभिन्न स्तरको विवरणमा जाँच गर्न समर्थन गर्दछ। यस लेखमा समाचार, ब्लग, वा माइक्रो ब्लग जस्ता बहु स्रोतहरूमा छलफल गरिएका सान्दर्भिक विषयहरूको पूर्ण चित्रको विश्लेषण गर्नका लागि दृश्य विश्लेषण दृष्टिकोण प्रस्तुत गरिएको छ। यस पूर्ण चित्रमा धेरै स्रोतहरूद्वारा समेटिएका धेरै सामान्य विषयहरू छन्, साथै प्रत्येक स्रोतबाट विशिष्ट विषयहरू पनि छन्। |
b04a503487bc6505aa8972fd690da573f771badb | गहिरो स्नायु प्रणालीको अनुभूति र नियन्त्रण सञ्जालहरू स्वचालित सवारी साधनहरूको प्रमुख घटक हुने सम्भावना छ। यी मोडेलहरू व्याख्यायोग्य हुनु आवश्यक छ - तिनीहरूले आफ्नो व्यवहारको लागि तर्कसंगत व्याख्या गर्न सजिलो प्रदान गर्नुपर्दछ - ताकि यात्रुहरू, बीमा कम्पनीहरू, कानून प्रवर्तन, विकासकर्ताहरू आदिले बुझ्न सक्दछन् कि कुन विशेष व्यवहारलाई ट्रिगर गर्यो। यहाँ हामी दृश्य व्याख्याको प्रयोगको अन्वेषण गर्छौं। यी व्याख्याहरू वास्तविक समयमा हाइलाइट गरिएका छविहरूको क्षेत्रहरूको रूपमा लिन्छन् जसले नेटवर्कको आउटपुट (स्टीयरिंग कन्ट्रोल) लाई कारणपूर्वक प्रभाव पार्दछ। हाम्रो दृष्टिकोण दुई चरणमा छ। पहिलो चरणमा, हामी दृश्य ध्यान मोडेल प्रयोग गरेर कन्भोल्युसन नेटवर्कलाई छविहरूबाट स्टीयरिंग ए angle्गलमा अन्त्य-अन्तसम्म तालिम दिन्छौं। ध्यान मोडेलले छवि क्षेत्रहरूलाई हाइलाइट गर्दछ जसले सम्भावित रूपमा नेटवर्कको आउटपुटलाई प्रभाव पार्दछ। [पृष्ठ २-मा भएको चित्र] त्यसपछि हामी कारण फिल्टरिङ चरण लागू गर्छौं कुन इनपुट क्षेत्रले वास्तवमा आउटपुटलाई प्रभाव पार्छ भनेर निर्धारण गर्नका लागि। यसले अधिक संक्षिप्त दृश्य व्याख्याहरू उत्पादन गर्दछ र अधिक सही रूपमा नेटवर्कको व्यवहारलाई उजागर गर्दछ। हामीले हाम्रो मोडेलको प्रभावकारितालाई १६ घण्टाको ड्राइभिङको तीन डाटासेटमा प्रदर्शन गरेका छौं। हामी पहिले देखाउँछौं कि ध्यान दिएर प्रशिक्षणले अन्त-देखि-अन्त नेटवर्कको प्रदर्शनलाई गिरावट गर्दैन। त्यसपछि हामीले देखाइदियौं कि नेटवर्कले विभिन्न प्रकारका सुविधाहरूमा कारणको संकेत दिन्छ जुन मानिसहरूले ड्राइभिंग गर्दा प्रयोग गर्छन्। |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | विशेषतामा आधारित एन्क्रिप्शन (एबीई) [13] ले प्रयोगकर्ताको विशेषतामा आधारित डिक्रिप्शन क्षमता निर्धारण गर्दछ। बहु-प्राधिकरण एबीई योजनामा, बहु विशेषता-प्राधिकरणहरूले विशेषताहरूको विभिन्न सेटहरू अनुगमन गर्दछन् र प्रयोगकर्ताहरूलाई सम्बन्धित डिक्रिप्शन कुञ्जीहरू जारी गर्दछन्, र एन्क्रिप्टरहरूले प्रयोगकर्तालाई सन्देश डिक्रिप्ट गर्नु अघि प्रत्येक प्राधिकरणबाट उपयुक्त विशेषताहरूको लागि कुञ्जीहरू प्राप्त गर्न आवश्यक पर्दछ। चेस [5] ले बहु-प्राधिकरण एबीई योजना प्रदान गर्यो जुन एक विश्वसनीय केन्द्रीय प्राधिकरण (सीए) र ग्लोबल पहिचानकर्ता (जीआईडी) को अवधारणा प्रयोग गर्दछ। तथापि, त्यो संरचनामा सीएसँग हरेक सिफर पाठलाई डिक्रिप्ट गर्ने शक्ति छ, जुन धेरै सम्भावित अविश्वसनीय प्राधिकरणहरूमा नियन्त्रण वितरण गर्ने मूल लक्ष्यसँग कुनै न कुनै रूपमा विरोधाभासी देखिन्छ। यसबाहेक, त्यो निर्माणमा, एक सुसंगत जीआईडीको प्रयोगले अधिकारीहरूलाई उनीहरूको जानकारीलाई एक पूर्ण प्रोफाइल निर्माण गर्न प्रयोगकर्ताको सबै विशेषताहरूको साथ संयोजन गर्न अनुमति दियो, जसले अनावश्यक रूपमा प्रयोगकर्ताको गोपनीयतालाई जोखिममा पार्छ। यस कागजातमा, हामी एक समाधान प्रस्ताव गर्दछौं जसले विश्वसनीय केन्द्रीय प्राधिकरणलाई हटाउँछ, र प्रयोगकर्ताहरूको गोपनीयतालाई सुरक्षा गर्दछ। यसले प्राधिकरणहरूलाई विशेष प्रयोगकर्ताहरूमा उनीहरूको जानकारीलाई एकसाथ राख्नबाट रोक्छ, यसैले एबीईलाई व्यवहारमा बढी प्रयोगयोग्य बनाउँदछ। |
25098861749fe9eab62fbe90c1ebeaed58c211bb | यस लेखमा हामी नयाँ दृष्टिकोणबाट प्रवर्द्धन विधिहरूको अध्ययन गर्नेछौं। हामी इफ्रोन र अन्यले गरेको हालको काममा आधारित छौं । यो देखाउनको लागि कि लगभग बढाउने (र केही अवस्थामा ठ्याक्कै) को गुणांक वेक्टरमा l1 बाधाको साथ यसको हानि मापदण्ड कम गर्दछ। यसले घाटा मापदण्डको नियमित फिटको रूपमा प्रारम्भिक रोक्ने साथ बढावाको सफलता बुझ्न मद्दत गर्दछ। दुई सबैभन्दा सामान्य प्रयोग मापदण्ड (अभिव्यक्तिगत र द्विपद लग-सम्भाव्यता) को लागि, हामी थप देखाउँछौं कि जब प्रतिबन्ध आराम हुन्छ - वा बराबर रूपमा बढाउने पुनरावृत्तिको रूपमा - समाधान एकीकरण हुन्छ (विभाज्य अवस्थामा) एक l1-अनुकूलित विभाजन हाइपर-प्लेनमा। हामी प्रमाणित गर्छौं कि यो l1-उत्तम विभाजन हाइपर-प्लेनमा प्रशिक्षण डेटाको न्यूनतम l1-मार्जिन अधिकतम गर्ने गुण छ, जुन बूस्टिंग साहित्यमा परिभाषित गरिएको छ। एक रोचक मौलिक समानता बढाने र कर्नेल समर्थन भेक्टर मिसिनहरु बीच उभरिएको छ, दुवै उच्च आयामी भविष्यवाणीकर्ता अन्तरिक्ष मा नियमित अनुकूलन को लागी विधिहरु को रूप मा वर्णन गर्न सकिन्छ, गणना व्यावहारिक बनाउन को लागी एक कम्प्यूटेशनल चाल को उपयोग गरेर, र मार्जिन-अधिकतम समाधानहरु मा अभिसरण। यद्यपि यो कथनले एसवीएमको सही वर्णन गर्दछ, यो केवल लगभग बढावामा लागू हुन्छ। |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | शब्दहरूको वेक्टर स्पेस प्रतिनिधित्वहरू सिक्नका लागि हालसालैका विधिहरू वेक्टर अंकगणितको प्रयोग गरेर फाइन-ग्रान्ड्ड सेमेन्टिक र सिन्ट्याक्सिक नियमितताहरू कब्जा गर्न सफल भएका छन्, तर यी नियमितताको उत्पत्ति अपारदर्शी रहेको छ। हामी विश्लेषण गर्छौं र शब्द भेक्टरहरूमा यस्तो नियमितता देखा पर्नको लागि आवश्यक मोडेल गुणहरू स्पष्ट पार्छौं। यसको परिणाम एक नयाँ ग्लोबल लगबिलिनियर रिग्रेसन मोडेल हो जसले साहित्यमा दुई प्रमुख मोडेल परिवारहरूको फाइदाहरू जोड्दछः ग्लोबल म्याट्रिक्स फैक्टराइजेशन र स्थानीय सन्दर्भ विन्डो विधिहरू। हाम्रो मोडेलले शब्द-शब्द सह-घटना म्याट्रिक्समा गैर-शून्य तत्वहरूमा मात्र प्रशिक्षण गरेर कुशलतापूर्वक सांख्यिकीय जानकारीलाई लाभ उठाउँछ, सम्पूर्ण विरल म्याट्रिक्स वा ठूलो कोर्पसमा व्यक्तिगत सन्दर्भ विन्डोजमा भन्दा। मोडेलले अर्थपूर्ण सबस्ट्रक्चरको साथ भेक्टर स्पेस उत्पादन गर्दछ, जसरी हालसालै शब्द समानता कार्यमा यसको प्रदर्शन 75% ले प्रमाणित गर्दछ। यसले समानता कार्यहरू र नामित संस्था पहिचानमा सम्बन्धित मोडेलहरूलाई पनि पार गर्दछ। |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | हामी दुई वितरणहरू बीचको मेट्रिकको गुणहरू अनुसन्धान गर्छौं, पृथ्वी मूभरको दूरी (ईएमडी), सामग्री-आधारित छवि पुनः प्राप्तिको लागि। ईएमडी एक वितरणलाई अर्कोमा परिणत गर्न भुक्तान गर्नुपर्ने न्यूनतम लागतमा आधारित छ, एक सटीक अर्थमा, र पहिलो पटक पेलेग, वर्मन, र रोम द्वारा केही दृष्टि समस्याहरूको लागि प्रस्ताव गरिएको थियो। छवि पुनः प्राप्तिका लागि, हामी यो विचारलाई वितरणका लागि प्रतिनिधित्व योजनासँग जोड्दछौं जुन भेक्टर क्वान्टिजेसनमा आधारित छ। यो संयोजनले छवि तुलना ढाँचामा पुर्याउँछ जुन प्रायः अन्य पहिले प्रस्तावित विधिहरू भन्दा राम्रोसँग धारणा समानताको लागि खाता हुन्छ। ईएमडी रैखिक अनुकूलनबाट यातायात समस्याको समाधानमा आधारित छ, जसको लागि कुशल एल्गोरिदमहरू उपलब्ध छन्, र आंशिक मिलानको लागि पनि प्राकृतिक रूपमा अनुमति दिन्छ। यो हिस्टोग्राम मिलान प्रविधिहरू भन्दा बढी बलियो छ, किनकि यसले वितरणको चर-लम्बाइ प्रतिनिधित्वहरूमा सञ्चालन गर्न सक्छ जुन क्वान्टिजेसन र अन्य बिनिङ समस्याहरू हिस्टोग्रामहरूको लागि विशिष्ट छ। जब समान कुल द्रव्यमानको साथ वितरणको तुलना गर्न प्रयोग गरिन्छ, EMD एक सही मीट्रिक हो। यस लेखमा हामी रंग र बनावटमा ध्यान केन्द्रित गर्छौं, र हामी ईएमडीको पुनः प्राप्ति प्रदर्शनलाई अन्य दूरीको तुलनामा तुलना गर्छौं। |
508d8c1dbc250732bd2067689565a8225013292f | स्थानीय पल्स वेभ वेग (पीडब्लुभी) को लागि एक उपन्यास दोहोरो फोटोप्लेटिसमोग्राफ (पीपीजी) प्रोब र मापन प्रणाली प्रस्तावित र प्रदर्शन गरिएको छ। विकसित गरिएको प्रोब डिजाइनले दुई आसन्न मापन बिन्दुहरू (२८ मिमी टाढा) बाट रक्त धडकन प्रसारण तरंगहरू गैर-आक्रमक पत्ता लगाउन प्रतिबिम्बन पीपीजी ट्रान्सड्यूसरहरू प्रयोग गर्दछ। निरन्तर प्राप्त दोहोरो पल्स तरंगरूप बीचको पारगमन समय ढिलाइलाई बिट-टु-बीट स्थानीय पीडब्लुभी मापनको लागि प्रयोग गरिएको थियो। पीपीजी प्रोब डिजाइनको प्रमाणिकरण गर्न र स्थानीय पीडब्लुभी मापन प्रणाली विकास गर्न १० स्वस्थ स्वयंसेवक (८ पुरुष र २ महिला, २१ देखि ३३ वर्ष) मा एक इन-विभो प्रयोगात्मक प्रमाणिकरण अध्ययन गरिएको थियो। प्रस्तावित प्रणालीले कैरोटिड स्थानीय पीडब्लुभीलाई धेरै व्यक्तिहरूमा मापन गर्न सक्षम भयो। अध्ययनको समयमा १० मध्ये ७ जनामा शल्यक्रियाको आधारमा हुने पीडब्लुभीको दरमा ७.५ प्रतिशतभन्दा कम परिवर्तन देखिएको थियो। व्यायाम पश्चात पुनः प्राप्ति अवधिमा क्यारोटिडको स्थानीय पीडब्लुभी र ब्रेकल रक्तचाप (बीपी) मा परिवर्तन पनि जाँच गरियो। एक सांख्यिकीय रूपमा महत्त्वपूर्ण सहसंबंध intra- subject स्थानीय PWV भिन्नता र brachial BP मापदण्डहरू बीच अवलोकन गरिएको थियो (r > 0.85, p < 0.001) । परिणामहरूले प्रस्तावित पीपीजी प्रोबको व्यवहार्यतालाई कारोटिड धमनीबाट निरन्तर बीट-टू-बीट स्थानीय पीडब्लुभी मापनको लागि प्रदर्शन गर्यो। यस्तो गैर-आक्रमक स्थानीय पीडब्लुभी मापन एकाइलाई निरन्तर एम्बुलेटरी बीपी मापनका लागि प्रयोग गर्न सकिन्छ। |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | यस लेखमा गहिराई नक्साको अनुक्रमबाट मानव कार्यहरू पहिचान गर्ने विधि प्रस्तुत गरिएको छ। विशेष गरी, हामी क्रिया ग्राफ प्रयोग गर्छौं क्रियाको गतिशीलतालाई स्पष्ट रुपमा मोडेल गर्न र ३ डी बिन्दुहरूको झोला प्रयोग गर्छौं क्रिया ग्राफमा नोडहरूसँग मेल खाने प्रमुख आसनहरूको सेटको विशेषता दिनका लागि। यसको अतिरिक्त, हामी एक सरल, तर प्रभावकारी प्रक्षेपण आधारित नमूना योजना प्रस्ताव गर्दछौं जुन गहिराई नक्साबाट 3D बिन्दुहरूको झोलाको नमूना लिन्छ। प्रयोगात्मक परिणामहरूले देखाए कि 90 ०% भन्दा बढी पहिचान सटीकता केवल १% 3D बिन्दुहरू गहिराई नक्साबाट नमूना गरेर प्राप्त गरिएको थियो। २ डी सिल्हूटमा आधारित पहिचानको तुलनामा, पहिचान त्रुटिहरू आधा कम गरियो। यसको अतिरिक्त, हामी सिमुलेसनको माध्यमबाट ओक्ल्युसनसँग व्यवहार गर्नका लागि पोइन्ट पोष्टर मोडेलको क्षमता प्रदर्शन गर्दछौं। |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | यस लेखमा एआई रोबोटको कानूनी हैसियतको बारेमा अहिलेको बहसको बारेमा चर्चा गरिएको छ र विद्वानहरू र नीति निर्माताहरूले यी कृत्रिम एजेन्टहरूको कानूनी एजेन्सीलाई कानुनी व्यक्तिको हैसियतसँग कसरी भ्रमित गर्छन् भन्ने बारेमा छलफल गरिएको छ। यस क्षेत्रमा हालको प्रवृत्तिलाई ध्यानमा राखेर, कागजले दुईवटा दृष्टिकोणहरू सुझाव दिन्छ। पहिलो, नीति निर्माताहरूले सम्झौता र व्यापार कानूनमा एआई रोबोटहरूको गतिविधिहरूको लागि उत्तरदायित्व र उत्तरदायित्वको नयाँ रूपहरू स्थापना गर्ने सम्भावनामा गम्भीरतापूर्वक विचार गर्नुपर्नेछ, उदाहरणका लागि जटिल वितरित उत्तरदायित्वको मामिलामा कानुनी एजेन्सीको नयाँ रूपहरू। दोस्रो, कुनै पनि परिकल्पनाले एआई रोबोटलाई पूर्ण कानूनी व्यक्तित्व प्रदान गर्ने अनुमानलाई भविष्यमा खारेज गर्नुपर्नेछ। तर, सन् २०१७ को अक्टोबरमा कुनै पनि देशको नागरिकता पाउने पहिलो एआई एप्लिकेसन सोफियालाई हामीले कसरी व्यवहार गर्ने ? कुनै व्यक्ति वा कुनै वस्तुलाई कानुनी व्यक्तित्व प्रदान गर्नु जसरी पहिलेदेखि नै हुँदै आएको छ, त्यो एउटा अत्यन्तै संवेदनशील राजनीतिक मुद्दा हो, जुन केवल तर्कसंगत विकल्प र अनुभवजन्य प्रमाणमा निर्भर हुँदैन। विवेक, मनमानी र विचित्र निर्णयले पनि यसमा भूमिका खेल्छ। तर, कानुनी प्रणालीले मानव र कृत्रिम संस्थालाई, जस्तै निगमलाई, उनीहरूको दर्जा प्रदान गर्ने मापदण्डिक कारणहरूले हामीलाई एआई रोबोटको कानुनी व्यक्तित्वको खोजीमा आज पक्ष लिन मद्दत गर्दछ। के नागरिक सोफिया साँच्चै सचेत छिन्, वा अपमानजनक विद्वानहरूको धनु र तीरहरू सहन सक्षम छिन्? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | हामी मानव व्यवहारको विश्लेषण र संश्लेषणको लागि एक दृष्टिकोणको रूपमा कार्य-प्रतिक्रिया शिक्षा प्रस्ताव गर्दछौं। यो प्रतिमानले विगत र भविष्यका घटनाहरू वा कुनै कार्य र त्यसको प्रतिक्रियाबीचको कारणगत नक्साङ्कनलाई समय अनुक्रमको अवलोकनद्वारा प्रकट गर्दछ। हामी यो विधिलाई मानव अन्तरक्रियाको विश्लेषण गर्न र मानव व्यवहारको संश्लेषण गर्न प्रयोग गर्छौं। समयको क्रममा हुने अनुभूति मापनको प्रयोग गरेर, प्रणालीले स्वचालित रूपमा एउटा मानव सहभागीको इशारा (एक कार्य) र अर्को सहभागीको पछिल्लो इशारा (एक प्रतिक्रिया) बीचको नक्साङ्कन पत्ता लगाउँछ। एक सम्भावित मोडेललाई मानव अन्तरक्रियाको डाटाबाट नयाँ अनुमान प्रविधि प्रयोग गरेर प्रशिक्षित गरिन्छ, ससर्त अपेक्षा अधिकतमकरण (सीईएम) । प्रणालीले ग्राफिकल अन्तर्क्रियात्मक चरित्र चलाउँछ जसले सम्भावित रूपमा प्रयोगकर्ताको व्यवहारमा सबैभन्दा सम्भावित प्रतिक्रियाको भविष्यवाणी गर्दछ र यसलाई अन्तर्क्रियात्मक रूपमा प्रदर्शन गर्दछ। यस प्रकार, सहभागीहरूको जोडीमा मानव अन्तरक्रियाको विश्लेषण गरेपछि, प्रणाली तिनीहरू मध्ये एकलाई प्रतिस्थापन गर्न र एक मात्र बाँकी प्रयोगकर्तासँग अन्तरक्रिया गर्न सक्षम छ। |
272216c1f097706721096669d85b2843c23fa77d | हामी आदम, पहिलो-अर्डर ग्रेडियन्ट-आधारित स्टोकास्टिक उद्देश्य प्रकार्यहरूको अनुकूलनको लागि एल्गोरिथ्म प्रस्तुत गर्दछौं, जुन कम-अर्डर क्षणहरूको अनुकूली अनुमानहरूमा आधारित छ। यो विधि कार्यान्वयन गर्न सरल छ, कम्प्युटेशनल रूपमा कुशल छ, मेमोरी आवश्यकताहरू थोरै छन्, ग्रेडियन्टहरूको विकर्ण पुनः स्केलिंगमा अपरिवर्तनीय छ, र समस्याहरूको लागि उपयुक्त छ जुन डाटा र / वा प्यारामिटरहरूको हिसाबले ठूलो छ। यो विधि पनि गैर-स्थिर उद्देश्य र धेरै हल्ला र/वा sparse ढाँचाहरू संग समस्या लागि उपयुक्त छ। हाइपर-पारामिटरहरू सहज व्याख्याहरू छन् र सामान्यतया थोरै ट्यूनिंगको आवश्यकता पर्दछ। सम्बन्धित एल्गोरिदमहरूसँग केही सम्बन्धहरू, जसमा आदम प्रेरित थिए, छलफल गरिएको छ। हामी एल्गोरिथ्मको सैद्धान्तिक अभिसरण गुणहरूको पनि विश्लेषण गर्दछौं र एक अभिसरण दरमा एक अफसोस प्रदान गर्दछौं जुन अनलाइन उत्तेजना फ्रेमवर्क अन्तर्गत सबै भन्दा राम्रो ज्ञात परिणामहरूसँग तुलना गर्न सकिन्छ। अनुभवजन्य परिणामहरूले देखाउँछ कि एडमले अभ्यासमा राम्रो काम गर्दछ र अन्य स्टोकास्टिक अप्टिमाइजेसन विधिहरूसँग तुलना गर्दछ। अन्तमा, हामी अडामैक्सको चर्चा गर्छौं, अदमको एउटा प्रकार जुन इन्फिनिटीको नियममा आधारित छ। |
05aba481e8a221df5d8775a3bb749001e7f2525e | हामी सबग्रेडियन्ट विधिहरूको नयाँ परिवार प्रस्तुत गर्दछौं जुन पहिलेको पुनरावृत्तिमा अवलोकन गरिएको डाटाको ज्यामितिको ज्ञानलाई गतिशील रूपमा समावेश गर्दछ अधिक जानकारीमूलक ग्रेडियन्ट-आधारित शिक्षा प्रदान गर्न। रूपकात्मक रूपमा, अनुकूलनले हामीलाई धेरै पूर्वानुमानात्मक तर विरलै देखिएका सुविधाहरूको रूपमा हेनस्ट्याकमा नडेलहरू फेला पार्न अनुमति दिन्छ। हाम्रो प्रतिमान हालैका प्रगतिहरूबाट स्टोकास्टिक अनुकूलन र अनलाइन शिक्षामा उत्पन्न हुन्छ जसले एल्गोरिथ्मको ढाँचागत चरणहरू नियन्त्रण गर्न निकटवर्ती फंक्शनहरू प्रयोग गर्दछ। हामी निकटवर्ती प्रकार्य अनुकूलनशील रूपले परिमार्जन गर्न उपकरणको वर्णन र विश्लेषण गर्दछौं, जसले सिकाई दर सेट गर्न उल्लेखनीय रूपमा सरलीकृत गर्दछ र पछाडि पछाडि छनौट गर्न सकिने उत्तम निकटवर्ती प्रकार्य जत्तिकै राम्रो हुने पछाडि पछाडि ग्यारेन्टीमा परिणाम दिन्छ। हामी अनुभवजन्य जोखिम कम गर्न समस्याहरूको लागि धेरै कुशल एल्गोरिदमहरू प्रदान गर्दछौं जुन सामान्य र महत्त्वपूर्ण नियमितकरण प्रकार्यहरू र डोमेन प्रतिबन्धहरूको साथ हुन्छ। हामीले प्रयोगात्मक रूपमा हाम्रो सैद्धान्तिक विश्लेषणको अध्ययन गर्यौं र देखाइदियौं कि अनुकूली उप-उपक्रमिक विधिहरूले अत्याधुनिक, तर गैर-अनुकूली, उप-उपक्रमिक एल्गोरिदमहरू भन्दा राम्रो प्रदर्शन गर्दछन्। |
f2bc77fdcea85738d1062da83d84dfa3371d378d | यस कागजातले चिप-टु-चिप अनुप्रयोगहरूको लागि 90 एनएम सीएमओएसमा 6.25-जीबी / एस 14-एमडब्ल्यू ट्रान्ससीभर वर्णन गर्दछ। ट्रान्ससीभरले पावर खपत कम गर्नका लागि धेरै सुविधाहरू प्रयोग गर्दछ, जसमा साझा एलसी-पीएलएल घडी गुणक, इन्डक्टर-लोड गरिएको अनुनाद घडी वितरण नेटवर्क, कम-र प्रोग्रामयोग्य-स्विing भोल्टेज-मोड ट्रान्समिटर, सफ्टवेयर-नियन्त्रित घडी र डाटा रिकभरी (सीडीआर) र रिसीभर भित्र अनुकूलन समिकरण, र सीडीआरको लागि एक उपन्यास पीएलएल-आधारित चरण रोटेटर। यो डिजाइनले १०-१५ वा कमको बिट-त्रुटि दरमा १५ डीबी वा सो भन्दा बढीको च्यानल डिटेन्सनको साथ काम गर्न सक्छ, जबकि २.२५ एमडब्ल्यू/जीबी/सेकेन्ड भन्दा कम प्रति ट्रान्ससीभर खपत गर्दछ। |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | थ्रीडी आकारहरूको गैर-कठोर रेजिष्ट्रेसन एक अत्यावश्यक कार्य हो जुन बढ्दो महत्त्वको छ किनकि वस्तु गहिराई सेन्सरहरू गतिशील दृश्यहरू स्क्यान गर्नको लागि अधिक व्यापक रूपमा उपलब्ध हुन्छन्। गैर-कठोर दर्ता कठोर दर्ता भन्दा धेरै चुनौतीपूर्ण छ किनकि यसले एकल वैश्विक रूपान्तरणको सट्टा स्थानीय रूपान्तरणहरूको सेटको अनुमान गर्दछ, र यसैले अंडरडेटिमेन्सनको कारण ओभरफिटिंग मुद्दाको लागि प्रवण छ। अघिल्लो विधिहरूमा सामान्य ज्ञान स्थानीय रूपान्तरण भिन्नताहरूमा १-नर्म नियमितकरण लगाउनु हो। तथापि, l2-नर्म नियमितकरणले समाधानलाई बाहिरी मानहरू र भारी-पछाडिको वितरणको साथ शोरमा झुकाव दिन्छ, जुन परिवर्तन परिवर्तनमा ग्यासियन वितरणको खराब राम्रो-फिट द्वारा प्रमाणित हुन्छ। यसको विपरीत, लाप्लासियन वितरण रूपान्तरण भिन्नता संग राम्रो संग फिट हुन्छ, एक sparsity पहिले को उपयोग को सुझाव। हामी परिवर्तन अनुमानको लागि l1-नर्म नियमित मोडेलको साथ एक स्पायर गैर-कठोर रेजिष्ट्रेसन (SNR) विधि प्रस्ताव गर्दछौं, जुन विस्तारित Lagrangian फ्रेमवर्क अन्तर्गत वैकल्पिक दिशा विधि (ADM) द्वारा प्रभावकारी रूपमा समाधान गरिन्छ। हामी बलियो र प्रगतिशील पञ्जीकरणका लागि बहु-संकल्प योजना पनि तयार पार्छौं। सार्वजनिक डाटासेट र हाम्रो स्क्यान गरिएको डाटासेट दुवैको नतिजाले हाम्रो विधिको श्रेष्ठता देखाउँछ, विशेष गरी ठूलो मात्रामा विकृतिहरू साथै बहिर्गमन र हल्लालाई सम्हाल्नमा। |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | यस पत्रमा एक उपन्यास का-ब्यान्ड डबल-ब्यान्ड डबल-सर्कलरी-ध्रुवीकृत एन्टेना एरे प्रस्तुत गरिएको छ। का-ब्यान्ड डाउनलिंक फ्रिक्वेन्सीहरूको लागि बायाँ हात गोलाकार ध्रुवीकरण र का-ब्यान्ड अपलिंक फ्रिक्वेन्सीहरूको लागि दायाँ हात गोलाकार ध्रुवीकरणको साथ एक डुअल-ब्यान्ड एन्टेना कम्प्याक्ट रिंगल रिंग स्लटको साथ महसुस गरिएको छ। अनुक्रमिक घुमाउने प्रविधि प्रयोग गरेर, राम्रो प्रदर्शनको साथ २ × २ सबरे प्राप्त हुन्छ। यो पत्रले डिजाइन प्रक्रियाको वर्णन गर्दछ र सिमुलेशन र मापन परिणाम प्रस्तुत गर्दछ। |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | यस लेखमा एलटीई नेटवर्कमा प्रयोग गरिने ब्याट्री संचालित उपकरणहरूको ऊर्जा खपतलाई कम गर्नका लागि तालिका र प्रसारण शक्ति नियन्त्रणको अनुसन्धान गरिएको छ। यन्त्र-प्रकारका ग्राहकहरूको ठूलो संख्याको लागि कुशल तालिका सक्षम गर्न, एक उपन्यास वितरित योजना प्रस्ताव गरिएको छ कि मेशिन नोडहरूले स्थानीय क्लस्टरहरू गठन गर्न र क्लस्टर हेडहरू मार्फत आधार-स्टेशनसँग कुराकानी गर्न अनुमति दिन्छ। त्यसपछि, एलटीई नेटवर्कमा अपलिंक तालिका र पावर नियन्त्रणको परिचय दिइएको छ र क्लस्टर हेडहरू र आधार स्टेशन बीचको सञ्चारको लागि प्रयोग गर्नको लागि जीवनकाल-जागरूक समाधानहरूको अनुसन्धान गरिएको छ। सही समाधानको साथसाथै, कम जटिलता सब-इष्टतम समाधानहरू यस कार्यमा प्रस्तुत गरिएका छन् जुन धेरै कम कम्प्युटेशनल जटिलताका साथ इष्टतम प्रदर्शनको नजिक पुग्न सक्छ। प्रदर्शन मूल्यांकनले देखाउँछ कि प्रस्तावित प्रोटोकलहरूको प्रयोग गरेर नेटवर्कको जीवनकालमा उल्लेखनीय विस्तार गरिएको छ। |
6dc4be33a07c277ee68d42c151b4ee866108281f | कम्प्रेसिभ मापनबाट कोभेरिएन्स म्याट्रिक्सको अनुमानले हालै विज्ञान र ईन्जिनियरिङ्का विभिन्न क्षेत्रमा उल्लेखनीय अनुसन्धान प्रयासहरू आकर्षित गरेको छ। अवलोकनहरूको सानो संख्याको कारण, सह-विभेदक म्याट्रिक्सको अनुमान गम्भीर रूपमा गलत समस्या हो। यो समस्यालाई सह-विचलन म्याट्रिक्सको संरचनाको बारेमा पूर्व जानकारीको प्रयोग गरेर समाधान गर्न सकिन्छ। यस कागजले कम्पेरेसिभ मापन अन्तर्गत उच्च आयामी कोभेरिएन्स म्याट्रिक्स अनुमान समस्याको लागि उत्तल सूत्र र सम्बन्धित समाधानहरूको एक वर्ग प्रस्तुत गर्दछ, समाधानमा टुप्लिट्ज, स्परनेस, नल-पेटर्न, कम रैंक, वा कम परमिट गरिएको रैंक संरचना लगाउने, सकारात्मक अर्ध-परिभाषितताका अतिरिक्त। अनुकूलन समस्याहरू समाधान गर्न, हामी Co-Variance by Augmented Lagrangian Shrinkage Algorithm (CoVALSA) लाई परिचय दिन्छौं, जुन स्प्लिट एग्मेन्टेड Lagrangian Shrinkage एल्गोरिथ्म (SALSA) को एक उदाहरण हो। हामी अत्याधुनिक एल्गोरिदमको तुलनामा हाम्रो दृष्टिकोणको प्रभावकारितालाई चित्रण गर्दछौं। |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | सबै अधिकार सुरक्षित। यस पुस्तकको कुनै पनि भाग प्रकाशकको लिखित अनुमति बिना कुनै पनि प्रकारको इलेक्ट्रोनिक वा मेकानिकल माध्यमबाट (फोटोकपी, रेकर्डिङ, वा सूचना भण्डारण र पुनः प्राप्ति सहित) पुनः उत्पादन गर्न सकिँदैन। |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | हामी प्राकृतिक भाषाका वृक्ष संरचनाहरूका लागि नयाँ जनरेटिभ मोडेल प्रस्तुत गर्दछौं जसमा अर्थिक (शब्दकोष निर्भरता) र वाक्य रचना संरचनाहरूलाई अलग-अलग मोडेलहरूसँग स्कोर गरिन्छ। यो कारककरणले वैचारिक सरलता प्रदान गर्दछ, घटक मोडेलहरूलाई छुट्टै सुधार गर्नका लागि सीधा अवसरहरू, र समान, गैर-फ्याक्टर मोडेलहरूको प्रदर्शनको स्तर पहिले नै नजिक छ। सबैभन्दा महत्त्वपूर्ण कुरा, अन्य आधुनिक पार्सि models मोडेलहरूको विपरीत, कारक मोडेलले अत्यधिक प्रभावकारी पार्सि algorithm एल्गोरिथ्म प्रदान गर्दछ, जसले दक्ष, सही inference सम्भव बनाउँदछ। |
8f76334bd276a2b92bd79203774f292318f42dc6 | यो कागज एक L-आकारको जांच द्वारा संचालित एक गोलाकार सींग एन्टेना संग व्यवहार गर्दछ। 50 ओमेगा कोएक्सियल केबलसँग मिल्दो ब्रडब्यान्डको लागि डिजाइन प्रक्रिया, र अक्षीय अनुपात र लाभमा एन्टेना प्रदर्शन प्रस्तुत गरिएको छ। यस कागजको सिमुलेशन परिणामहरू Ansoft HFSS 9.2 प्रयोग गरेर प्राप्त गरियो |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | परम्परागत दृष्टिकोणहरू भन्दा फरक जुन नेटवर्क स्तरमा क्वान्टिजेसनमा केन्द्रित हुन्छ, यस कार्यमा हामी टेन्सर स्तरमा क्वान्टिजेसन प्रभावलाई कम गर्न प्रस्ताव गर्दछौं। हामी कम परिशुद्धता नेटवर्कमा क्वांटिजेसन शोर र क्लिपिंग विकृति बीचको व्यापार-अफको विश्लेषण गर्दछौं। हामी विभिन्न टेन्सरहरूको तथ्याङ्कहरू पहिचान गर्छौं, र क्लिपिंगको कारण औसत-वर्ग-त्रुटि गिरावटको लागि सटीक अभिव्यक्तिहरू प्राप्त गर्दछौं। यी अभिव्यक्तिहरूलाई अनुकूलन गरेर, हामी मानक क्वांटिजेसन योजनाहरूमा उल्लेखनीय सुधारहरू देखाउँदछौं जुन सामान्यतया क्लिपिंगबाट बच्दछ। उदाहरणका लागि, केवल सही क्लिपिंग मानहरू छनौट गरेर, VGG16-BN को क्वांटिजको लागि ४-बिटको शुद्धतामा ४०% भन्दा बढी शुद्धता सुधार प्राप्त हुन्छ। हाम्रो नतिजाको न्युरोन नेटवर्कको क्वांटिजेसनका लागि प्रशिक्षण र अनुमान समय दुवैमा धेरै अनुप्रयोगहरू छन्। एक तत्काल अनुप्रयोग समय खपत गर्ने ठीक ट्युनिंग वा पूर्ण डाटासेटको उपलब्धता बिना कम सटीक त्वरकहरूमा न्यूरल नेटवर्कहरूको द्रुत तैनातीको लागि हो। |
1bde4205a9f1395390c451a37f9014c8bea32a8a | रोबोटले हेरफेर र नेभिगेसनका लागि रेन्ज इमेजमा खोजिएका वस्तुहरूको पहिचान र स्थान निर्धारणले महत्त्वपूर्ण भूमिका खेल्छ। यद्यपि यसको निरन्तर अध्ययन गरिएको छ, तर यो अझै पनि अवरुद्ध र अव्यवस्थित दृश्यहरूको लागि चुनौतीपूर्ण कार्य हो। |
242caa8e04b73f56a8d4adae36028cc176364540 | हामी मतदानमा आधारित पोज अनुमान एल्गोरिथ्म प्रस्ताव गर्छौं जुन ३ डी सेन्सरमा लागू हुन्छ, जुन धेरै रोबोटिक्स, कम्प्युटर भिजन, र गेमिङ अनुप्रयोगहरूमा द्रुत गतिमा २ डी समकक्षहरूलाई प्रतिस्थापन गर्दैछ। हालै यो देखाइएको थियो कि अभिमुखीकृत ३ डी बिन्दुहरूको एक जोडी, जुन सामान्यसँग वस्तुको सतहमा बिन्दुहरू हुन्, मतदान ढाँचामा छिटो र बलियो पोज अनुमान गर्न सक्षम गर्दछ। यद्यपि अभिमुखीकृत सतह बिन्दुहरू पर्याप्त वक्रता परिवर्तनका साथ वस्तुहरूको लागि भेदभावपूर्ण छन्, तिनीहरू धेरै औद्योगिक र वास्तविक-विश्व वस्तुहरूको लागि पर्याप्त कम्प्याक्ट र भेदभावपूर्ण छैनन् जुन प्रायः समतल छन्। किनाराहरूले २ डी रेजिष्ट्रेसनमा प्रमुख भूमिका खेल्दछन्, गहिराई विच्छेदहरू 3 डीमा महत्वपूर्ण छन्। यस लेखमा, हामी अनुसन्धान र विकास गर्छौं एक परिवारको अनुमानित एल्गोरिदमहरू जसले यो सीमा जानकारीको राम्रो शोषण गर्दछ। अभिमुख सतह बिन्दुहरूको अतिरिक्त, हामी दुई अन्य आदिमहरू प्रयोग गर्छौं: दिशाहरू र सीमा रेखा खण्डहरू सहित सीमा बिन्दुहरू। हाम्रा प्रयोगहरूले देखाउँछ कि यी सावधानीपूर्वक चयन गरिएका आदिमहरू अधिक जानकारीलाई कम्प्याक्ट रूपमा एन्कोड गर्छन् र यसैले औद्योगिक भागहरूको विस्तृत वर्गको लागि उच्च शुद्धता प्रदान गर्दछ र छिटो गणना सक्षम गर्दछ। हामी प्रस्तावित एल्गोरिथ्म र थ्रीडी सेन्सर प्रयोग गरी व्यावहारिक रोबोटिक डिन-पिकिङ सिस्टम प्रदर्शन गर्नेछौं। |
5df318e4aac5313124571ecc7e186cba9e84a264 | आधिकारिक मोबाइल एप बजारमा बारम्बार हुने मालवेयर आक्रमणको बढ्दो संख्याले अन्त प्रयोगकर्ताको व्यक्तिगत तथा संवेदनशील जानकारीको गोपनीयता र गोपनीयतामा उच्च सुरक्षा खतरा उत्पन्न गरेको छ। सुरक्षा अनुसन्धानकर्ता/इन्जिनियरहरूको लागि शैक्षिक तथा औद्योगिक क्षेत्रका लागि अन्तिम प्रयोगकर्ताका उपकरणहरूलाई प्रतिकूल अनुप्रयोगहरूको शिकार हुनबाट बचाउनु एउटा प्राविधिक तथा अनुसन्धान चुनौती हो। एप बजारमा सुरक्षा अभ्यास र विश्लेषण जाँचको बावजूद, मालवेयरले सुरक्षा प्रणालीलाई छेक्छ र प्रयोगकर्ताका उपकरणहरूलाई संक्रमित गर्दछ। मालवेयरको विकासले यसलाई परिष्कृत र गतिशील परिवर्तनशील सफ्टवेयर बनाएको छ जुन सामान्यतया वैध अनुप्रयोगहरूको रूपमा लुकाइएको छ। अत्यधिक उन्नत लुकाउने प्रविधिहरूको प्रयोग, जस्तै एन्क्रिप्टेड कोड, ओफस्केसन र गतिशील कोड अपडेटहरू, आदि, उपन्यास मालवेयरमा पाइने सामान्य अभ्यासहरू हुन्। गतिशील कोड अपडेटको भ्रामक प्रयोगको साथ, एक मालवेयरले राम्रो अनुप्रयोगको रूपमा नाटक गर्दछ विश्लेषण जाँचलाई बाइपास गर्दछ र प्रयोगकर्ताको उपकरणमा स्थापना भएपछि मात्र यसको दुर्भावनापूर्ण कार्यक्षमता प्रकट गर्दछ। यस शोधपत्रले एन्ड्रोइड एपहरूमा गतिशील कोड अपडेटको प्रयोग र प्रयोगको तरिकामा विस्तृत अध्ययन प्रदान गर्दछ। यसको अतिरिक्त, हामी हाइब्रिड विश्लेषण दृष्टिकोण, StaDART, प्रस्ताव गर्छौं जसले गतिशील कोड अपडेटको उपस्थितिमा अनुप्रयोगहरूको विश्लेषण गर्न स्थिर विश्लेषण प्रविधिको निहित कमजोरीहरू कभर गर्न स्थिर र गतिशील विश्लेषणलाई जोड दिन्छ। वास्तविक संसारका अनुप्रयोगहरूमा हाम्रो मूल्यांकनको नतिजाले स्टेडार्टको प्रभावकारितालाई प्रदर्शन गर्दछ। तथापि, सामान्यतया गतिशील विश्लेषण, र हाइब्रिड विश्लेषण पनि त्यस विषयमा, अनुप्रयोगको व्यवहारलाई उत्तेजित गर्ने समस्या ल्याउँछ जुन स्वचालित विश्लेषण उपकरणहरूको लागि गैर-तर्जुमी चुनौती हो। यस उद्देश्यका लागि, हामी एक पछाडि स्लाइसिङ आधारित लक्षित इन्टर कम्पोनेन्ट कोड पथ कार्यान्वयन प्रविधि, TeICC प्रस्ताव गर्दछौं। TeICC ले एपमा लक्षित बिन्दुबाट सुरू गरेर कोड पथहरू निकाल्न पछाडि स्लाइसिङ मेकानिसमको लाभ उठाउँछ। यसले प्रणाली निर्भरता ग्राफको प्रयोग गर्दछ जुन कोड पथहरू निकाल्नको लागि जुन इन्टर कम्पोनेन्ट कम्युनिकेशन समावेश गर्दछ। निकालेको कोड पथहरू त्यसपछि उपकरण र अनुप्रयोग सन्दर्भ भित्र संवेदनशील गतिशील व्यवहार कब्जा गर्न, गतिशील कोड अपडेट र ओफसकेसन समाधान गर्न कार्यान्वयन गरिन्छ। हाम्रो मूल्यांकनले देखाउँछ कि TeICC लाई प्रभावकारी रूपमा अनावश्यक एन्ड्रोइड अनुप्रयोगहरूमा अन्तर्-घटक कोड पथहरूको लक्षित कार्यान्वयनको लागि प्रयोग गर्न सकिन्छ। साथै, अझै पनि विरोधीहरूले प्रयोगकर्ता उपकरणहरू पुग्न को संभावना बाहिर छैन, हामी एक फोन एपीआई हुकिंग प्रस्ताव |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | यस लेखमा, हामी जटिल संसारमा कार्य गर्न सिक्न सक्ने एजेन्टहरू विकास गर्ने लक्ष्यतर्फ काम गरिरहेका छौं। हामी एक सम्भावनावादी, सम्बन्धात्मक योजना नियम प्रतिनिधित्व विकास गर्छौं जसले कम्प्याक्ट मोडेलहरू हल्ला, गैर-निर्णयवादी कार्य प्रभावहरू, र देखाउँदछ कि कसरी त्यस्ता नियमहरू प्रभावकारी रूपमा सिक्न सकिन्छ। सरल योजना डोमेन र यथार्थवादी भौतिक संग एक 3D अनुकरण ब्लक संसारमा प्रयोग मार्फत, हामी यो सिक्ने एल्गोरिथ्म एजेन्ट प्रभावकारी संसार गतिशीलता मोडेल गर्न अनुमति दिन्छ भनेर देखाउँछौं। |
55c769b5829ca88ba940e0050497f4956c233445 | दृश्य ओडोमेट्रिक गहिराई जानकारी द्वारा बढाउन सकिन्छ जस्तै आरजीबी-डी क्यामेराहरू द्वारा प्रदान गरिएको, वा क्यामेरासँग सम्बन्धित लिडारहरूबाट। तर, यस्तो गहिराई जानकारी सेन्सरहरूद्वारा सीमित गर्न सकिन्छ, जसले गर्दा दृश्य छविहरूमा ठूला क्षेत्रहरू बाँकी रहन्छन् जहाँ गहिराई उपलब्ध हुँदैन। यहाँ हामी क्यामेराको गति पुनः प्राप्ति गर्नको लागि उपलब्ध नभए पनि गहिराईको उपयोग गर्ने एउटा विधि प्रस्ताव गर्दछौं। यसको अतिरिक्त, विधिले पहिले अनुमानित गति प्रयोग गरी गतिबाट संरचना द्वारा गहिराई प्रयोग गर्दछ, र प्रमुख दृश्य सुविधाहरू जसको लागि गहिराई उपलब्ध छैन। यसैले, यो विधिले आरजीबीडी भिजुअल ओडोमेट्रिकलाई ठूलो मात्रामा विस्तार गर्न सक्दछ, खुला वातावरण जहाँ गहिराई प्रायः पर्याप्त प्राप्त गर्न सकिदैन। हाम्रो विधिको मूल एउटा बण्डल समायोजन चरण हो जसले ब्याच अप्टिमाइजेसनमा छविहरूको अनुक्रमलाई प्रशोधन गरेर गति अनुमानहरूलाई समानांतरमा परिष्कृत गर्दछ। हामीले हाम्रो विधिलाई तीनवटा सेन्सर सेटअपमा मूल्यांकन गरेका छौं, एउटामा आरजीबी-डी क्यामेरा प्रयोग गरिएको छ, र दुईमा क्यामेरा र थ्रीडी लिडरको संयोजन प्रयोग गरिएको छ। हाम्रो विधिलाई KITTI ओडोमेट्रिक बेन्चमार्कमा # 4 रेट गरिएको छ जुन सेन्सिङ मोडलिटीको तुलनामा स्टेरियो भिजुअल ओडोमेट्रिक विधिहरूसँग तुलना गरिएको छ जुन त्रिकोण द्वारा गहिराई पुनः प्राप्त गर्दछ। परिणामी औसत स्थिति त्रुटि यात्राको दूरीको १.१%% हो। |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | शैक्षिक डाटा माइनिङको माध्यमबाट विभिन्न शैक्षिक उन्मुख समस्याहरूको समाधान गरिन्छ, जुन डाटा माइनिङको सबैभन्दा प्रचलित अनुप्रयोग हो। यस लेखको एउटा महत्त्वपूर्ण लक्ष्य ईडीएममा हालसम्म भएका कामहरूको अध्ययन गर्नु र उनीहरूको गुण र कमजोरीहरूको विश्लेषण गर्नु हो। यस कागजातले सर्वेक्षण गरिएका लेखहरूमा लागू गरिएका विभिन्न डाटा माइनिङ अभ्यास र प्रविधिहरूको संचयी परिणामहरूलाई पनि प्रकाश पार्छ र यसैले अनुसन्धानकर्ताहरूलाई ईडीएमको भविष्यका दिशाहरूमा सुझाव दिन्छ। यसको अतिरिक्त, भविष्यमा अनुसन्धानका लागि सबैभन्दा विश्वसनीय एल्गोरिदमहरू अवलोकन गर्न केही वर्गीकरण र क्लस्टरिंग एल्गोरिदमहरूको मूल्यांकन गर्न एउटा प्रयोग पनि गरिएको थियो। |
197a7fc2f8d57d93727b348851b59b34ce990afd | एसआरआईएलएम सी++ लाइब्रेरी, निष्पादन योग्य कार्यक्रम र सहायक स्क्रिप्टहरूको संग्रह हो जुन भाषण पहिचान र अन्य अनुप्रयोगहरूको लागि सांख्यिकीय भाषा मोडेलहरूको उत्पादन र प्रयोग दुवैलाई अनुमति दिन डिजाइन गरिएको हो। एसआरआईएलएम गैर-व्यावसायिक उद्देश्यका लागि निःशुल्क उपलब्ध छ। यो उपकरणले एन-ग्राम तथ्याङ्कमा आधारित विभिन्न प्रकारका भाषा मोडेलको निर्माण र मूल्यांकनका साथै एन-सर्वोत्कृष्ट सूची र शब्द जालीहरूको सांख्यिकीय ट्यागिंग र हेरफेर जस्ता धेरै सम्बन्धित कार्यहरू समर्थन गर्दछ। यस कागजातले टूलकिटको कार्यक्षमताको सारांश दिन्छ र यसको डिजाइन र कार्यान्वयनको बारेमा छलफल गर्दछ, द्रुत प्रोटोटाइपको सहजता, पुनः प्रयोगयोग्यता, र उपकरणहरूको संयोजनलाई जोड दिँदै। |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | सांख्यिकीय भाषा मोडेलहरूले भाषण पहिचान र अन्य भाषा प्रविधिहरूको उद्देश्यका लागि विभिन्न प्राकृतिक भाषा घटनाहरूको वितरणको अनुमान गर्दछ। सन् १९८० मा पहिलो महत्वपूर्ण मोडेल प्रस्तावित भएदेखि, प्रविधिको स्थिति सुधार गर्न धेरै प्रयासहरू गरिएका छन्। हामी तिनीहरूको समीक्षा गर्छौं, केही आशाजनक दिशाहरू औंल्याउँछौं, र डाटाको साथ भाषिक सिद्धान्तहरूको एकीकरणको लागि बेयसियन दृष्टिकोणको लागि तर्क गर्छौं। |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | सीएमयू स्ट्याटिस्टिकल भाषा मोडलिङ टूलकिट बिग्राम र ट्राइग्राम भाषा मोडेलहरूको निर्माण र परीक्षणलाई सजिलो बनाउनका लागि सन् १९८० मा पुनः भाडामा लिइएको थियो। यो हाल २०० भन्दा बढी देशहरूमा शैक्षिक, सरकारी र औद्योगिक प्रयोगशालाहरूमा प्रयोगमा छ। यस कागजातले टूलकिटको नयाँ संस्करण प्रस्तुत गर्दछ। हामी टूलकिटमा लागू गरिएको परम्परागत भाषा मोडलिङ टेक्नोलोजीको रूपरेखा दिन्छौं र यस कार्यका लागि अघिल्लो सफ्टवेयरको तुलनामा नयाँ टूलकिटले प्रदान गर्ने अतिरिक्त क्षमता र कार्यक्षमताको वर्णन गर्दछौं। अन्तमा हामी एउटा सरल भाषा मोडेल निर्माण र परीक्षणमा टूलकिटको प्रयोगको बारेमा छलफल गर्नेछौं। |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | हामी सिलिकनले भरिएको एकीकृत वेव गाइडको निर्माणको लागि एक प्रविधि प्रस्तुत गर्दछौं जसले कम-हानि उच्च-प्रदर्शन मिलिमिटर-वेव निष्क्रिय कम्पोनेन्टहरू र उच्च लाभ एरे एन्टेनाको प्राप्तिलाई सक्षम गर्दछ, जसले अत्यधिक एकीकृत मिलिमिटर-वेव प्रणालीहरूको प्राप्तिलाई सजिलो बनाउँदछ। प्रस्तावित प्रविधिमा एल्युमिनियम धातुकरण चरणहरूसँग गहिरो प्रतिक्रियाशील-आयन-एचिंग (डीआरआईई) प्रविधिहरू प्रयोग गरिन्छ जसले उच्च ज्यामितीय सटीकता र निरन्तर धातुको छेउको भित्ताहरूसँग आयताकार वेभगाइडहरू एकीकृत गर्दछ। एकीकृत आयताकार वेभगाइडको मापन परिणामहरू ०.१५ डीबी/ एलजी १०५ गीगाहर्ट्जमा देखाइएको रिपोर्ट गरिएको छ। यसबाहेक, अल्ट्रा-वाइडब्यान्ड कोप्लेनार वेव गाइडमा संक्रमणहरू ०.६ डीबी इन्सेर्सन घाटा १०५ गीगाहर्ट्जमा र रिटर्न घाटा १ 15 डीबी भन्दा राम्रो 80 देखि ११० गीगाहर्ट्जमा वर्णन र विशेषता गरिएको छ। २३ गीगाहर्ज ब्यान्ड भित्र ८२ डिग्रीको बीम स्टीयरिंग क्षमता र ९६ गीगाहर्जमा ८.५ डिग्रीको आधा पावर बीम-विड्थ (एचपीबीडब्लु) प्राप्त गर्ने फ्रिक्वेन्सी स्क्यान स्लटड वेव गाइड एरे एन्टेनाको डिजाइन, एकीकरण र मापन गरिएको प्रदर्शनको रिपोर्ट गरिएको छ। अन्तमा, कम लागतको एमएम-वेभ प्रणाली स्तर एकीकरणलाई सुविधाजनक बनाउन यस प्रविधिको क्षमता प्रदर्शन गर्न, इमेजिंग राडार अनुप्रयोगहरूको लागि फ्रिक्वेन्सी मोडुलेटेड निरन्तर तरंग (एफएमसीडब्ल्यू) प्रसारण-रिसीभ आईसी फ्लिप-चिप सिधा एकीकृत एर्रेमा माउन्ट गरिएको छ र प्रयोगात्मक रूपमा विशेषता हो। |
31864e13a9b3473ebb07b4f991f0ae3363517244 | यस कागजातले किनारा पत्ता लगाउनको लागि कम्प्युटेशनल दृष्टिकोण वर्णन गर्दछ। दृष्टिकोणको सफलता किनारा बिन्दुहरूको गणनाको लागि लक्ष्यहरूको एक व्यापक सेटको परिभाषामा निर्भर गर्दछ। यी लक्ष्यहरू समाधानको रूपको बारेमा न्यूनतम धारणा बनाउँदा डिटेक्टरको इच्छित व्यवहारलाई सीमित गर्न पर्याप्त सटीक हुनुपर्दछ। हामी किनारहरूको वर्गको लागि पत्ता लगाउने र स्थानीयकरण मापदण्ड परिभाषित गर्दछौं, र यी मापदण्डहरूको लागि गणितीय रूपहरू प्रस्तुत गर्दछौं अपरेटर आवेग प्रतिक्रियामा कार्यात्मकको रूपमा। त्यसपछि तेस्रो मापदण्ड थपिएको छ कि सुनिश्चित गर्न को लागी कि डिटेक्टर को एक किनारा को लागी केवल एक प्रतिक्रिया छ। हामी संख्यात्मक अनुकूलन मा मापदण्ड प्रयोग धेरै साधारण छवि सुविधाहरु को लागी डिटेक्टरहरु लाई व्युत्पन्न गर्न को लागी, चरण किनारहरु सहित। विश्लेषणलाई चरण किनारहरूमा विशेषज्ञता दिंदा, हामी पत्ता लगाउँछौं कि पत्ता लगाउने र स्थानीयकरण प्रदर्शनको बीचमा प्राकृतिक अनिश्चितता सिद्धान्त छ, जुन दुई मुख्य लक्ष्यहरू हुन्। यस सिद्धान्तको साथ हामी एकल अपरेटर आकार प्राप्त गर्छौं जुन कुनै पनि मापनमा इष्टतम हुन्छ। इष्टतम डिटेक्टरको साधारण अनुमानित कार्यान्वयन छ जसमा किनारहरू ग्यासियन-सुचारु छविको ग्रेडियन्ट परिमाणमा अधिकतममा चिन्ह लगाइन्छ। हामीले यो साधारण डिटेक्टरलाई विस्तार गर्यौं धेरै चौडाइका अपरेटरहरू प्रयोग गरेर छविमा विभिन्न संकेत-देखि-आवाज अनुपातहरूको सामना गर्न। हामी एक सामान्य विधि प्रस्तुत गर्दछौं, विशेषता संश्लेषण भनिन्छ, विभिन्न मापनमा अपरेटरहरूबाट जानकारीको राम्रो-देखि-खराब एकीकरणको लागि। अन्तमा हामी देखाउँछौं कि चरण किनारा डिटेक्टर प्रदर्शन धेरै सुधार हुन्छ जब अपरेटर पोइन्ट स्प्रेड प्रकार्य किनारमा विस्तार हुन्छ। |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | अनुहारहरू जटिल, बहुआयामिक, अर्थपूर्ण दृश्य उत्तेजनाहरू प्रतिनिधित्व गर्दछन् र अनुहार पहिचानको लागि कम्प्यूटेशनल मोडेल विकास गर्न गाह्रो छ []]। हामी हाइब्रिड न्युरल नेटवर्क समाधान प्रस्तुत गर्दछौं जुन अन्य विधिहरूसँग तुलनात्मक रूपमा तुलना गर्दछ। यो प्रणालीले स्थानीय छवि नमूना, एक स्व-संगठित नक्सा न्यूरल नेटवर्क, र एक कन्भोल्युसनल न्यूरल नेटवर्क संयोजन गर्दछ। स्व-संगठित नक्शाले छवि नमूनाहरूको एक टोपोलोजिकल स्पेसमा क्वांटिजेसन प्रदान गर्दछ जहाँ मूल स्थानमा नजिकका इनपुटहरू आउटपुट स्पेसमा पनि नजिकै हुन्छन्, जसले गर्दा छवि नमूनामा साना परिवर्तनहरूलाई आयामगत रेडक्शन र इन्भेरियन्स प्रदान गर्दछ, र कन्भोल्युसनल न्यूरल नेटवर्कले अनुवाद, रोटेशन, स्केल, र विकृतिमा आंशिक इन्भेरियन्स प्रदान गर्दछ। कन्भोल्युसनल नेट वर्कले तहहरूको पदानुक्रमिक सेटमा क्रमिक रूपमा ठूला सुविधाहरू निकाल्छ। हामी Karhunen-Loève परिवर्तनको प्रयोग गरेर परिणाम प्रस्तुत गर्दछौं आत्म-संगठित नक्शाको ठाउँमा, र एक बहु-तहको पेर्सेप्ट्रोनको सट्टा कन्भ्युसनल नेटवर्कको ठाउँमा। कार्हुनेन-लोएभ ट्रान्सफर्मले लगभग राम्रो प्रदर्शन गर्दछ (५.३% त्रुटि बनाम ३.८%) । बहु-तहको पर्सेप्ट्रोनले धेरै खराब प्रदर्शन गर्दछ (%०% त्रुटि बनाम 3.8%) । यो विधिले द्रुत वर्गीकरण गर्न सक्षम छ, केवल द्रुत, अनुमानित सामान्यीकरण र पूर्व-प्रक्रियाको आवश्यकता छ, र लगातार डाटाबेसमा ईजेनफेस दृष्टिकोण [42] भन्दा राम्रो वर्गीकरण प्रदर्शन प्रदर्शन गर्दछ। प्रति व्यक्ति ५ छविहरूको साथमा प्रस्तावित विधि र eigenfaces क्रमशः 3.8% र 10.5% त्रुटिमा परिणाम दिन्छ। पहिचानकर्ताले यसको आउटपुटमा विश्वासको मापन प्रदान गर्दछ र वर्गीकरण त्रुटि शून्यको नजिक आउँछ जब १०% उदाहरणहरू मात्र अस्वीकार गर्दछ। हामी ४० जना व्यक्तिको ४०० तस्बिरको डेटाबेस प्रयोग गर्छौं जसमा व्यक्तिको अभिव्यक्ति, मुद्रा र अनुहारको विवरणमा धेरै भिन्नता पाइन्छ। हामी कम्प्युटिशनल जटिलताको विश्लेषण गर्छौं र नयाँ वर्गहरू कसरी प्रशिक्षित पहिचानकर्तामा थप्न सकिन्छ भन्ने बारेमा छलफल गर्छौं। |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | शिफ्ट रेजिस्टर एक प्रकारको अनुक्रमिक तर्क सर्किट हो जुन प्रायः डिजिटल डाटा भण्डारण गर्न वा प्रणालीको सुरक्षा सुधार गर्न रेडियो फ्रिक्वेन्सी पहिचान (आरएफआईडी) अनुप्रयोगहरूमा बाइनरी नम्बरको रूपमा डाटाको स्थानान्तरणको लागि प्रयोग गरिन्छ। यस लेखमा एक नयाँ फ्लिप-फ्लप प्रयोग गरी एक ऊर्जा-कुशल पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि पछाडि प्रस्तावित फ्लिप फ्लपमा उच्च प्रदर्शन र कम उर्जाको विशेषता छ। यो पाँच ट्रान्जिस्टरहरूद्वारा लागू गरिएको नमूना सर्किट, उचाइ र गिरावट मार्गहरूको लागि सी-तत्व, र एक रक्षक चरणबाट बनेको छ। चार घडी ट्रांजिस्टरहरू सँगसँगै एक संक्रमण अवस्था प्रविधिको साथ कार्यान्वयन गरेर गति बढाइएको छ। सिमुलेसनको परिणामले पुष्टि गर्दछ कि प्रस्तावित टोपोलोजीले क्रमशः २२ μm2 चिप क्षेत्र कभर गर्ने समानान्तरमा समानान्तर आउट (पीआईपीओ) र सिरियलमा सिरियल आउट (एसआईएसओ) शिफ्ट रेजिस्टरको लागि 30.1997 र 22.7071 एनडब्ल्यूको सबैभन्दा कम मात्रामा शक्ति खपत गर्दछ। समग्र डिजाइन केवल १६ ट्रान्जिस्टरहरू समावेश गर्दछ र १.२ भोल्टको पावर सप्लाईको साथ १ 130० एनएम पूरक-मेटल-अक्साइड-सेमीकन्डक्टर (सीएमओएस) टेक्नोलोजीमा सिमुलेटेड छ। |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | वायु सेना अनुसन्धान प्रयोगशालाले दुईवटा मस्तिष्क-कम्प्युटर इन्टरफेस (बीसीआई) को कार्यान्वयन र मूल्यांकन गरेको छ जसले स्थिर-राज्यको दृश्य प्रतिक्रियालाई भौतिक उपकरण वा कम्प्युटर प्रोग्राम सञ्चालन गर्न नियन्त्रण संकेतमा अनुवाद गर्दछ। एक दृष्टिकोणमा, अपरेटरहरूले मस्तिष्क प्रतिक्रियालाई स्व-नियन्त्रण गर्छन्; अर्को दृष्टिकोणले बहु-उत्प्रेरित प्रतिक्रियाहरू प्रयोग गर्दछ। |
8a65dc637d39c14323dccd5cbcc08eed2553880e | यस लेखमा दक्षिण अफ्रिकामा जिल्ला व्यवस्थापनलाई सहयोग पुर्याउन स्वास्थ्य सूचना प्रणाली विकास गर्न जारी कार्य अनुसन्धान परियोजनाको प्रारम्भिक अवधि (१९९४-२००१) को वर्णन गरिएको छ। दक्षिण अफ्रिकामा स्वास्थ्य क्षेत्रको पुनर्निर्माण, स्वास्थ्य सेवा वितरणमा समानता र स्वास्थ्य जिल्लामा आधारित विकेन्द्रीकृत संरचनाको निर्माणको लागि प्रयास गर्दै। सूचना प्रणाली (आईएस) विकासको सन्दर्भमा, यो सुधार प्रक्रियाले स्वास्थ्य डेटाको मानकीकरणमा अनुवाद गर्दछ जुन नयाँ दक्षिण अफ्रिकाको लक्ष्यहरू लेखिएको छ स्थानीय नियन्त्रण र सूचना ह्यान्डलिंगको एकीकरण बढाउँदै। हामी कार्य अनुसन्धानमा हाम्रो दृष्टिकोण वर्णन गर्छौं र केस सामग्रीको विश्लेषणमा अभिनेता-नेटवर्क र संरचनात्मक सिद्धान्तहरूबाट अवधारणाहरू प्रयोग गर्दछौं। आईएस विकासको विस्तृत विवरण र विश्लेषणमा हामी मानक र स्थानीय लचिलोपन (स्थानीयकरण) को सन्तुलनको आवश्यकतामा ध्यान केन्द्रित गर्दछौं; मानकलाई विभिन्न प्रकारका अभिनेताहरूको सरणीको तलबाट माथि पङ्क्तिबद्धको रूपमा हेरिएको छ। सूचना प्रणालीको सामाजिक प्रणाली मोडेलमा आधारित, हामी आईएस डिजाइन रणनीतिलाई विकसित र प्रयोग गर्ने प्रक्रियाको खेतीको रूपमा अवधारणा बनाउँछौं जसमा यी अभिनेताहरू अनुवाद र उनीहरूको रुचिहरू पign्क्तिबद्ध गर्दैछन्। हामी वैश्विक र स्थानीय डाटासेटको मोड्युलर पदानुक्रमको विकास गर्छौं जसको भित्र मानकीकरण र स्थानीयकरण बीचको तनावलाई बुझ्न र सम्बोधन गर्न सकिन्छ। अन्तमा, हामी अनुसन्धानको परिणाम अन्य देशहरूमा सम्भव सान्दर्भिकता छलफल। |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | र्यान्डम फरेस्ट एक कम्प्युटिङ कुशल प्रविधि हो जसले ठूलो डाटासेटमा छिटो काम गर्न सक्छ। यसको प्रयोग हालैका धेरै अनुसन्धान परियोजनाहरूमा र विभिन्न क्षेत्रमा वास्तविक-विश्व अनुप्रयोगहरूमा गरिएको छ। तर, सम्बन्धित साहित्यले र्यान्डम फोरेस्ट बनाउन कतिवटा रुख प्रयोग गर्नुपर्छ भन्नेबारेमा कुनै निर्देशन दिएको छैन। यहाँ रिपोर्ट गरिएको अनुसन्धानले विश्लेषण गर्दछ कि त्यहाँ एक र्यान्डम वन भित्र रूखहरूको इष्टतम संख्या छ कि छैन, अर्थात्, एउटा थ्रेसहोल्ड जुन रूखहरूको संख्या बढाउँदा कुनै महत्त्वपूर्ण प्रदर्शन लाभ ल्याउँदैन, र केवल कम्प्युटेशनल लागत बढाउनेछ। हाम्रो मुख्य निष्कर्षहरू यस प्रकार छन्: जति धेरै रूखहरू बढ्छन्, यसको अर्थ यो होइन कि पहिलेको वनको तुलनामा वनको प्रदर्शन राम्रो छ (कम रूखहरू), र रूखहरूको संख्या दोब्बर पार्नु बेकार हो। यो पनि सम्भव छ कि त्यहाँ एक सीमा छ जुन भन्दा माथि कुनै महत्त्वपूर्ण लाभ छैन, जबसम्म विशाल कम्प्युटेशनल वातावरण उपलब्ध छैन। यसको अतिरिक्त, कुनै पनि वनमा रूखहरूको संख्या दोब्बर गर्दा AUC लाभको लागि एक प्रयोगात्मक सम्बन्ध फेला पर्यो। यसबाहेक, रूखहरूको संख्या बढ्दै जाँदा, गुणहरूको पूर्ण सेट अनियमित वन भित्र प्रयोग गरिन्छ, जुन बायोमेडिकल डोमेनमा रोचक नहुन सक्छ। यसबाहेक, डाटासेटहरू यहाँ प्रस्तावित घनत्व-आधारित मेट्रिक्सले निर्णय रूखहरूमा वीसी आयामका केही पक्षहरू कब्जा गर्न सक्छ र कम घनत्व डाटासेटलाई ठूलो क्षमताको मेशिनको आवश्यकता पर्न सक्छ जबकि यसको विपरित पनि सत्य देखिन्छ। |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | हालैका वर्षहरूमा प्रविधिको विकासले साना सेन्सर नोडहरूलाई इन्टरनेटको बाँकी भागसँग ताररहित रूपमा सञ्चार गर्न सम्भव बनाएको छ। यस उपलब्धि संग यस्तो आईपी सक्षम वायरलेस सेन्सर नेटवर्क (आईपी-डब्ल्यूएसएन) को सुरक्षा को प्रश्न देखा पर्यो र त्यस पछि देखि एक महत्वपूर्ण अनुसन्धान विषय भएको छ। यस शोधपत्रमा हामी कन्टीकी अपरेटिङ सिस्टमका लागि पूर्व साझा कुञ्जी सिफर सुइट (टीएलएस पीएसके एईएस १२८ सीसीएम ८) को प्रयोग गरेर टीएलएस र डीटीएलएस प्रोटोकलको कार्यान्वयनको बारेमा चर्चा गर्नेछौं। कन्टीकी ओएसद्वारा समर्थित प्रोटोकलहरूको सेटमा नयाँ प्रोटोकल थप्नका साथै, यो परियोजनाले हामीलाई आईपी-डब्लुएसएनहरूको लागि यातायात-स्तर सुरक्षा र पूर्व-साझा कुञ्जी व्यवस्थापन योजनाहरू कत्तिको उपयुक्त छन् भनेर मूल्याङ्कन गर्न अनुमति दिन्छ। |
0ab99aa04e3a8340a7552355fb547374a5604b24 | धेरै नैदानिक कार्यहरूमा असामान्यताहरू पत्ता लगाउन र समयसँगै मापन र परिवर्तनहरू मात्रात्मक गर्न प्रारम्भिक खोजी प्रक्रिया आवश्यक हुन्छ। कम्प्युटरमा आधारित उपकरणहरू, विशेष गरी छवि विश्लेषण र मेशिन लर्निंग, निदान सुधार गर्नका लागि महत्वपूर्ण कारक हुन्, उपचार आवश्यक पर्ने निष्कर्षहरूको पहिचान गर्न र विशेषज्ञको कार्यप्रवाहलाई समर्थन गर्न। यी उपकरणहरूमध्ये गहन शिक्षा द्रुत रूपमा अत्याधुनिक आधार साबित हुँदैछ, जसले सुधारिएको शुद्धतामा पुर्याउँछ। यसले डाटा विश्लेषणमा पनि नयाँ सीमाहरू खोलेको छ जुन पहिले कहिल्यै अनुभव गरिएको थिएन। D ईईपी सिक्ने सामान्य डाटा विश्लेषण मा एक बढ्दो प्रवृत्ति हो र २०१३ को १० सफलता टेक्नोलोजीहरु मध्ये एक भनिन्छ [1]। गहिरो शिक्षा कृत्रिम न्यूरल नेटवर्कको सुधार हो, जसमा अधिक तहहरू हुन्छन् जसले उच्च स्तरको अमूर्तता र डाटाबाट सुधारिएको भविष्यवाणीलाई अनुमति दिन्छ। हालसम्म यो सामान्य इमेजिंग र कम्प्युटर भिजन डोमेनमा अग्रणी मेशिन-लर्निंग उपकरणको रूपमा देखा पर्दैछ। विशेष गरी, कन्भोल्युसनल न्यूरल नेटवर्क (सीएनएन) कम्प्युटर भिजन कार्यहरूको विस्तृत श्रृंखलाको लागि शक्तिशाली उपकरणहरू साबित भएका छन्। डीप सीएनएनहरूले स्वचालित रूपमा कच्चा डाटा (जस्तै, छविहरू) बाट प्राप्त मध्य-स्तर र उच्च-स्तरको अमूर्तहरू सिक्छन्। हालैका परिणामहरूले सीएनएनबाट निकालेका जेनेरिक डिस्क्रिप्टरहरू प्राकृतिक छविहरूमा वस्तु पहिचान र स्थानीयकरणमा अत्यन्त प्रभावकारी छन् भन्ने संकेत गर्दछ। विश्वभरका मेडिकल इमेज एनालिसिस समूहहरू यस क्षेत्रमा छिटो प्रवेश गर्दै छन् र सीएनएनहरू र अन्य गहिरो सिकाइ विधिहरू विभिन्न प्रकारका अनुप्रयोगहरूमा लागू गर्दैछन्। आशाजनक परिणामहरू देखा पर्दैछन्। चिकित्सा इमेजिंगमा, रोगको सही निदान र / वा आकलन छवि अधिग्रहण र छवि व्याख्या दुवैमा निर्भर गर्दछ। हालैका वर्षहरूमा छवि अधिग्रहणमा उल्लेखनीय सुधार भएको छ, उपकरणहरूले डाटालाई छिटो दरमा र बढ्दो रिजोलुसनमा अधिग्रहण गर्दछ। तर, हालै मात्र कम्प्युटरले छवि व्याख्या गर्न मद्दत गर्न थालेको छ। चिकित्सा छविहरूको अधिकांश व्याख्याहरू चिकित्सकहरू द्वारा गरिन्छ; तथापि, मानव द्वारा छवि व्याख्या यसको विषयगतता, दुभाषियाहरूमा ठूलो भिन्नता, र थकानको कारण सीमित छ। |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | बिना पर्यवेक्षण छवि अनुवाद, जसको उद्देश्य छविहरूको दुई स्वतन्त्र सेटहरू अनुवाद गर्नु हो, जोडी डाटा बिना सही पत्राचार पत्ता लगाउन चुनौतीपूर्ण छ। विद्यमान कार्यहरू जेनेरेटिभ एडभर्सियल नेटवर्क (जीएएन) मा आधारित छन् जसले अनुवादित छविहरूको वितरण लक्षित सेटको वितरणबाट भिन्न हुँदैन। तथापि, यस्ता सेट-स्तरका प्रतिबन्धहरूले उदाहरण-स्तरका पत्राचारहरू (उदाहरणका लागि, वस्तु रूपान्तरण कार्यमा समन्वित अर्थिक भागहरू) । यो सीमा अक्सर गलत सकारात्मक परिणामहरू (जस्तै। ज्यामितीय वा अर्थिक कलाकृतिहरू), र थप मोड पतन समस्यामा जान्छ। माथि उल्लेखित मुद्दाहरूलाई सम्बोधन गर्न, हामी डीप एटेन्सन ग्यान (डीए-गान) द्वारा उदाहरण-स्तर छवि अनुवादको लागि एक उपन्यास फ्रेमवर्क प्रस्ताव गर्दछौं। यस्तो डिजाइनले DA-GAN लाई दुई सेटबाट नमूनाहरू अनुवाद गर्ने कार्यलाई अत्यधिक संरचित लुकेको स्थानमा अनुवाद गर्ने उदाहरणहरूमा विघटन गर्न सक्षम गर्दछ। विशेष गरी, हामी संयुक्त रूपमा गहिरो ध्यान एन्कोडर सिक्छौं, र उदाहरण-स्तर पत्राचारहरू सिकिएको उदाहरणहरूमा भाग लिने माध्यमबाट पत्ता लगाउन सकिन्छ। यसैले, सेट स्तर र उदाहरण स्तर दुवैमा प्रतिबन्धहरूको शोषण गर्न सकिन्छ। धेरै अत्याधुनिक प्रविधिको तुलनाले हाम्रो दृष्टिकोणको श्रेष्ठतालाई दर्शाउँछ, र व्यापक अनुप्रयोग क्षमता, उदाहरणका लागि, पोज मोर्फिङ, डाटा एग्ग्मेन्टमेन्ट आदि, डोमेन ट्रान्सलेसन समस्याको सीमालाई धक्का दिन्छ। |
f1526054914997591ffdb8cd523bea219ce7a26e | यस वर्षको मार्चमा, अमेरिकन स्ट्याटिस्टिकल एसोसिएसन (एएसए) ले पी-मूल्यको सही प्रयोगको बारेमा एक बयान पोस्ट गर्यो, पी-मूल्य सामान्यतया गलत प्रयोग र गलत व्याख्या गरिएको छ भन्ने बढ्दो चिन्ताको जवाफमा। हामी एएसएले दिएको चेतावनीलाई तथ्याङ्कमा गहिरो पृष्ठभूमि नभएका चिकित्सक र अनुसन्धानकर्ताहरूले सजिलै बुझ्न सक्ने भाषामा अनुवाद गर्ने लक्ष्य राख्छौं। यसबाहेक, हामी पी-मानको सीमितताहरू चित्रण गर्ने उद्देश्य राख्छौं, जब सही रूपमा प्रयोग र व्याख्या गरिएको छ, र उदाहरणको रूपमा हालसालै रिपोर्ट गरिएको दुई अध्ययनहरूको प्रयोग गरेर अध्ययन निष्कर्षहरूको क्लिनिकल प्रासंगिकतामा बढी ध्यान दिन। हामी तर्क गर्छौं कि पी-मानहरू प्रायः गलत व्याख्या गरिन्छ। एउटा सामान्य गल्ती भनेको P < 0.05 को अर्थ शून्य परिकल्पना गलत हो, र P ≥0.05 को अर्थ शून्य परिकल्पना सत्य हो। ०.०५ को पी-मानको सही व्याख्या यो हो कि यदि शून्य परिकल्पना वास्तवमै सही थियो भने, समान वा अधिक चरम परिणाम समान नमूनामा अध्ययन दोहोर्याउँदा times% पटक देखा पर्नेछ। अर्को शब्दमा, पी-मानले शून्य परिकल्पना दिइएको डेटाको सम्भावनाको बारेमा जानकारी दिन्छ र यसको विपरीत होइन। पी-मूल्यसँग सम्बन्धित एक सम्भावित विकल्प भनेको विश्वास अन्तराल (सीआई) हो। यसले प्रभावको परिमाण र त्यो प्रभावको अनुमान गरिएको अशुद्धताको बारेमा थप जानकारी प्रदान गर्दछ। तर, पी-मूल्यलाई बदल्न र वैज्ञानिक परिणामको गलत व्याख्या रोक्न कुनै जादुई उपाय छैन। वैज्ञानिकहरू र पाठकहरू समान रूपमा सांख्यिकीय परीक्षण, पी-मान र सीआई को सही, सूक्ष्म व्याख्या संग आफूलाई परिचित गर्नु पर्छ। |
50ca90bc847694a7a2d9a291f0d903a15e408481 | हामी मानव इशारा पहिचानको लागि एक सामान्य दृष्टिकोण प्रस्ताव गर्दछौं जुन बहु डेटा मोडलिटीहरूमा आधारित छ जस्तै गहिराई भिडियो, स्पष्ट पोज र भाषण। हाम्रो प्रणालीमा, प्रत्येक इशारालाई ठूलो मात्रामा शरीरको गति र स्थानीय सूक्ष्म गतिमा विघटन गरिन्छ जस्तै हातको अभिव्यक्ति। धेरै स्तरहरूमा सिक्ने विचार पनि समय आयाममा लागू हुन्छ, यस्तो कि एक इशारालाई विशेषता गति आवेगहरूको सेटको रूपमा मानिन्छ, वा गतिशील मुद्राहरू। प्रत्येक मोडलिटीलाई पहिलो छोटो स्थानिक-समय ब्लकमा छुट्टै प्रशोधन गरिन्छ, जहाँ भेदभावपूर्ण डाटा-विशिष्ट सुविधाहरू या त म्यानुअल रूपमा निकालिन्छ वा सिकेको हुन्छ। अन्तमा, हामी पुनरावर्ती न्यूरोल नेटवर्क प्रयोग गर्छौं ठूलो मात्रामा समय निर्भरता, डाटा फ्युजन र अन्ततः इशारा वर्गीकरणको मोडेलिंगका लागि। बहुआयामिक इशारा पहिचान डाटासेटमा २०१३ को चुनौतीमा हाम्रा प्रयोगहरूले देखाए कि धेरै स्थानिक र समसामयिक मापनमा बहुविध मोडलिटीहरू प्रयोग गर्दा प्रदर्शनमा उल्लेखनीय वृद्धि हुन्छ जसले मोडेललाई व्यक्तिगत वर्गीकरणकर्ताहरूको त्रुटिहरूको साथै छुट्टै च्यानलहरूमा आवाजको क्षतिपूर्ति गर्न अनुमति दिन्छ। |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | हामी सानो परिवर्तन र विकृतिमा अपरिवर्तनीय विरल सुविधा डिटेक्टरहरूको पदानुक्रम सिक्नको लागि एक अनसुर्जित विधि प्रस्तुत गर्दछौं। नतिजाको विशेषता निकाल्ने उपकरणमा बहु कन्भोल्युसन फिल्टरहरू हुन्छन्, त्यसपछि सुविधा-पूलिंग लेयर हुन्छ जसले प्रत्येक फिल्टर आउटपुटको अधिकतम गणना गर्दछ। पहिलो स्तरबाट सुविधाहरूको प्याचहरूमा समान एल्गोरिथ्मलाई प्रशिक्षण दिएर ठूलो र अधिक अपरिवर्तनीय सुविधाहरूको दोस्रो स्तर प्राप्त गरिन्छ। यी विशेषताहरूमा पर्यवेक्षित वर्गीकरणकर्तालाई प्रशिक्षण दिँदा एमएनआईएसटीमा ०.६४% त्रुटि र क्याल्टेक १०१ मा औसत मान्यता दर ५४% हुन्छ। जबकि परिणामी वास्तुकला कन्भोल्युसनल नेटवर्कहरूसँग मिल्दोजुल्दो छ, लेयर-बुद्धिमान अनसुर्जित प्रशिक्षण प्रक्रियाले अत्यधिक-पैरामिटरकरण समस्याहरूलाई कम गर्दछ जुन विशुद्ध रूपमा पर्यवेक्षित सिकाई प्रक्रियाहरूलाई सताउँछ, र धेरै थोरै लेबल गरिएको प्रशिक्षण नमूनाहरूको साथ राम्रो प्रदर्शन गर्दछ। |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | दुई उच्च दक्षता का-ब्यान्ड पावर एम्पलीफायर एमएमआईसीको डिजाइन र प्रदर्शन प्रस्तुत गरिएको छ जुन ०.१५μm GaN HEMT प्रक्रिया टेक्नोलोजी प्रयोग गर्दछ। तीन चरण सन्तुलित एम्पलीफायरको लागि मापन गरिएको इन-फिक्स्चर निरन्तर तरंग (सीडब्ल्यू) परिणामले ११ वाटको आउटपुट पावर र 30०% पावर एड्ड इफेक्टिविटी (पीएई) 30GHz मा प्रदर्शन गर्दछ। तीन चरणको एकल-अन्त डिजाइनले 6W भन्दा बढी आउटपुट पावर र 34% PAE सम्म उत्पादन गर्यो। सन्तुलित र एकल-अन्त MMICs को लागि मर आकार 3.24 × 3.60mm2 र 1.74 × 3.24mm2 क्रमशः हो। |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | पुनरावर्ती न्यूरल नेटवर्कहरू (आरएनएनहरू) स्वाभाविक रूपमा भाषण पहिचानको लागि उपयुक्त छन् किनकि उनीहरूको गतिशील परिवर्तनशील अस्थायी जानकारीको उपयोग गर्ने क्षमताको कारण। गहिरो आरएनएनहरू विभिन्न समयको ग्रान्युलरिटीमा समय सम्बन्धहरू मोडेल गर्न सक्षम भएको तर्क गरिएको छ, तर हराउने ढाँचा समस्याहरू भोग्छन्। यस कागजमा, हामी स्ट्याक्ड लामो छोटो अवधिको मेमोरी (LSTM) RNNs लाई ग्रिड LSTM ब्लकहरू प्रयोग गरेर विस्तार गर्दछौं जसले गणनालाई केवल समयावधि आयामको साथ मात्र होइन, तर गहिराई आयामको साथ पनि, यो मुद्दालाई कम गर्नका लागि। यसबाहेक, हामी गहिराई आयामलाई समयको भन्दा प्राथमिकता दिन्छौं गहिराई आयामलाई अधिक अपडेट जानकारी प्रदान गर्न, किनकि यसबाट आउटपुट वर्गीकरणको लागि प्रयोग गरिनेछ। हामी यो मोडेललाई प्राथमिकता ग्रिड एलएसटीएम (पीजीएलएसटीएम) भन्छौं। चार ठूला डाटासेट (एएमआई, एचकेयूएसटी, गाले, र एमजीबी) मा गरिएको व्यापक प्रयोगहरूले संकेत गर्दछ कि पीजीएलएसटीएमले वैकल्पिक गहिरो एलएसटीएम मोडेलहरूलाई पछाडि पारेको छ, स्ट्याक्ड एलएसटीएमलाई 4 देखि 7 प्रतिशत सापेक्ष सुधारको साथ हराउँदै, र सबै डाटासेटहरूमा एक-दिशात्मक मोडेलहरू बीच नयाँ बेन्चमार्कहरू प्राप्त गर्दछ। |
Subsets and Splits