_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | भविष्यवाणी गर्ने उपकरणहरू ब्याग गर्ने एउटा यस्तो विधि हो जसले भविष्यवाणी गर्ने उपकरणको धेरै संस्करणहरू सिर्जना गर्न र तिनीहरूलाई प्रयोग गरेर समग्र भविष्यवाणी गर्ने उपकरण प्राप्त गर्न मद्दत गर्दछ। सङ्कलनले संख्यात्मक परिणामको भविष्यवाणी गर्दा संस्करणहरूमा औसत बनाउँछ र वर्गको भविष्यवाणी गर्दा बहुसंख्यक मतदान गर्दछ। बहु संस्करणहरू लर्निंग सेटको बुटस्ट्र्याप प्रतिकृतिहरू बनाएर र यी नयाँ लर्निंग सेटहरूको रूपमा प्रयोग गरेर गठन गरिन्छ। वर्गीकरण र प्रतिगमन रूखहरू र रैखिक प्रतिगमनमा उपसमूह चयन प्रयोग गरेर वास्तविक र अनुकरण डाटा सेटहरूमा परीक्षणहरूले देखाउँदछ कि ब्यागिंगले शुद्धतामा पर्याप्त लाभ दिन सक्छ। यो अनुमान गर्ने तरिकाको अस्थिरता नै यसको मुख्य कारण हो। यदि सिकाइ सेटलाई विचलित गराउँदा निर्माण गरिएको भविष्यवाणीकर्तामा महत्त्वपूर्ण परिवर्तनहरू हुन सक्छ भने, त्यसपछि ब्यागिंगले शुद्धता सुधार गर्न सक्छ। |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | हालैको आरजीबी-डी क्यामेराको सफलताले किनेक्ट सेन्सर जस्ता थ्री-डी डाटामा आधारित कम्प्युटर अनुप्रयोगहरूको व्यापक सम्भावनालाई चित्रण गर्दछ। तर, मानक परीक्षण डेटाबेसको अभावका कारण अनुहार पहिचान प्रविधिले यो अप टु डेट इमेजिङ सेन्सरबाट कसरी फाइदा लिन सक्छ भन्ने मूल्यांकन गर्न कठिन छ। किनेक्ट र अनुहार पहिचान अनुसन्धान बीचको सम्बन्ध स्थापित गर्न, यस कागजमा, हामी पहिलो सार्वजनिक रूपमा उपलब्ध अनुहार डाटाबेस (जस्तै, KinectFaceDB1) प्रस्तुत गर्दछौं जुन किनेक्ट सेन्सरमा आधारित छ। डाटाबेसमा विभिन्न डाटा मोडलिटीहरू (राम्रोसँग पङ्क्तिबद्ध र प्रशोधन गरिएको २-डी, २.५-डी, ३-डी, र भिडियोमा आधारित अनुहार डाटा) र बहु अनुहार भिन्नताहरू छन्। हामीले प्रस्तावित डाटाबेसमा मानक अनुहार पहिचान विधिहरू प्रयोग गरेर बेन्चमार्क मूल्यांकनहरू गरेका थियौं र स्कोर-स्तर फ्यूजन मार्फत आरजीबी डाटाको साथ गहिराई डाटा एकीकृत गर्दा प्रदर्शनमा लाभ देखाइयो। हामीले केनेक्टको ३ डी छविहरू (केनेक्टफेसडीबीबाट) लाई परम्परागत उच्च गुणस्तरको ३ डी स्क्यानहरू (एफआरजीसी डाटाबेसबाट) सँग अनुहार बायोमेट्रिक्सको सन्दर्भमा तुलना गर्यौं, जसले अनुहार पहिचान अनुसन्धानका लागि प्रस्तावित डाटाबेसको अत्यावश्यक आवश्यकताहरू प्रकट गर्दछ। |
a85275f12472ecfbf4f4f00a61514b0773923b86 | वायरलेस टेक्नोलोजी र समर्थन पूर्वाधारमा भएका प्रगतिहरूले प्रयोगकर्ताको गतिविधिलाई सीमित नगरीकन वास्तविक समयमा स्वास्थ्य सेवा र फिटनेस अनुगमनको लागि अभूतपूर्व अवसर प्रदान गर्दछ। शरीरमा, शरीरमा र शरीरको वरिपरि राखिएका ताररहित रूपमा जडित लघु संवेदक र एक्ट्युएटरहरूले चिकित्सा, जीवनशैली र मनोरन्जन अनुप्रयोगहरूलाई समर्थन गर्न शारीरिक संकेतहरूको निरन्तर, स्वचालित र अनावश्यक अनुगमनको लागि शरीर क्षेत्र नेटवर्क बनाउँदछ। ब्यान प्रविधि विकासको प्रारम्भिक चरणमा छ र यसलाई व्यापक रूपमा स्वीकार गर्नका लागि धेरै अनुसन्धान चुनौतीहरू पार गर्नुपर्नेछ। यस लेखमा हामी ब्यानको अनुप्रयोग, कार्यात्मक र प्राविधिक आवश्यकताहरूको मूल सेटको अध्ययन गर्दछौं। हामी पनि मौलिक अनुसन्धान चुनौतीहरू जस्तै स्केलेबिलिटी (डाटा दर, पावर खपत, र ड्युटी साइकलको सन्दर्भमा), एन्टेना डिजाइन, हस्तक्षेप न्यूनीकरण, सहअस्तित्व, QoS, विश्वसनीयता, सुरक्षा, गोपनीयता, र ऊर्जा दक्षता जस्ता विषयमा छलफल गर्छौं। विकासशील ब्यान बजार सम्बोधन गर्न तयार भएका धेरै प्रविधिको मूल्यांकन गरिएको छ र उनीहरूको गुण र अवगुणहरू हाइलाइट गरिएको छ। यस पुस्तकमा ब्यान सम्बन्धी मानक निर्माणका गतिविधिहरूको संक्षिप्त विवरण पनि दिइएको छ। |
f4abebef4e39791f358618294cd8d040d7024399 | यो प्रतिवेदनले फिटबिट फ्लेक्स इकोसिस्टमको विश्लेषण वर्णन गर्दछ। हाम्रो उद्देश्यहरू (1) डाटा फिटबिटले यसको प्रयोगकर्ताहरूबाट सlects्कलन गर्दछ, (2) डाटा फिटबिटले आफ्ना प्रयोगकर्ताहरूलाई प्रदान गर्दछ, र (3) उपकरण मालिकहरूलाई उपलब्ध गराइएको डाटा पुनः प्राप्ति गर्ने विधिहरू वर्णन गर्नु हो। हाम्रो विश्लेषणले चारवटा भिन्न आक्रमण भेक्टरहरूलाई समेट्छ। पहिलो, हामी फिटबिट उपकरणको सुरक्षा र गोपनीयता गुणहरू विश्लेषण गर्छौं। त्यसपछि हामी ब्लुटुथ ट्राफिकलाई हेर्छौं जुन फिटबिट उपकरण र स्मार्टफोन वा व्यक्तिगत कम्प्युटरबीच सिङ्ख्रोनाइजेसनको समयमा पठाइन्छ। तेस्रो, हामी फिटबिट एन्ड्रोइड एपको सुरक्षा विश्लेषण गर्छौं। अन्त्यमा, हामी फिटबिट स्मार्टफोन वा कम्प्युटर एप्लिकेसन र फिटबिट वेब सेवा बीचको नेटवर्क ट्राफिकको सुरक्षा गुणहरू अध्ययन गर्दछौं। हामी प्रमाण प्रदान गर्दछौं कि फिटबिटले केही परिस्थितिहरूमा नजिकका फ्लेक्स उपकरणहरूको बारेमा अनावश्यक रूपमा जानकारी प्राप्त गर्दछ। हामी यो पनि देखाउँछौं कि फिटबिटले उपकरण मालिकहरूलाई सबै एकत्रित डाटा प्रदान गर्दैन। वास्तवमा, हामीले प्रति मिनेट गतिविधि डाटाको प्रमाण भेट्टायौं जुन फिटबिट वेब सेवामा पठाइन्छ तर मालिकलाई प्रदान गरिएको छैन। हामीले यो पनि पत्ता लगायौं कि फिटबिट उपकरणहरूमा म्याक ठेगानाहरू कहिल्यै परिवर्तन हुँदैनन्, जसले प्रयोगकर्ता-सम्बन्धित आक्रमणहरूलाई सक्षम बनाउँछ। BTLE प्रमाणहरू पनि नेटवर्कमा TLS मा उपकरण जोडीको समयमा खुला हुन्छन्, जुन MITM आक्रमणहरू द्वारा रोक्न सकिन्छ। अन्तमा, हामी देखाउँछौं कि वास्तविक प्रयोगकर्ता गतिविधि डाटा प्रमाणित छ र उपकरणबाट फिटबिट वेब सेवामा अन्त-देखि-अन्त आधारमा सादा पाठमा प्रदान गरिएको छैन। |
3007a8f5416404432166ff3f0158356624d282a1 | ग्राफ अमूर्त धेरै अनुप्रयोगहरूको लागि आवश्यक छ छोटो मार्ग खोज्नबाट जटिल मेशिन लर्निंग (एमएल) एल्गोरिदमहरू कार्यान्वयन गर्न जस्तै सहयोगी फिल्टरि। विभिन्न अनुप्रयोगहरूको लागि कच्चा डाटाबाट ग्राफ निर्माण चुनौतीपूर्ण हुँदै गइरहेको छ, डाटाको घातीय वृद्धिका साथै ठूलो स्तरको ग्राफ प्रशोधनको आवश्यकताका कारण। ग्राफ निर्माण एक डाटा-समानान्तर समस्या भएकोले, MapReduce यो कार्यको लागि राम्रोसँग उपयुक्त छ। हामीले ग्राफ निर्माणकर्ता, ग्राफ एक्स्ट्र्याक्ट-ट्रान्सफर्म-लोड (ईटीएल) को लागि एक स्केलेबल फ्रेमवर्क, ग्राफ निर्माणको धेरै जटिलताहरू, ग्राफ गठन, ट्याब्युलेसन, रूपान्तरण, विभाजन, आउटपुट ढाँचा, र क्रमबद्धता सहितको लोड गर्नका लागि विकास गरेका छौं। ग्राफबिल्डर जाभामा लेखिएको छ, प्रोग्रामिङको सहजताका लागि, र यो नक्सा रिड्युस मोडेल प्रयोग गरेर स्केल हुन्छ। यस लेखमा, हामी ग्राफबिल्डरको लागि प्रेरणा, यसको वास्तुकला, नक्सा घटाउने एल्गोरिदम, र फ्रेमवर्कको प्रदर्शन मूल्यांकन वर्णन गर्दछौं। ठूला ग्राफहरू भण्डारण र प्रशोधनका लागि क्लस्टरमा विभाजन गर्नुपर्दछ र विभाजन विधिहरूले प्रदर्शनमा महत्त्वपूर्ण प्रभाव पार्दछ, हामी धेरै ग्राफ विभाजन विधिहरू विकास गर्छौं र तिनीहरूको प्रदर्शनको मूल्यांकन गर्दछौं। हामी फ्रेमवर्कलाई https://01.org/graphbuilder/ मा पनि खुला स्रोतमा राख्छौं। |
2e526c2fac79c080b818b304485ddf84d09cf08b | समयको डाटा खानीको उद्देश्य ऐतिहासिक डाटामा ढाँचाहरू खोज्नु हो। हाम्रो कामले डाटाबाट समयको ढाँचा निकाल्नको लागि एउटा दृष्टिकोण प्रस्ताव गर्दछ जसले लक्षित घटनाहरूको घटनाको पूर्वानुमान गर्न सक्छ, जस्तै होस्ट नेटवर्कहरूमा कम्प्युटर आक्रमणहरू, वा वित्तीय संस्थाहरूमा धोखाधडी लेनदेनहरू। हाम्रो समस्याको सूत्रले दुई प्रमुख चुनौतीहरू प्रदर्शन गर्दछ: १) हामी घटनाहरूलाई वर्गीकृत सुविधाहरू द्वारा विशेषता मान्दछौं र असमान अन्तराल-आगमन समय प्रदर्शन गर्दछौं; यस्तो धारणा शास्त्रीय समय-श्रृंखला विश्लेषणको दायरा बाहिर पर्दछ, २) हामी लक्ष्य घटनाहरू अत्यधिक दुर्लभ मान्दछौं; भविष्यवाणी प्रविधिहरूले वर्ग-असन्तुलन समस्यासँग व्यवहार गर्नुपर्दछ। हामी एक कुशल एल्गोरिथ्म प्रस्ताव गर्छौं जुन घटना पूर्वानुमान समस्यालाई लक्षित घटनाहरू भन्दा पहिले सबै बारम्बार घटनाहरूको खोजीमा रूपान्तरण गरेर माथि उल्लिखित चुनौतीहरूको सामना गर्दछ। वर्ग असंतुलनको समस्यालाई अल्पसंख्यक वर्गमा मात्र ढाँचाको खोजीले हटाइन्छ; ढाँचाको विभेद शक्तिलाई अन्य वर्गहरूको विरुद्धमा मान्य गरिन्छ। त्यसपछि नमुनाहरू एक नियममा आधारित मोडेलमा संयोजन गरिन्छ। हाम्रो प्रयोगात्मक विश्लेषणले घटनाक्रमका प्रकारहरू संकेत गर्दछ जहाँ लक्षित घटनाहरूको सही भविष्यवाणी गर्न सकिन्छ। |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | डाटा माइनिङ प्रणालीको उद्देश्य ढाँचा पत्ता लगाउनु र डाटाबेसमा रेकर्ड गरिएका तथ्यहरूबाट उपयोगी जानकारी निकाल्नु हो। यस उद्देश्यका लागि व्यापक रूपमा अपनाइएको दृष्टिकोण उपलब्ध डाटाको वर्णनात्मक मोडेलहरू गणना गर्न विभिन्न मेशिन लर्निंग एल्गोरिदमहरू लागू गर्नु हो। यहाँ हामी यस अनुसन्धान क्षेत्रमा मुख्य चुनौतीहरू मध्ये एकको अन्वेषण गर्दछौं, ती प्रविधिको विकास जुन ठूलो र सम्भवतः शारीरिक रूपमा वितरित डाटाबेसहरूमा स्केल हुन्छ। मेटा लर्निंग एक प्रविधि हो जसले उच्च स्तरको वर्गीकरणकर्ताहरू (वा वर्गीकरण मोडेलहरू) गणना गर्न खोज्छ, जसलाई मेटा-क्लासिफायरहरू भनिन्छ, जुन विभिन्न डाटाबेसहरूमा अलग-अलग गणना गरिएको बहु वर्गीकरणकर्ताहरूलाई एकीकृत गर्दछ। यस अध्ययनले मेटा लर्निंगको वर्णन गर्दछ र JAM प्रणाली (मेटा लर्निंगका लागि जाभा एजेन्टहरू) प्रस्तुत गर्दछ, ठूलो मात्रामा डाटा खनन अनुप्रयोगहरूको लागि एजेन्ट-आधारित मेटा लर्निंग प्रणाली। विशेष गरी, यसले केन्द्रीकृत वा होस्ट-आधारित प्रणालीहरूको तुलनामा उनीहरूको अतिरिक्त जटिलताबाट उत्पन्न हुने वितरित डाटा खनन प्रणालीहरूको लागि धेरै महत्त्वपूर्ण आवश्यकताहरूको पहिचान र सम्बोधन गर्दछ। वितरित प्रणालीहरू विविधीकृत प्लेटफर्महरूसँग सम्झौता गर्न आवश्यक हुन सक्छ, बहु डेटाबेसहरू र (सम्भवतः) बिभिन्न योजनाहरूसँग, डाटा साइटहरू बीच सञ्चारको लागि स्केलेबल र प्रभावकारी प्रोटोकलहरूको डिजाइन र कार्यान्वयनको साथ, र अन्य पियर डाटा साइटहरूबाट गेट गरिएको जानकारीको छनौट र दक्ष प्रयोग। अन्य महत्वपूर्ण समस्याहरू, आन्तरिक र बाह्य डाटा माइनिङ प्रणालीहरू जुन बेवास्ता गर्न मिल्दैन, पहिलो, नयाँ प्राप्त जानकारीको फाइदा लिन सक्ने क्षमता जुन पहिले उपलब्ध थिएन जब मोडेलहरू गणना गरियो र यसलाई अवस्थित मोडेलहरूसँग मिलाइयो, र दोस्रो, नयाँ मेशिन लर्निंग विधिहरू र डाटा माइनिङ टेक्नोलोजीहरू समावेश गर्ने लचिलोपन। हामी यी मुद्दाहरूको जामको सन्दर्भमा अन्वेषण गर्छौं र विस्तृत अनुभवजन्य अध्ययनको माध्यमबाट विभिन्न प्रस्तावित समाधानहरूको मूल्यांकन गर्दछौं । |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | एम्बेडेड उपकरणहरू सर्वव्यापी भएका छन्, र तिनीहरू गोपनीयता-संवेदनशील र सुरक्षा-महत्वपूर्ण अनुप्रयोगहरूको दायरामा प्रयोग गरिन्छ। यी उपकरणहरूमध्ये अधिकांशमा स्वामित्व सफ्टवेयर चलाइन्छ र सफ्टवेयरको भित्री कार्यबारे थोरै कागजात उपलब्ध छन्। केही अवस्थामा हार्डवेयर र सुरक्षा संयन्त्रको लागतले उपकरणहरूमा पहुँच असम्भव बनाउन सक्छ। यस्तो वातावरणमा रहेको सफ्टवेयरको विश्लेषण गर्नु चुनौतीपूर्ण छ, तर आवश्यक छ, यदि सफ्टवेयर बग र कमजोरतासँग सम्बन्धित जोखिमहरूबाट बच्नु पर्छ भने। हालैका अध्ययनहरूले बजारमा उपलब्ध धेरै इम्बेडेड उपकरणहरूमा ब्याकडोरहरू रहेको देखाएको छ। यस कागजमा, हामी फर्मलाइज प्रस्तुत गर्दछौं, एक बाइनरी विश्लेषण फ्रेमवर्क एम्बेडेड उपकरणहरूमा चल्ने फर्मवेयरको विश्लेषणलाई समर्थन गर्न। फर्मलाइक एक प्रतीकात्मक कार्यान्वयन इन्जिनको शीर्षमा निर्माण गर्दछ, र प्रविधिहरू, जस्तै प्रोग्राम स्लाइसिंग, यसको स्केलेबिलिटी बढाउन। यसबाहेक, फर्मलाइसेले प्रमाणीकरण बाइपास त्रुटिहरूको एक उपन्यास मोडेल प्रयोग गर्दछ, जुन आक्रमणकर्ताको विशेषाधिकार प्राप्त कार्यहरू गर्न आवश्यक इनपुटहरू निर्धारण गर्ने क्षमतामा आधारित छ। हामीले फर्मलाइकलाई तीनवटा व्यावसायिक रूपमा उपलब्ध यन्त्रहरूको फर्मवेयरमा परीक्षण गरेका थियौं र तीमध्ये दुईवटामा प्रमाणीकरण बाइपास ब्याकडोरहरू पत्ता लगाउन सक्षम भयौं। कम्पनीले तेस्रो फर्मवेयर नमूनामा रहेको ब्याकडोरलाई अनप्राइभेटेड क्रेडेन्शियलको सेटको ज्ञान बिना आक्रमणकर्ताले प्रयोग गर्न नसक्ने पनि बताएको छ । |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | खरीद प्रक्रियामा धोखाधडी व्यवहार पत्ता लगाउन प्रक्रिया खानी प्रयोगको सैद्धान्तिक र व्यावहारिक मूल्यमा एक केस अध्ययन सार यो थीसिसले प्रक्रिया खानी र धोखाधडी पत्ता लगाउने बारेमा छ महिनाको अनुसन्धान अवधिको परिणाम प्रस्तुत गर्दछ। यस शोध कार्यको उद्देश्य अनुसन्धान प्रश्नको उत्तर दिनु थियो कि कसरी प्रक्रिया खननलाई धोखाधडी पत्ता लगाउन प्रयोग गर्न सकिन्छ र धोखाधडी पत्ता लगाउन प्रक्रिया खनन प्रयोग गर्दा के फाइदा हुन्छ। साहित्य अध्ययनको आधारमा यसले प्रक्रिया खानीको सिद्धान्त र अनुप्रयोग र यसको विभिन्न पक्ष र प्रविधिहरूको छलफल प्रदान गर्दछ। साहित्य अध्ययन र एक डोमेन विशेषज्ञ संग एक साक्षात्कार दुवै को उपयोग गरेर, धोखाधडी र धोखाधडी पत्ता लगाउने अवधारणाहरु छलफल गरिन्छ। यी नतिजाहरू प्रक्रिया खानी र धोखाधडी पत्ता लगाउने अनुप्रयोगमा अवस्थित केस स्टडीहरूको विश्लेषणको साथ दुई केस स्टडीहरूको प्रारम्भिक सेटअप निर्माण गर्न संयोजन गरिएको छ, जसमा खरीद प्रक्रियामा सम्भावित धोखाधडी व्यवहार पत्ता लगाउन प्रक्रिया खानी लागू गरिन्छ। यी केस स्टडीको अनुभव र नतिजाको आधारमा, १+५+१ विधिलाई पहिलो कदमको रूपमा प्रस्तुत गरिएको छ जुन प्रक्रिया खनन प्रविधिहरू कसरी व्यवहारमा प्रयोग गर्न सकिन्छ भन्ने सल्लाहको साथ सिद्धान्तहरू कार्यान्वयन गर्ने दिशामा छ। यस शोधपत्रमा तीन निष्कर्ष प्रस्तुत गरिएको छ: (१) प्रक्रिया खानी धोखाधडी पत्ता लगाउनको लागि मूल्यवान थप हो, (२) १+५+१ अवधारणा प्रयोग गरेर सम्भवतः धोखाधडी व्यवहारका सूचकहरू पत्ता लगाउन सम्भव थियो (३) धोखाधडी पत्ता लगाउन प्रक्रिया खानीको व्यावहारिक प्रयोग वर्तमान उपकरणहरूको कमजोर प्रदर्शनले कम भएको छ। प्रविधि र उपकरणहरू जुन प्रदर्शन मुद्दाहरूको पीडित हुँदैनन् नियमित डाटा विश्लेषण प्रविधिहरूको अतिरिक्त हो, प्रतिस्थापनको सट्टा, प्रक्रिया र सम्भावित धोखाधडी व्यवहारमा नयाँ, छिटो, वा अधिक सजीलो प्राप्त गर्न सकिने अन्तर्दृष्टि प्रदान गरेर। ओक्कमको रेजर: " कुनै पनि कुराको व्याख्या गर्न आवश्यक हुने तत्वहरूको संख्या आवश्यक भन्दा बढी बढाउनु हुँदैन " |
8aef832372c6e3e83f10532f94f18bd26324d4fd | ज्ञानमा आधारित प्रश्न-उत्तर प्रणालीहरू प्रायः सानो एनोटेड प्रशिक्षण डेटामा निर्भर हुन्छन्। जबकि सम्बन्ध निकासी जस्ता उथलपुथल विधिहरू डाटा अभावमा बलियो छन्, तिनीहरू अर्थपूर्ण पार्सिंग जस्ता गहिरो अर्थ प्रतिनिधित्व विधिहरू भन्दा कम अभिव्यक्त छन्, यसैले बहु बाध्यताहरू समावेश गर्ने प्रश्नहरूको उत्तर दिन असफल हुन्छन्। यहाँ हामी विकिपीडियाबाट थप प्रमाणको साथ सम्बन्ध निकासी विधिलाई सशक्त बनाएर यो समस्यालाई कम गर्छौं। हामी पहिले न्यूरल नेटवर्कमा आधारित सम्बन्ध निकाल्ने उपकरण प्रस्तुत गर्छौं, जसले फ्रीबेसबाट उम्मेदवारको उत्तरहरू निकाल्छ, र त्यसपछि यी उत्तरहरूलाई मान्य गर्न विकिपीडियामा अनुमान लगाउँछ। वेबक्वेस्ट्स प्रश्न उत्तर डाटासेटमा प्रयोगहरू देखाउँछन् कि हाम्रो विधिले 53.3% को F1 प्राप्त गर्दछ, जुन अत्याधुनिक राज्यको तुलनामा पर्याप्त सुधार हो। |
16edc3faf625fd437aaca1527e8821d979354fba | कल्याण एउटा जटिल संरचना हो जुन इष्टतम अनुभव र कार्य गर्ने सम्बन्धमा छ। कल्याणको बारेमा हालको अनुसन्धान दुई सामान्य दृष्टिकोणबाट आएको हो: हेडोनिक दृष्टिकोण, जसले खुशीमा केन्द्रित हुन्छ र खुशी प्राप्त गर्ने र पीडाबाट बच्ने सन्दर्भमा कल्याणलाई परिभाषित गर्दछ; र यूडिमोनिक दृष्टिकोण, जसले अर्थ र आत्म-साकारीकरणमा केन्द्रित हुन्छ र एक व्यक्तिले पूर्ण रूपमा काम गरिरहेको डिग्रीको सन्दर्भमा कल्याणलाई परिभाषित गर्दछ। यी दुई दृष्टिकोणले विभिन्न अनुसन्धान केन्द्रहरू र केही क्षेत्रमा भिन्न र अन्यमा पूरक ज्ञानको शरीरलाई जन्म दिएका छन्। बहुस्तरीय मोडलिङ र निर्माण तुलनाको सम्बन्धमा नयाँ पद्धतिगत विकासले अनुसन्धानकर्ताहरूलाई यस क्षेत्रका लागि नयाँ प्रश्नहरू बनाउन अनुमति दिइरहेको छ। यस समीक्षामा कल्याणको प्रकृति, यसको पूर्ववर्ती र समय र संस्कृतिमा यसको स्थिरता सम्बन्धी दुबै दृष्टिकोणबाट अनुसन्धानलाई विचार गरिएको छ। |
ac8c2e1fa35e797824958ced835257cd49e1be9c | यस लेखमा सूचना प्रविधि र संगठनात्मक सिकाइको बारेमा अनुसन्धान साहित्यको समीक्षा र मूल्याङ्कन गरिएको छ। अर्थ र मापनको बारेमा चर्चा गरेपछि, हामी अनुसन्धानका दुई मुख्य धाराहरूको पहिचान र मूल्याङ्कन गर्छौं: अध्ययन जसले संगठनात्मक सिकाइ अवधारणालाई संस्थामा सूचना प्रविधि लागू गर्ने र प्रयोग गर्ने प्रक्रियामा लागू गर्दछ; र संगठनात्मक सिकाइलाई समर्थन गर्न सूचना प्रविधि अनुप्रयोगहरूको डिजाइनसँग सम्बन्धित अध्ययनहरू। अनुसन्धानको अघिल्लो प्रवाहबाट, हामी निष्कर्षमा पुग्छौं कि अनुभवले कार्यान्वयनको सफलतामा महत्त्वपूर्ण, तर अनिश्चित भूमिका खेल्छ; प्रशिक्षण औपचारिक प्रशिक्षण र अभ्यासमा सहभागिता दुवै मार्फत पूरा हुन्छ; संगठनात्मक ज्ञान अवरोधहरू अन्य संगठनहरूबाट सिकेर हटाउन सकिन्छ; र नयाँ प्रविधिहरू सिक्नु भनेको गतिशील प्रक्रिया हो जुन अवसरको अपेक्षाकृत साँघुरो सञ्झ्यालहरूको विशेषता हो। पछिल्लो प्रवाहबाट, हामी निष्कर्षमा पुग्छौं कि संगठनात्मक मेमोरी सूचना प्रणालीका लागि वैचारिक डिजाइनहरू कलाकृति विकासमा मूल्यवान योगदान हुन्; संचार र प्रवचनलाई समर्थन गर्ने प्रणालीहरू मार्फत सिक्ने बृद्धि हुन्छ; र सूचना प्रविधिहरूसँग संगठनात्मक शिक्षालाई सक्षम र असक्षम गर्ने क्षमता छ। अहिले यी दुई धाराहरू एकअर्काबाट स्वतन्त्र रूपमा बगिरहेका छन्, यद्यपि तिनीहरूका नजिकका वैचारिक र व्यावहारिक सम्बन्धहरू छन्। हामी सूचना प्रविधि र संगठनात्मक सिकाइमा भविष्यको अनुसन्धानलाई थप एकीकृत तरिकामा अगाडि बढाउन सल्लाह दिन्छौं, संगठनात्मक सिकाइको स्थितिको प्रकृतिलाई मान्यता दिन्छ, वितरित संगठनात्मक मेमोरीमा ध्यान केन्द्रित गर्दछ, अभ्यासमा कलाकृतिको प्रभावकारिता प्रदर्शन गर्दछ, र सम्बन्धित क्षेत्रहरूमा सान्दर्भिक अनुसन्धान निष्कर्षहरू खोज्छ। |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | यस कार्यमा बहु-मोड बीम-फॉर्मिंग ७७-जीएचजेड फ्रिक्वेन्सी-मड्यूलेटेड निरन्तर-वेव राडार प्रणाली प्रस्तुत गरिएको छ। चार ट्रान्ससीभर चिपहरू प्रसारण मार्गमा एकीकृत इनफेज/क्वाड्रेचर मोड्युलेटरहरूसँग एकै साथ छोटो दूरीको फ्रिक्वेन्सी डिभिजन बहु-पहुँच (एफडीएमए) बहु-इनपुट बहु-आउटपुट (एमआईएमओ) र लामो दूरीको प्रसारण चरणबद्ध-सरणी (पीए) राडार प्रणाली समान एन्टेनाको साथ प्राप्त गर्न प्रयोग गरिन्छ। यसले एफडीएमए एमआईएमओ रडारको उच्च कोणात्मक रिजोल्युसन र पीए प्रसारण एन्टेनाको उच्च-लाभ र निर्देशित बीमलाई जोड्दछ। चारवटा एन्टेना र प्राप्तिको मार्गमा डिजिटल बीमफर्मिङको विधिहरू सहितको रैखिक एन्टेना एरेका लागि यो अवधारणा प्रयोग गर्ने सम्भावित फाइदाहरू देखाउन धेरै मापनहरू गरियो। |
60611349d1b6d64488a5a88a9193e62d9db27b71 | यस प्रतिवेदनमा थकान पत्ता लगाउने र पूर्वानुमान गर्ने विद्यमान प्रविधिहरूको समीक्षा गरिएको छ। उपलब्ध विभिन्न प्रविधिहरूको बारेमा विश्वभरका विभिन्न स्रोतहरूबाट डाटा संकलन गरिएको थियो। यस प्रतिवेदनको पहिलो भागमा प्रविधिको अनुसन्धान र विकासको वर्तमान अवस्थाको सारांश दिइएको छ र संवेदनशीलता, विश्वसनीयता, वैधता र स्वीकार्यताको मुख्य मुद्दाहरूको सम्बन्धमा प्रविधिको स्थितिलाई सारांश दिइएको छ। दोस्रो भागमा यातायातमा प्रविधिहरूको भूमिकाको मूल्याङ्कन गरिएको छ र अन्य प्रवर्तन र नियामक ढाँचाहरूको तुलनामा प्रविधिहरूको स्थानको बारेमा टिप्पणी गरिएको छ, विशेष गरी अष्ट्रेलिया र न्यूजील्याण्डमा। रिपोर्टका लेखकहरू निष्कर्षमा पुगेका छन् कि हार्डवेयर प्रविधिहरूलाई कम्पनीको थकान व्यवस्थापन प्रणालीको रूपमा कहिले पनि प्रयोग गर्नु हुँदैन। हार्डवेयर प्रविधिहरू अन्तिम सुरक्षा उपकरण मात्र हुन सक्छन्। यद्यपि हार्डवेयर प्रविधिहरूको उत्पादन कम्पनीको थकान व्यवस्थापन प्रणालीमा वास्तविक समय जोखिम मूल्यांकन प्रदान गर्न उपयोगी हुन सक्छ। तर, हार्डवेयर प्रविधिको उत्पादन व्यवस्थापन प्रणालीमा मात्र इनपुट हुनु हुँदैन। अन्य इनपुटहरू कम्तिमा मान्य सफ्टवेयर प्रविधिहरू, कर्तव्यको लागि उपयुक्तताको पारस्परिक मूल्यांकन र कार्यभार, तालिका र रोस्टरहरूको अन्य जोखिम मूल्यांकनबाट आउनुपर्दछ। उद्देश्य: जानकारीका लागिः भारी सवारी साधनको चालकको थकानको व्यवस्थापनमा थकान पत्ता लगाउने र पूर्वानुमान प्रविधिहरूको स्थानको बारेमा जानकारी प्रदान गर्ने। |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | पास्कल भिजुअल ओब्जेक्ट क्लास (VOC) चुनौती भिजुअल वस्तु श्रेणी मान्यता र पत्ता लगाउने मा एक बेंचमार्क हो, छवि र एनोटेशनको मानक डाटासेट, र मानक मूल्यांकन प्रक्रियाको साथ दृष्टि र मेशिन लर्निंग समुदायहरू प्रदान गर्दै। सन् २००५ देखि हालसम्म हरेक वर्ष आयोजना गरिएको यो प्रतियोगिता र यससँग सम्बन्धित डाटासेट वस्तु पत्ता लगाउने मापदण्डको रूपमा स्वीकार गरिएको छ। यस कागजातले डाटासेट र मूल्यांकन प्रक्रिया वर्णन गर्दछ। हामी वर्गीकरण र पत्ता लगाउने दुवैको लागि मूल्यांकन विधिहरूमा कलाको राज्यको समीक्षा गर्छौं, विश्लेषण गर्नुहोस् कि यदि विधिहरू सांख्यिकीय रूपमा फरक छन्, उनीहरूले छविहरूबाट के सिक्दैछन् (उदाहरणका लागि) वस्तु वा यसको सन्दर्भ), र के विधिहरू सजिलो वा भ्रमित फेला पार्नुहोस्। यस लेखको अन्त्यमा तीन वर्षको इतिहासमा प्राप्त पाठहरू प्रस्तुत गरिएको छ र भविष्यमा सुधार र विस्तारका लागि दिशा-निर्देशहरू प्रस्ताव गरिएको छ। |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | त्यसपछि, ज्ञान व्यवस्थापन संयन्त्रलाई परिचालन गर्न, निरन्तर नवीनताको प्रक्रियामा ज्ञान सम्पत्तिको तीन स्रोतहरू, मेटा-मोडेल र म्याक्रो प्रक्रियालाई एकीकृत गरेर एक पदानुक्रमित मोडेल निर्माण गरिन्छ। यो मोडेलले ज्ञान र नवीनताबीचको जटिल सम्बन्धलाई चार तहमा विभाजन गरेको छ। व्यावहारिक प्रभाव - विगतका अनुसन्धानमा ज्ञान व्यवस्थापन अभ्यासको बारेमा सिकेका पाठका अनुसार, नवीनताका लागि ज्ञान व्यवस्थापन परियोजनाहरूको सफल कार्यान्वयनका लागि ज्ञान व्यवस्थापनका तीन दृष्टिकोणहरू एक अर्कासँग सहकार्य गर्नुपर्छ। र पदानुक्रमित मोडेलले नवीनताका लागि ज्ञान व्यवस्थापन प्रणालीहरू कार्यान्वयन गर्न उपयुक्त वास्तुकला प्रदान गर्दछ। मौलिकता/मूल्य - ज्ञान व्यवस्थापनको मेटा-मोडेल र म्याक्रो प्रक्रियाले कसरी ज्ञान व्यवस्थापनको अर्को पुस्ताले मूल्य सिर्जना गर्न र प्रणाली विचारको दृष्टिकोणबाट निरन्तर नवीनतालाई समर्थन गर्न सक्छ भनेर वर्णन गर्दछ। पदानुक्रमिक मोडेलले निरन्तर नवीनताको प्रक्रियामा जटिल ज्ञान गतिशीलतालाई चित्रण गर्दछ। यस अनुसन्धानको उद्देश्य भनेको ज्ञान व्यवस्थापन (केएम) को संयन्त्रलाई बुझ्न र उद्यमहरूलाई निरन्तर नवीनतामा केएम गतिविधिहरूको लाभ उठाउनको लागि एक दृष्टिकोण प्रदान गर्नु हो। डिजाइन/विधि/दृष्टिकोण - बहु-विषयक क्षेत्रहरूको साहित्यको समीक्षा गरेर ज्ञान, ज्ञान व्यवस्थापन र नवीनताका अवधारणाहरूको अनुसन्धान गरिन्छ। ज्ञान व्यवस्थापनको भौतिक, मानवीय र प्राविधिक दृष्टिकोणलाई पहिचान गरी नवप्रवर्तनका लागि दुईवटा मुख्य गतिविधिहरू पहिचान गरिएको छ: ज्ञानको सिर्जना र ज्ञानको उपयोग। त्यसपछि निरन्तर नवप्रवर्तनको लागि एउटा आवश्यक आवश्यकता - एक आन्तरिकरण चरण परिभाषित गरिएको छ। प्रणालीगत सोच र मानव केन्द्रित दृष्टिकोणलाई नवाचारका लागि ज्ञान व्यवस्थापनका संयन्त्रहरूको बारेमा व्यापक समझ प्रदान गर्नका लागि अपनाइएको छ। निष्कर्ष - अन्तर्निवेशको चरणलाई समावेश गरेर ज्ञान व्यवस्थापनमा आधारित निरन्तर नवप्रवर्तनको सञ्जाल प्रक्रिया प्रस्ताव गरिएको छ। केएमका तीन दृष्टिकोण अनुसार, नवप्रवर्तनमा संगठनात्मक ज्ञान सम्पत्तिका तीन स्रोतहरू पहिचान गरिएका छन्। त्यसपछि, नवीनताका दुई मुख्य गतिविधिहरूको आधारमा, निरन्तर नवीनताका लागि ज्ञान व्यवस्थापनका संयन्त्रहरूको मोडेल गर्नका लागि ज्ञान व्यवस्थापनको मेटा-मोडेल र म्याक्रो प्रक्रिया प्रस्ताव गरिएको छ। |
1dba1fa6dd287fde87823218d4f03559dde4e15b | यस लेखमा स्टार्ट सूचना पहुँच प्रणालीमा प्रश्नको उत्तर दिन सहज बनाउन प्राकृतिक भाषाको एनोटेसनको प्रयोगबाट प्राप्त रणनीति र पाठ प्रस्तुत गरिएको छ। |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | तरल क्रिस्टल पोलीमर (एलसीपी) एक सामग्री हो जुन एक सम्भावित उच्च प्रदर्शन माइक्रोवेव सब्सट्रेट र प्याकेजि material्ग सामग्रीको रूपमा ध्यान प्राप्त गरेको छ। यो अनुसन्धानले मिलिमिटर-वेभ फ्रिक्वेन्सीका लागि एलसीपीको विद्युतीय गुणहरू निर्धारण गर्न विभिन्न विधिहरू प्रयोग गर्दछ। माइक्रोस्ट्रिप रिंग रेजोनेटर र गुहा रेजोनेटरहरू ३० गीगाहर्ज भन्दा माथि एलसीपीको डाइलेक्ट्रिक स्थिर (/spl epsi//sub r/) र हानि ट्यान्जेन्ट (tan/spl डेल्टा/) को विशेषताको लागि मापन गरिन्छ। मापन गरिएको डाइलेक्ट्रिक स्थिर ३.१६ को नजिक स्थिर देखाइएको छ र हानि ट्यान्जेन्ट ०.००४९ भन्दा कम रहन्छ। यसका अतिरिक्त विभिन्न प्रसारण लाइनहरू विभिन्न एलसीपी सब्सट्रेट मोटाईमा निर्माण गरिन्छ र हानि विशेषताहरू २ देखि ११० गीगाहर्ट्ज प्रति सेन्टिमिटर डेसिबलमा दिइएको छ। 110 GHz मा प्रसारण लाइनको चोटी हानि 0.88-2.55 dB/cm बीच भिन्न हुन्छ, लाइन प्रकार र ज्यामितिमा निर्भर गर्दछ। यी परिणामहरूले पहिलो पटक देखाउँछ कि एलसीपीसँग मिलिमिटर-वेभ फ्रिक्वेन्सीहरूमा विस्तारित अनुप्रयोगहरूको लागि उत्कृष्ट डाइलेक्ट्रिक गुणहरू छन्। |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | यस कागजातले एक हाइब्रिड रेडियो फ्रिक्वेन्सी (आरएफ) र पीजोइलेक्ट्रिक पातलो फिल्म पोलीविनालिडेन फ्लोराइड (पीवीडीएफ) कम्पन ऊर्जा हार्वेस्टरलाई पहिरनयोग्य उपकरणहरूको लागि वर्णन गर्दछ। परजीवी क्षमता र असतत इन्डक्टरहरूको प्रतिरोधात्मक विशेषताहरूको शोषण गरेर, प्रस्तावित हारभेस्टरले १ 15 हर्ट्ज कम्पन ऊर्जा मात्र सफा गर्दैन तर 915 मेगाहर्ट्ज लचिलो चाँदीको मसी आरएफ डाइपोल एन्टेनाको रूपमा पनि काम गर्दछ। यसबाहेक, एक इन्टरफेस सर्किट समावेश छ-चरण डिक्सन आरएफ-देखि-डीसी कनवर्टर र एक डायोड ब्रिज रेक्टिफायर हाइब्रिड हारभेस्टरको आरएफ र कम्पन आउटपुटलाई विद्युत प्रतिरोधात्मक भारमा डीसी संकेतमा रूपान्तरण गर्न मूल्यांकन गरिएको छ। अधिकतम डीसी आउटपुट पावर २०.९ μ, जब आरएफ लाई डीसी कन्भर्टर र -८ डीबीएम इनपुट आरएफ पावर प्रयोग गर्दा, खुला सर्किट आउटपुट भोल्टेजको ३६% मा प्राप्त हुन्छ जबकि ३ जी कम्पन उत्तेजनाबाट प्राप्त डीसी पावर अधिकतम २.८ μW मा पुग्छ। प्रयोगात्मक परिणामले देखाउँछ कि परीक्षण गरिएको हाइब्रिड कटाई प्रणालीले एकै साथ 7.3 μW DC शक्ति उत्पन्न गर्दछ, जब कटाईकर्ताबाट 3 W EIRP 915 MHz ट्रान्समिटरको दूरी 5.5 m छ, र 1.8 g कम्पन त्वरण शिखरबाट 1.8 μW DC शक्ति। |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | मानिसहरूले इन्टरनेट प्रयोग गर्ने तरिका जस्तै, उपकरणहरू इन्टरनेट अफ थिंग्स (आईओटी) इकोसिस्टममा मुख्य प्रयोगकर्ताहरू हुनेछन्। यसैले, उपकरण-देखि-उपकरण (डी२डी) संचार आईओटीको एक अन्तर्निहित भाग हुने अपेक्षा गरिएको छ। उपकरणहरू कुनै केन्द्रीकृत नियन्त्रण बिना एक अर्कासँग स्वायत्त रूपमा कुराकानी गर्नेछन् र बहु-हप तरिकामा जानकारी स collect्कलन, साझेदारी र अगाडि पठाउन सहयोग गर्नेछन्। वास्तविक समयमा सान्दर्भिक जानकारी संकलन गर्ने क्षमता आईओटीको मूल्यलाई बढावा दिनको लागि महत्वपूर्ण छ किनकि यस्तो जानकारीलाई बुद्धिमत्तामा रूपान्तरण गरिनेछ, जसले बुद्धिमान वातावरणको सिर्जनालाई सजिलो बनाउनेछ। अन्ततः, सङ्कलन गरिएको जानकारीको गुणस्तर यन्त्रहरू कति स्मार्ट छन् भन्नेमा निर्भर हुन्छ। यसका अतिरिक्त, यी सञ्चार गर्ने उपकरणहरू विभिन्न सञ्जाल मानकहरूसँग सञ्चालन हुनेछन्, एक अर्कासँग अन्तरालको कनेक्टिभिटी अनुभव गर्न सक्दछन्, र ती मध्ये धेरै स्रोत सीमित हुनेछन्। यी विशेषताहरूले धेरै नेटवर्क चुनौतीहरू खोल्दछ जुन परम्परागत मार्ग प्रोटोकलले समाधान गर्न सक्दैन। फलस्वरूप, उपकरणहरूलाई बुद्धिमान D2D संचार प्राप्त गर्नका लागि बुद्धिमान मार्ग प्रोटोकलहरू आवश्यक पर्दछ। हामी कसरी बौद्धिक डी टू डी संचार आईओटी इकोसिस्टममा प्राप्त गर्न सकिन्छ भन्ने बारे एक सिंहावलोकन प्रस्तुत गर्दछौं। विशेष गरी, हामी कसरी अत्याधुनिक मार्ग एल्गोरिदमहरू आईओटीमा बुद्धिमान डी २ डी संचार प्राप्त गर्न सक्दछौं भन्नेमा केन्द्रित छौं। |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ट्राफिक लाइट डिटेक्सन (टीएलडी) दुवै बुद्धिमान सवारी साधन र ड्राइभिङ्ग सहायता प्रणाली (डीएएस) को एक महत्वपूर्ण हिस्सा हो। अधिकांश टीएलडीहरूको लागि सामान्य यो हो कि तिनीहरू सानो र निजी डाटासेटमा मूल्या are्कन गरिन्छ जुन दिइएको विधिको सही प्रदर्शन निर्धारण गर्न गाह्रो बनाउँदछ। यस लेखमा हामी अत्याधुनिक, वास्तविक समय वस्तु पत्ता लगाउने प्रणाली You Only Look Once, (YOLO) लाई सार्वजनिक LISA ट्राफिक लाइट डाटासेटमा प्रयोग गर्छौं, जुन VIVA-चुनौती मार्फत उपलब्ध छ, जसमा धेरै संख्यामा एनोटेटेड ट्राफिक लाइटहरू छन्, जुन फरक प्रकाश र मौसमको अवस्थामा क्याप्चर गरिएको छ। एसीएफ डिटेक्टरको रूपमा ठ्याक्कै उही प्रशिक्षण कन्फिगरेसन प्रयोग गर्दै, योलो डिटेक्टरले 58.3% को एयूसीमा पुग्छ, जुन १ 18.13..XNUMX% को वृद्धिमा छ। |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | दृश्य वर्गीकरण कम्प्युटर भिजनमा एउटा आधारभूत समस्या हो। यद्यपि, दृश्य बुझ्ने अनुसन्धान हाल प्रयोगमा रहेका डाटाबेसहरूको सीमित दायराले सीमित भएको छ जसले दृश्य कोटीहरूको पूर्ण विविधतालाई समेट्दैन। वस्तु वर्गीकरणका लागि मानक डेटाबेसमा वस्तुहरूको सयौं विभिन्न वर्गहरू छन्, दृश्य श्रेणीहरूको सबैभन्दा ठूलो उपलब्ध डाटासेटमा केवल १ 15 वर्गहरू छन्। यस लेखमा हामी विस्तृत दृश्य UNderstanding (SUN) डाटाबेस प्रस्ताव गर्दछौं जसमा 899 कोटीहरू र 130,519 छविहरू छन्। हामीले ३९७ वटा राम्रो नमूना गरिएका वर्गहरू प्रयोग गरेर दृश्य पहिचानका लागि धेरै अत्याधुनिक एल्गोरिदमहरू मूल्यांकन गरेका छौं र प्रदर्शनको नयाँ सीमाहरू स्थापित गरेका छौं। हामी मानव दृश्य वर्गीकरण प्रदर्शन मापन SUN डेटाबेस मा र कम्प्यूटेशनल विधिहरु संग तुलना। यसको अतिरिक्त, हामी साना दृश्यहरुको प्रतिनिधित्व अध्ययन गर्छौ ठूला दृश्यहरुको भित्र रहेका दृश्यहरुको पहिचान गर्नका लागि |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | यस कागजले तालिकामा आधारित प्राकृतिक भाषा वाक्य उत्पन्न गर्न एक न्यूरल जेनरेटिभ मोडेल, अर्थात् Table2Seq प्रस्ताव गर्दछ। विशेष गरी, मोडेलले तालिकालाई निरन्तर भेक्टरहरूमा नक्शा बनाउँछ र त्यसपछि तालिकाको अर्थशास्त्रको लाभ उठाएर प्राकृतिक भाषा वाक्य उत्पन्न गर्दछ। दुर्लभ शब्दहरू, उदाहरणका लागि, संस्थाहरू र मानहरू, सामान्यतया तालिकामा देखा पर्दछ, हामी एक लचिलो प्रतिलिपि संयन्त्र विकास गर्दछौं जसले तालिकाबाट सामग्रीलाई आउटपुट अनुक्रममा छनौट गरेर प्रतिलिपि गर्दछ। हामीले हाम्रो टेबल २ सेक मोडेलको प्रभावकारिता र डिजाइन गरिएको प्रतिलिपि गर्ने संयन्त्रको उपयोगिता प्रदर्शन गर्न व्यापक प्रयोगहरू गरिरहेका छौं। विकिबियो र सिम्पलेक्वेस्टिओन्स डाटासेटमा तालिका २ सेकेन्डको मोडेलले ब्लु-४ स्कोरको हिसाबले क्रमशः ३४.७० बाट ४०.२६ र ३३.३२ बाट ३९.१२ मा अत्याधुनिक नतिजा सुधार गर्दछ। यसबाहेक, हामी एक खुला डोमेन डाटासेट WIKITABLETEXT निर्माण गर्छौं जसमा 13 318 4962 तालिकाहरूको लागि वर्णनात्मक वाक्यहरू समावेश गर्दछ। हाम्रो Table2Seq मोडेलले टेम्प्लेट-आधारित र भाषा मोडेल-आधारित दृष्टिकोणहरूलाई पार गर्दै WIKITABLETEXT मा 38.23 को BLEU-4 स्कोर प्राप्त गर्दछ। यसबाहेक, खोज इन्जिनबाट १ एम टेबल-क्वेरी जोडीमा प्रयोगहरू मार्फत, हाम्रो टेबल २ सेक् मोडेलले तालिकाको संरचित भागलाई विचार गर्दछ, अर्थात्, तालिका विशेषताहरू र तालिका कक्षहरू, अतिरिक्त जानकारीको रूपमा अनुक्रम-देखि-अनुक्रम मोडेललाई एक तालिकाको अनुक्रमिक भागलाई मात्र विचार गर्दै, अर्थात्, तालिका क्याप्शन। |
ea951c82efe26424e3ce0d167e01f59e5135a2da | समयमै उठेर जान सक्ने परीक्षण वृद्ध र पार्किन्सन रोगका बिरामीहरूको गतिशीलता निर्धारण गर्ने क्लिनिकल परीक्षण हो। हाल परीक्षणको उपकरणयुक्त संस्करणहरू विचारमा छन्, जहाँ जडत्वीय सेन्सरहरूले गतिको मूल्याङ्कन गर्दछन्। यसको व्यापकता, प्रयोगमा सहजता र लागतमा सुधार गर्न हामी स्मार्टफोनको एक्सेलेरोमिटरलाई मापन प्रणालीको रूपमा लिन्छौं। परीक्षणको क्रममा रेकर्ड गरिएका संकेतहरूबाट धेरै प्यारामिटरहरू (सामान्यतया अत्यधिक सहसंबद्ध) गणना गर्न सकिन्छ। लोकोमोटर प्रदर्शनको लागि सबैभन्दा संवेदनशील विशेषताहरू प्राप्त गर्न र रिडन्डन्सीबाट बच्न, मुख्य घटक विश्लेषण (पीसीए) मार्फत आयाम घटाइएको थियो। विभिन्न उमेरका ४९ जना स्वस्थ व्यक्तिहरूमा परीक्षण गरियो। पीसीए नयाँ विशेषताहरु (मुख्य घटक) निकाल्नको लागि प्रदर्शन गरिएको थियो जुन मूल प्यारामिटरहरूको अनावश्यक संयोजनहरू होइनन् र डाटाको अधिकांश भिन्नताका लागि खाता हो। तिनीहरू अन्वेषणात्मक विश्लेषण र बहिर्मुखी पहिचानको लागि उपयोगी हुन सक्छन्। त्यसपछि, मूल मापदण्डहरूको एक कम सेट मुख्य घटकहरूसँग सहसंबंध विश्लेषणको माध्यमबाट चयन गरिएको थियो। यो सेट स्वस्थ वयस्कहरूमा आधारित अध्ययनहरूको लागि सिफारिस गर्न सकिन्छ। प्रस्तावित प्रक्रियालाई वर्गीकरण अध्ययनमा पहिलो स्तरको विशेषता चयनको रूपमा प्रयोग गर्न सकिन्छ (यानी यसले भविष्यमा स्मार्टफोनमा पूर्ण गति विश्लेषण प्रणाली समावेश गर्न अनुमति दिन्छ। |
e467278d981ba30ab3b24235d09205e2aaba3d6f | यस अध्ययनको लक्ष्य अनुक्रमिक मध्यस्थता मोडेलको विकास र परीक्षण गर्नु थियो जसले निष्क्रिय नेतृत्वको नकारात्मक सम्बन्धलाई कर्मचारीको कल्याणमा व्याख्या गर्दछ। भूमिका तनाव सिद्धान्तको आधारमा हामी यो धारणा राख्छौं कि निष्क्रिय नेतृत्वले भूमिका अस्पष्टता, भूमिका द्वन्द्व र भूमिकाको अधिक भारको उच्च स्तरको भविष्यवाणी गर्नेछ। संसाधन संरक्षण सिद्धान्तको प्रयोग गरेर हामी यो पनि अनुमान गर्छौं कि यी भूमिका तनावले अप्रत्यक्ष र नकारात्मक रूपमा कर्मचारीको कल्याणको दुई पक्षलाई असर गर्नेछ, अर्थात् समग्र मानसिक स्वास्थ्य र समग्र कार्य दृष्टिकोण, मनोवैज्ञानिक काम थकानको माध्यमबाट। २,४६७ अमेरिकी कामदारहरूको सम्भावना नमूना प्रयोग गरेर संरचनात्मक समीकरण मोडेलले भूमिका तनाव र मनोवैज्ञानिक काम थकानले आंशिक रूपमा निष्क्रिय नेतृत्व र कर्मचारी कल्याणको दुबै पक्षहरू बीचको नकारात्मक सम्बन्धलाई मध्यस्थता गरेको देखाउँदै मोडेललाई समर्थन गर्यो। परिकल्पना गरिएको अनुक्रमिक अप्रत्यक्ष सम्बन्धले निष्क्रिय नेतृत्व र मानसिक स्वास्थ्यको बीचमा समग्र सम्बन्धको ४७.९% र निष्क्रिय नेतृत्व र समग्र कार्य दृष्टिकोणको बीचमा समग्र सम्बन्धको २६.६% व्याख्या गर्यो। प्रतिलिपि अधिकार © 2016 जोन विले एण्ड सन्स, लिमिटेड |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | लेख इतिहासः २२ अगस्ट २००७ मा प्राप्त २९ फेब्रुअरी २००८ मा स्वीकार |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | गहिरो डोमेन अनुकूलन विधिहरूले डोमेन-अपरिवर्तनीय एम्बेडिंगहरू सिकेर वितरण विसंगति कम गर्न सक्दछ। तर, यी विधिहरू केवल सम्पूर्ण डाटा वितरणहरू पङ्क्तिबद्ध गर्नमा केन्द्रित हुन्छन्, स्रोत र लक्ष्य छविहरू बीचको वर्ग स्तर सम्बन्धहरूलाई विचार नगरी। यस प्रकार, एक पक्षी को एक लक्ष्य embeddings एक हवाईजहाज को स्रोत embeddings संग पङ्क्तिबद्ध हुन सक्छ। यो अर्थिक असंगतिले लक्षित डाटासेटमा वर्गीकरणकर्ता प्रदर्शनलाई सीधा गिराउन सक्छ। यो समस्यालाई कम गर्न, हामी एक समानता सीमित संरेखण (एससीए) विधि अनसुर्जित डोमेन अनुकूलनको लागि प्रस्तुत गर्दछौं। एम्बेडिंग स्पेसमा वितरणहरू पign्क्तिबद्ध गर्दा, एससीएले स्रोत र लक्षित छविहरू बीच वर्ग-स्तर सम्बन्धहरू कायम गर्न समानता-संरक्षण बाध्यता लागू गर्दछ, अर्थात्, यदि स्रोत छवि र लक्षित छवि समान वर्ग लेबलको हो भने, तिनीहरूको सम्बन्धित एम्बेडिंगहरू नजिकै पign्क्तिबद्ध हुनुपर्दछ, र यसको विपरित। लक्ष्य लेबलको अभावमा, हामी लक्षित छविहरूको लागि छद्म लेबलहरू प्रदान गर्दछौं। लेबल गरिएको स्रोत छविहरू र छद्म-लेबल गरिएको लक्ष्य छविहरू दिईएको छ, समानता-संरक्षण अवरोध ट्रिपलट घाटालाई न्यूनतम गरेर लागू गर्न सकिन्छ। डोमेन पङ्क्तिबद्धता हानि र समानता-संरक्षण अवरोधको संयुक्त पर्यवेक्षणको साथ, हामी एउटा नेटवर्कलाई दुई महत्वपूर्ण विशेषताहरू, इनट्रा-क्लास कम्प्याक्टनेस र इन्टर-क्लास पृथक्करणको साथ डोमेन-अपरिवर्तनीय एम्बेडेडहरू प्राप्त गर्न प्रशिक्षण दिन्छौं। दुई डाटासेटमा गरिएको व्यापक प्रयोगले एससीएको प्रभावकारितालाई राम्रोसँग देखाउँछ। |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | यस लेखमा हामी एउटा पोर्टेबल स्मार्ट राडार सेन्सरबाट हस्ताक्षरको ढाँचा पहिचानमा आधारित मानव इशारा पहिचान प्रणालीको डिजाइनबारे छलफल गर्नेछौं। एएए ब्याट्रीबाट संचालित, स्मार्ट रडार सेन्सर २.४ गीगाहर्ज औद्योगिक, वैज्ञानिक र चिकित्सा (आईएसएम) ब्यान्डमा काम गर्दछ। हामीले विशेषता स्थानको विश्लेषण गर्यौं, मुख्य घटकहरू र अनुप्रयोग-विशिष्ट समय र फ्रिक्वेन्सी डोमेन विशेषताहरू प्रयोग गरेर दुई फरक सेटका इशाराहरूको लागि रडार संकेतहरूबाट निकालेका। हामी देखाउँछौं कि निकटतम छिमेकी आधारित वर्गीकरणकर्ताले बहु वर्ग वर्गीकरणको लागि 95% भन्दा बढी शुद्धता प्राप्त गर्न सक्दछ १० पटक क्रस मान्यकरण प्रयोग गरेर जब विशेषताहरू परिमाण भिन्नता र डोप्लर शिफ्टको आधारमा निकालिन्छ ort ort orthogonal रूपान्तरणको माध्यमबाट निकालेका सुविधाहरूको तुलनामा। रिपोर्ट गरिएका परिणामहरूले उच्च सटीक स्मार्ट घर र स्वास्थ्य अनुगमन उद्देश्यका लागि एक ढाँचा पहिचान प्रणालीको साथ एकीकृत बुद्धिमान रडारहरूको सम्भावनालाई चित्रण गर्दछ। |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | नेटवर्क र त्यसको स्रोतहरूमाथि आक्रमणको निरन्तर वृद्धि (जसरी हालै कोडरेड कीराले देखाएको छ) ले यी बहुमूल्य सम्पत्तिहरूको रक्षा गर्न आवश्यक बनाएको छ। फायरवालहरू अहिले सामान्य स्थापना भएका छन् जसले पहिलो स्थानमा घुसपैठ प्रयासहरूलाई रोक्दछ। घुसपैठ पत्ता लगाउने प्रणाली (आईडीएस), जसले खराब गतिविधिहरूलाई रोक्ने सट्टा पत्ता लगाउने प्रयास गर्छ, पहिलो सुरक्षा घेरामा प्रवेश गरिसकेपछि थप सुरक्षा प्रदान गर्दछ। आईडी प्रणालीहरू संकलन गरिएको डाटालाई पूर्व परिभाषित हस्ताक्षरहरूसँग तुलना गरेर आक्रमणहरू पिन गर्न प्रयास गर्दछ जुन दुर्भावनापूर्ण (हस्ताक्षरमा आधारित) वा कानूनी व्यवहारको मोडेल (अनावश्यकतामा आधारित) हो। एनोमलीमा आधारित प्रणालीहरूसँग पहिले अज्ञात आक्रमणहरू पत्ता लगाउन सक्षम हुनुको फाइदा छ तर उनीहरूले स्वीकार्य व्यवहारको ठोस मोडेल निर्माण गर्न कठिनाई भोग्छन् र असामान्य तर अधिकृत गतिविधिहरूको कारण हुने अलार्महरूको उच्च संख्या। हामी एउटा दृष्टिकोण प्रस्तुत गर्दछौं जसले सुरक्षा गरिनु पर्ने नेटवर्क सेवाहरूको अनुप्रयोग विशिष्ट ज्ञानको उपयोग गर्दछ। यो जानकारीले हालको, सरल नेटवर्क ट्राफिक मोडेललाई एउटा अनुप्रयोग मोडेल बनाउन मद्दत गर्दछ जसले एकल नेटवर्क प्याकेटहरूमा लुकेको दुर्भावनापूर्ण सामग्री पत्ता लगाउन अनुमति दिन्छ। हामी हाम्रो प्रस्तावित मोडेलको विशेषताहरू वर्णन गर्दछौं र प्रयोगात्मक डाटा प्रस्तुत गर्दछौं जसले हाम्रो प्रणालीको दक्षतालाई रेखांकित गर्दछ। |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | प्राप्त: २० जुलाई २०१२ परिमार्जित: १८ फेब्रुअरी २०१३ दोस्रो परिमार्जन: २८ जुन २०१३ तेस्रो परिमार्जन: २० सेप्टेम्बर २०१३ चौथो परिमार्जन: ७ नोभेम्बर २०१३ स्वीकृत: १ फेब्रुअरी २०१४ सार सामाजिक सञ्जाल साइटहरूमा सन्देश र सामाजिक सम्बन्धहरूको संख्या बढ्दै जाँदा, व्यक्तिहरूको प्रतिक्रियाको माग गर्ने सामाजिक जानकारीको मात्रा पनि बढ्दै जान्छ। हामी देख्छौं कि, परिणामस्वरुप, एसएनएस प्रयोगकर्ताहरूलाई लाग्छ कि उनीहरूले अन्य एसएनएस प्रयोगकर्ताहरूलाई धेरै सामाजिक समर्थन दिइरहेका छन्। सामाजिक समर्थन सिद्धान्त (एसएसटी) मा आधारित, हामी एसएनएस प्रयोगको साथ यो नकारात्मक सम्बन्धलाई सामाजिक अधिभार भन्छौं र यसलाई मापन गर्न एक लुकेको चर विकास गर्दछौं। त्यसपछि हामीले सामाजिक ओभरलोडको सैद्धान्तिक पूर्ववर्ती र परिणामहरू पहिचान गर्यौं र सामाजिक ओभरलोड मोडेलको अनुभविक रूपमा मूल्यांकन गर्यौं १२ जनासँगको अन्तर्वार्ता र ५७१ फेसबुक प्रयोगकर्ताहरूको सर्वेक्षण प्रयोग गरेर। परिणामले देखाउँछ कि प्रयोगको सीमा, साथीहरूको संख्या, व्यक्तिपरक सामाजिक समर्थन मानदण्डहरू, र सम्बन्धको प्रकार (अनलाइन-मात्र बनाम अफलाइन साथीहरू) कारकहरू हुन् जसले सामाजिक अधिभारमा प्रत्यक्ष योगदान पुर्याउँछन् जबकि उमेरको अप्रत्यक्ष प्रभाव मात्र हुन्छ। सामाजिक अधिभारको मनोवैज्ञानिक र व्यवहारिक परिणामहरूमा प्रयोगकर्ताहरू द्वारा एसएनएस थकानको भावना, प्रयोगकर्ता सन्तुष्टिको कम स्तर, र एसएनएस प्रयोग कम गर्न वा रोक्नको लागि उच्च इरादा समावेश छ। एसएसटी र एसएनएस स्वीकृति अनुसन्धानका लागि सैद्धान्तिक प्रभावहरूको चर्चा गरिएको छ र संगठनहरू, एसएनएस प्रदायकहरू र एसएनएस प्रयोगकर्ताहरूका लागि व्यावहारिक प्रभावहरू लिइएको छ। युरोपेली सूचना प्रणाली जर्नल अग्रिम अनलाइन प्रकाशन, ४ मार्च २०१४; doi:10.1057/ejis.2014.3; सुधार गरिएको अनलाइन ११ मार्च २०१४ |
ffcb7146dce1aebf47a910b51a873cfec897d602 | स्क्यान र सेगमेन्ट स्क्यान धेरै प्रकारका अनुप्रयोगहरूको लागि महत्त्वपूर्ण डाटा-समानान्तर प्राइमटिभहरू हुन्। हामी ग्राफिक्स प्रोसेसिंग युनिट (जीपीयू) मा यी आदिमहरूको लागि द्रुत, कार्य-कुशल एल्गोरिदम प्रस्तुत गर्दछौं। हामी नयाँ डाटा प्रतिनिधित्व प्रयोग गर्छौं जुन GPU आर्किटेक्चरसँग राम्रोसँग मेल खान्छ। हाम्रो एल्गोरिदमले साझा मेमोरीको उपयोग मेमोरी प्रदर्शन सुधार गर्नका लागि गर्छ। हामी हाम्रो एल्गोरिदमको प्रदर्शनलाई अझ सुधार गर्छौं साझा-स्मृति बैंक द्वन्द्व हटाएर र साझा-स्मृति GPU एल्गोरिदममा पहिलेको ओभरहेड कम गरेर। यसबाहेक, हाम्रो एल्गोरिदमहरू सामान्य डाटा सेटहरूमा राम्रोसँग काम गर्नका लागि डिजाइन गरिएको छ, जसमा मनमाने खण्ड लम्बाईहरू सहित खण्डित एरेहरू समावेश छन्। हामी सेगमेन्ट लम्बाइमा आधारित सेगमेन्ट स्क्यानको प्रदर्शन सुधार गर्नका लागि अनुकूलन पनि प्रस्तुत गर्दछौं। हामीले हाम्रो एल्गोरिदमलाई एनभिडिया जिफोर्स ८८०० जीपीयू भएको पीसीमा लागू गरेका थियौं र हाम्रो परिणामलाई अघिल्लो जीपीयूमा आधारित एल्गोरिदमसँग तुलना गरेका थियौं। हाम्रो परिणामले लाखौं तत्वहरूको इनपुट अनुक्रममा अघिल्लो एल्गोरिदमको तुलनामा १० गुणा बढी प्रदर्शन देखाउँछ। |
6a640438a4e50fa31943462eeca716413891a773 | हामी नयाँ श्रेणीकरण एल्गोरिथ्म प्रस्तुत गर्दछौं जसले दुई अघिल्लो विधिहरूको शक्तिलाई जोड्दछः बृद्धि गरिएको रूख वर्गीकरण, र ल्याम्ब्डा आर, जुन व्यापक रूपमा प्रयोग गरिएको सूचना पुनः प्राप्ति मापनको लागि अनुभवात्मक रूपमा इष्टतम देखाइएको छ। यो एल्गोरिथ्म बढाइएको प्रतिगमन रूखहरूमा आधारित छ, यद्यपि विचारहरू कुनै पनि कमजोर सिक्नेहरूलाई लागू हुन्छन्, र यो तुलनात्मक ज्ञानको लागि कलाको राज्यको तुलनामा प्रशिक्षण र परीक्षण चरणहरूमा महत्त्वपूर्ण रूपमा छिटो हुन्छ। हामी पनि देखाउँछौं कि कसरी कुनै पनि दुई रन्करहरूको लागि इष्टतम रैखिक संयोजन फेला पार्न सकिन्छ, र हामी यो विधि प्रयोग गरेर रेखा खोज समस्या समाधान गर्न सक्दछौं। यसबाहेक, हामी पहिले नै प्रशिक्षित मोडेल सुरु, र यसको अवशिष्ट प्रयोग बढाउने, मोडेल अनुकूलन लागि एक प्रभावकारी प्रविधी प्रदान गर्दछ भनेर देखाउँछ, र हामी बजार लागि जो लागि मात्र सानो मात्रामा उपलब्ध छन् लागि वेब खोज प्रशिक्षण रैंकिंग मा एक विशेष दबाब दिने समस्या को लागि परिणाम दिन, एक ठूलो बजार देखि धेरै डाटा मा प्रशिक्षित रैंकिंग दिइएको। |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | हामी एउटा गहिरो नेटवर्कको वास्तुकला प्रस्तुत गर्छौं जसलाई डेरेननेट भनिन्छ, जसले वर्षाको रेखालाई तस्विरबाट हटाउँछ। गहिरो संवृतिक तंत्रिका सञ्जाल (सीएनएन) मा आधारित, हामी सिधै डाटाबाट वर्षा र सफा छवि विवरण तहहरू बीचको नक्सा सम्बन्ध सिक्छौं। हामीसँग वास्तविक वर्षाको चित्रसँग मेल खाने आधारभूत सत्य नभएकाले हामी प्रशिक्षणका लागि वर्षाको साथमा चित्रहरू संश्लेषित गर्छौं। अन्य सामान्य रणनीतिहरूको विपरीत जुन नेटवर्कको गहिराई वा चौडाई बढाउँदछ, हामी छवि प्रसंस्करण डोमेन ज्ञान प्रयोग गर्दछौं उद्देश्य प्रकार्य परिमार्जन गर्न र एक मध्यम आकारको सीएनएनको साथ ड्रेयनिंग सुधार गर्न। विशेष गरी, हामी हाम्रो DerainNet लाई छवि डोमेनमा भन्दा विवरण (उच्च-पास) तहमा प्रशिक्षण दिन्छौं। यद्यपि डेरेननेटलाई सिंथेटिक डाटामा प्रशिक्षित गरिएको छ, हामीले पत्ता लगायौं कि सिकेको नेटवर्कले परीक्षणको लागि वास्तविक संसारका छविहरूमा धेरै प्रभावकारी रूपमा अनुवाद गर्दछ। यसबाहेक, हामीले सीएनएन फ्रेमवर्कलाई छवि वृद्धिद्वारा बढाएका छौं जसले दृश्य परिणामहरूलाई सुधार गर्दछ। अत्याधुनिक एकल छवि डे-रेनिङ विधिहरूको तुलनामा, हाम्रो विधिले वर्षा हटाउने कार्यमा सुधार गरेको छ र नेटवर्क प्रशिक्षण पछि धेरै छिटो गणना समय प्राप्त गरेको छ। |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | सिकाइ विश्लेषण टेक्नोलोजी-बढाइएको सिकाइको एक महत्त्वपूर्ण क्षेत्र हो जुन पछिल्लो दशकमा देखा परेको छ। यस क्षेत्रको समीक्षा शैक्षिक वातावरणमा विश्लेषणको विकासलाई चलाउने प्राविधिक, शैक्षिक र राजनीतिक कारकहरूको परीक्षाबाट सुरु हुन्छ। यसले २० औं शताब्दीमा यसको उत्पत्ति, डाटा-आधारित विश्लेषणको विकास, शिक्षामा केन्द्रित दृष्टिकोणको उदय र राष्ट्रिय आर्थिक चिन्ताको प्रभाव सहित सिकाई विश्लेषणको उदयको रेखाचित्र बनाउँछ। यसले सिक्ने विश्लेषण, शैक्षिक डाटा खानी र शैक्षिक विश्लेषणको बीचको सम्बन्धमा ध्यान केन्द्रित गर्दछ। अन्तमा, यसले सिकाइ विश्लेषण अनुसन्धानको विकासशील क्षेत्रहरूको जाँच गर्छ र भविष्यका चुनौतीहरूको एक श्रृंखला पहिचान गर्दछ। |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | तर, ठाउँको अभावमा यो खण्ड निकै कम भएको छ। यसबाहेक, समय, भू-स्थानिक, व्यक्ति, घटनाहरू, र सञ्जाल सञ्चालनहरूमा केन्द्रित उपयोगिता ओन्टोलोजीहरू संक्षिप्त रूपमा वर्णन गरिएको छ। यी उपयोगिता ओन्टोलोजीहरूलाई विशेष सुपर-डोमेन वा मध्य-स्तर ओन्टोलोजीहरूको रूपमा हेर्न सकिन्छ, किनकि तिनीहरू धेरै, यदि अधिकांश होइन भने, ओन्टोलोजीहरू - कुनै साइबर ओन्टोलोजी सहित। व्यापार अध्ययन द्वारा प्रयोग गरिएको ओन्टोलोजिकल वास्तुकलाको एक समग्र दृश्य पनि दिइएको छ। व्यापार अध्ययनको प्रतिवेदनले व्यापारको पुनरावर्ती विकासमा केही प्रस्तावित कदमहरू सहित निष्कर्ष निकालेको छ। यो कागजले हामीले साइबर ओन्टोलोजीको विकासलाई समर्थन गर्नका लागि सुरुवाती मालवेयर ओन्टोलोजीबाट गरेको व्यापार अध्ययनको रिपोर्ट गर्दछ। साइबर ओन्टोलोजी प्रयासको लक्ष्यहरू पहिले वर्णन गरिएको छ, त्यसपछि प्रयोग गरिएको ओन्टोलोजी विकास पद्धतिको छलफलको साथ। यसपछि लेखको मुख्य भाग आउँछ, जुन सम्भावित ओन्टोलोजी र मानकहरूको वर्णन हो जुन साइबर ओन्टोलोजीलाई यसको सुरुमा सीमित मालवेयर फोकसबाट विस्तार गर्न प्रयोग गर्न सकिन्छ। यी स्रोतहरूमा विशेष गरी साइबर र मालवेयर मानकहरू, योजनाहरू, र शब्दावलीहरू समावेश छन् जसले प्रत्यक्ष रूपमा प्रारम्भिक मालवेयर ओन्टोलोजी प्रयासमा योगदान पुर्यायो। अन्य स्रोतहरू माथिल्लो (कहिलेकाँही आधारभूत भनिन्छ) ओन्टोलोजीहरू हुन्। कुनै पनि साइबर ओन्टोलोजीले विस्तार गर्ने मूल अवधारणाहरू यी आधारभूत ओन्टोलोजीहरूमा पहिल्यै पहिचान र कडाईका साथ परिभाषित गरिएको छ। |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | ट्रयाकिङ-बाइ-डिटेक्शनले धेरै लक्ष्यहरू ट्रयाक गर्ने कार्यलाई सम्बोधन गर्न सबैभन्दा सफल रणनीति साबित भएको छ [उदाहरणका लागि] [४०, ५३, ५५] परम्परागत रूपमा, एक पूर्व-प्रसंस्करण चरणमा उत्पन्न बिस्तारै पत्ता लगाउनेहरूको सेट, उच्च-स्तरको ट्र्याकरको लागि इनपुटको रूपमा काम गर्दछ जसको लक्ष्य समयको साथ यी dots लाई सही रूपमा सम्बद्ध गर्नु हो। यस दृष्टिकोणको स्पष्ट कमी यो छ कि छवि अनुक्रममा उपलब्ध अधिकांश जानकारीहरू केवल कमजोर पत्ता लगाउने प्रतिक्रियाहरू थ्रेसहोल्डिंग गरेर र गैर-अधिकतम दमन लागू गरेर बेवास्ता गरिन्छ। हामी बहु-लक्ष्य ट्र्याकर प्रस्ताव गर्दछौं जसले कम स्तरको छवि जानकारीको शोषण गर्दछ र प्रत्येक (सुपर) पिक्सेललाई एक विशिष्ट लक्ष्यमा सम्बन्धित गर्दछ वा यसलाई पृष्ठभूमिको रूपमा वर्गीकृत गर्दछ। परिणाम स्वरूप, हामी असीमित, वास्तविक-विश्व भिडियोहरूमा क्लासिक बाउन्डिंग-बक्स प्रतिनिधित्वको अतिरिक्त भिडियो विभाजन प्राप्त गर्दछौं। हाम्रो विधिले धेरै मानक बेन्चमार्क अनुक्रमहरूमा उत्साहजनक परिणामहरू देखाउँदछ र लामो अवधिको आंशिक अवरुद्धताका साथ भीडभाड दृश्यहरूमा पत्ता लगाउने-द्वारा-अनुगमन दृष्टिकोणहरूको राज्यलाई उल्लेखनीय रूपमा प्रदर्शन गर्दछ। |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | केही दशकदेखि, तथ्याङ्कविद्हरूले पुनरावर्ती अपेक्षा-अधिकतमकरण (ईएम) प्रविधिहरूमार्फत जनरेटिभ मोडेलका प्यारामिटरहरूको अनुमान गरेर वर्गीकरणकर्ताहरूलाई तालिम दिन लेबल गरिएको र लेबल नगरिएको डाटाको संयोजनको प्रयोगको वकालत गरेका छन्। यस अध्यायले पाठ वर्गको पहिचानको क्षेत्रमा लागू गर्दा यस दृष्टिकोणको प्रभावकारिताको अन्वेषण गर्दछ। पाठ कागजातहरू यहाँ शब्दहरूको झोला मोडेलको साथ प्रतिनिधित्व गरिन्छ, जसले बहुपदहरूको मिश्रणमा आधारित एक जनरेटिव वर्गीकरण मोडेलमा पुर्याउँछ। यो मोडेल लिखित पाठको जटिलताको एक अत्यन्त सरल प्रतिनिधित्व हो। यस अध्यायमा जनरेटिभ मोडेलको साथ पाठ वर्गीकरणको लागि अर्ध-पर्यवेक्षित शिक्षाको बारेमा तीन मुख्य बुँदाहरू वर्णन र चित्रण गरिएको छ। पहिलो, सरल प्रतिनिधित्वको बाबजुद, केही पाठहरूले जनरेटिभ मोडेल सम्भावना र वर्गीकरण शुद्धता बीच उच्च सकारात्मक सहसंबंध देखाउँछन्। यी क्षेत्रहरूमा, ईएमको सरल अनुप्रयोग बेय्स टेक्स्ट मोडेलको साथ राम्रो काम गर्दछ। दोस्रो, केही पाठ डोमेनहरूसँग यो सम्बन्ध छैन। यहाँ हामी एक अधिक अभिव्यक्त र उपयुक्त जनरेटिव मोडेल को लागी विकल्प दिन सक्छौं जुन एक सकारात्मक correlation छ। यी क्षेत्रमा अर्ध-निरीक्षित शिक्षाले वर्गीकरण र शुद्धतामा सुधार ल्याउँछ। अन्तमा, ईएमले स्थानीय अधिकतमको समस्याबाट पीडित छ, विशेष गरी उच्च आयाममा जस्तै पाठ वर्गीकरण। हामी देखाउँछौं कि ईएमको एक प्रकारको डेटर्मिनेस्टिक एनीलिङले स्थानीय अधिकतमको समस्यालाई हटाउन मद्दत गर्न सक्छ र जब जेनेरेटिभ मोडेल उपयुक्त हुन्छ तब वर्गीकरणको शुद्धता बढाउन सक्छ। |
696ad1c38b588dae3295668a0fa34021c4481030 | हामी बहु-लेबल, विशाल बहु-वर्ग छवि वर्गीकरण मोडेलहरू प्रशिक्षणको लागि एक विधि प्रस्तुत गर्दछौं, जुन सिग्मोइड क्रस-एन्ट्रोपी हानि (लोजिस्टिक रिग्रेसन) मार्फत पर्यवेक्षण भन्दा छिटो र अधिक सटीक छ। हाम्रो विधिमा उच्च-आयामी छिटो लेबलहरू इकाई-मानकीकृत भेक्टरहरूको कम-आयामी घना क्षेत्रमा सम्मिलित गर्नु र वर्गीकरण समस्यालाई यस क्षेत्रमा कोसिनस निकटता प्रतिगमन समस्याको रूपमा व्यवहार गर्नु समावेश छ। हामीले हाम्रो विधिलाई ३०० मिलियन उच्च रिजोल्युसन छविहरूको डाटासेटमा परीक्षण गरेका छौं १७,००० लेबलहरू सहित, जहाँ यसले धेरै छिटो अभिसरण दिन्छ, साथै लजिस्टिक रिग्रेसनको तुलनामा औसत औसत शुद्धता ७% बढी हुन्छ। |
ad5974c04b316f4f379191e4dbea836fd766f47c | यस लेखमा मेसिन अनुवादमा ठूलो स्तरको सांख्यिकीय भाषा मोडलिङको फाइदाबारे जानकारी दिइएको छ। एउटा वितरित पूर्वाधार प्रस्ताव गरिएको छ जसलाई हामी २ ट्रिलियन टोकनमा तालिम दिन प्रयोग गर्छौं, जसको परिणाम स्वरूप ३०० बिलियन एन-ग्रामसम्मको भाषा मोडेल हुन्छ। यो द्रुत, एकल-पास डिकोडिङको लागि सुचारु सम्भावनाहरू प्रदान गर्न सक्षम छ। हामी नयाँ सुचारु गर्ने विधि प्रस्तुत गर्छौं, जसलाई मूर्ख ब्याकअफ भनिन्छ, जुन ठूलो डाटा सेटमा तालिम दिन सस्तो छ र प्रशिक्षण डेटाको मात्रा बढ्दै जाँदा केनेसर-ने सुचारुको गुणस्तरको नजिक पुग्छ। |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | यस परियोजनामा, हामी प्रसिद्ध स्ट्यानफोर्ड प्रश्न उत्तर डेटासेट (SQuAD) मा प्रश्न उत्तर कार्यको लागि अन्त-देखि-अन्त न्युरोल नेटवर्क आर्किटेक्चर निर्माण गर्न इच्छुक छौं। हाम्रो कार्यान्वयन हालैको उच्च प्रदर्शन प्राप्त गर्ने विधिबाट प्रेरित छ जसले गतिशील ध्यान केन्द्रित गर्ने डिकोडरलाई गतिशील ध्यान केन्द्रित गर्ने नेटवर्कको रूपमा चिनिन्छ। हामीले विभिन्न संयोजन र परीक्षण डिकोडिङ प्रविधिको खोजी गर्यौं जुन हामी विश्वास गर्छौं कि त्यस्ता प्रणालीहरूको प्रदर्शन सुधार गर्न सक्छ। |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | हाम्रो समाजको नेटवर्क कम्प्युटरमा निर्भरता डरलाग्दो भएको छ: अर्थव्यवस्थामा, सम्पूर्ण डिजिटल नेटवर्कहरू सुविधाजनकबाट ड्राइभरहरूमा परिणत भएका छन्; साइबर-भौतिक प्रणालीहरू उमेरको रूपमा आउँदैछन्, कम्प्युटर नेटवर्कहरू अब हाम्रो भौतिक संसारको केन्द्रीय स्नायु प्रणालीहरू हुँदैछन् - पावर ग्रिड जस्ता अत्यन्त महत्वपूर्ण पूर्वाधारहरूको पनि। एकै समयमा, नेटवर्कमा जडान भएका कम्प्युटरहरूको २४/७ उपलब्धता र सही कार्य गर्ने क्षमता धेरै बढी खतरामा परेको छ: आईटी प्रणालीमा परिष्कृत र अत्यधिक अनुकूलित आक्रमणहरूको संख्यामा उल्लेखनीय वृद्धि भएको छ। घुसपैठ पत्ता लगाउने प्रणाली (आईडीएस) सम्बन्धित रक्षा उपायहरूको एक प्रमुख घटक हो; ती विगतमा व्यापक रूपमा अध्ययन र प्रयोग गरिएको छ। परम्परागत आईडीएसहरू ठूला कम्पनी नेटवर्कहरू र त्यसभन्दा बाहिर स्केलेबल नभएकाले, न त व्यापक रूपमा समानान्तर आक्रमणहरूमा, सहयोगी आईडीएसहरू (सीआईडीएस) देखा पर्यो। यसमा धेरै अनुगमन कम्पोनेन्टहरू हुन्छन् जसले डेटा संकलन र आदानप्रदान गर्छन्। विशिष्ट सीआईडीएस वास्तुकलामा निर्भर गर्दै, केन्द्रीय वा वितरित विश्लेषण घटकहरूले आक्रमणहरू पहिचान गर्न स data्कलन गरिएको डाटा खानी गर्दछ। परिणामी अलर्टहरू निगरानी गरिएको नेटवर्कको समग्र दृश्य सिर्जना गर्न बहु मोनिटरहरू बीच सहसंबंधित हुन्छन्। यस लेखले पहिले सीआईडीएसका लागि सान्दर्भिक आवश्यकताहरू निर्धारण गर्दछ; त्यसपछि यसले सीआईडीएस डिजाइन स्पेसको परिचय र आवश्यकताहरूको सम्बन्धमा छलफलको लागि आधारको रूपमा भिन्न भवन ब्लकहरू छुट्याउँछ। यस डिजाइन स्पेसको आधारमा, सीआईडीएसबाट बच्ने आक्रमणहरू र सीआईडीएसको उपलब्धतामा आक्रमणहरू छलफल गरिन्छ। आवश्यकताहरूको सम्पूर्ण ढाँचा, निर्माण ब्लकहरू, र आक्रमणहरू प्रस्तुत गरिए पछि सहकार्यकारी घुसपैठ पत्ता लगाउने कलाको राज्यको व्यापक विश्लेषणको लागि प्रयोग गरिन्छ, विस्तृत सर्वेक्षण र विशिष्ट सीआईडीएस दृष्टिकोणको तुलना सहित। |
720158a53b79667e39c2caf2f7ebb2670b848693 | शरीरको सेन्सर नेटवर्क (बीएसएन) जस्ता महत्वपूर्ण, जीवन बचाउने पूर्वाधारका लागि एक व्यक्तिको गोपनीयतालाई प्रभावकारी तरिकाले संरक्षण गर्नु धेरै महत्त्वपूर्ण छ। यस कागजले एउटा नयाँ कुञ्जी सम्झौता योजना प्रस्तुत गर्दछ जसले बीएसएनमा दुई सेन्सरहरूलाई इलेक्ट्रोकार्डियोग्राम (ईकेजी) संकेतहरू प्रयोग गरेर उत्पन्न गरिएको साझा कुञ्जीमा सहमत हुन अनुमति दिन्छ। ईकेजीमा आधारित यो प्रमुख सम्झौता (ईकेए) योजनाको उद्देश्य बीएसएन सुरक्षामा "प्लग-एन-प्ले" प्रतिमान ल्याउने हो जसद्वारा विषयवस्तुमा सेन्सरहरू तैनाथ गर्दा मात्र सुरक्षित संचार सक्षम गर्न सकिन्छ, पूर्व तैनाती जस्ता कुनै पनि प्रकारको प्रारम्भिकरणको आवश्यकता बिना। वास्तविक ईकेजी डाटामा आधारित योजनाको विश्लेषण (एमआईटी फिजियोबैंक डाटाबेसबाट प्राप्त) ले देखाउँदछ कि ईकेएबाट उत्पन्न कुञ्जीहरू हुन्ः अनियमित, समय भिन्नता, छोटो अवधिको ईकेजी मापनको आधारमा उत्पन्न गर्न सकिन्छ, दिइएको विषयको लागि समान र अलग व्यक्तिको लागि फरक। |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | धेरै वर्षदेखि, आईटी उद्योगले विद्यमान सफ्टवेयर सम्पत्तिबाट नयाँ अनुप्रयोगहरू भेला गरेर सफ्टवेयर विकास प्रक्रियालाई गति दिन खोजेको छ। यद्यपि, सन् १९६० को दशकमा डगलस म्याकलरोयले कल्पना गरेको फारामको वास्तविक कम्पोनेन्ट-आधारित पुनः प्रयोग अझै पनि नियमको सट्टा अपवाद हो, र आज अभ्यास गरिएको अधिकांश व्यवस्थित सफ्टवेयर पुनः प्रयोगले उत्पादन-लाइन ईन्जिनियरि or वा डोमेन-विशिष्ट फ्रेमवर्क जस्ता भारी तौलका दृष्टिकोणहरू प्रयोग गर्दछ। कम्पोनेन्टको अर्थ हामी सफ्टवेयरको कुनै पनि एकजुट र कम्प्याक्ट एकाईलाई बुझाउँछौं जुन राम्रोसँग परिभाषित इन्टरफेसको साथ हुन्छ - साधारण प्रोग्रामिङ भाषा वर्गदेखि लिएर वेब सेवा र इन्टरप्राइज जाभाबीन जस्ता जटिल कलाकृतिका लागि। |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | यस पत्रमा एक ब्रोडब्यान्ड र साधारण टोरस नोड मोनोपोल एन्टेना प्रस्तुत गरिएको छ। एन्टेना थ्री-डी प्रिन्टिङको प्रयोग गरेर बनाइएको हो। एन्टेना मेकानिकल रूपमा निर्माण गर्न सरल छ र स्थिर विकिरण ढाँचा साथै इनपुट प्रतिबिम्ब गुणांक १-२ GHz को आवृत्ति दायरामा -१० dB भन्दा कम छ। एन्टेनाको मापन र अनुकरण गरिएको प्रदर्शनको तुलना पनि प्रस्तुत गरिएको छ। |
206b204618640917f278e72bd0e2a881d8cec7ad | ढाँचा पहिचानका लागि बेयसियन विधिहरू प्रयोग गर्नका लागि एउटा प्रमुख बाधा यसको कम्प्युटेशनल खर्च भएको छ। यस शोधपत्रले एक अनुमानित प्रविधिको प्रस्तुत गर्दछ जसले पहिले भन्दा छिटो र अधिक सटीक रूपमा बेइजियन अनुमान गर्न सक्छ। यो विधि, "आशा प्रसार", एकीकृत र दुई अघिल्लो प्रविधी generalizes: मानिएको घनत्व फिल्टरिङ, Kalman फिल्टर को एक विस्तार, र लूप विश्वास प्रसार, Bayesian नेटवर्क मा विश्वास प्रसार को एक विस्तार। एकीकरणले देखाउँदछ कि यी दुबै एल्गोरिदमहरू कसरी सरल वितरणको साथ सही पछाडि वितरणको अनुमानको रूपमा हेर्न सकिन्छ, जुन KL-विचलनको अर्थमा नजिक छ। अपेक्षा प्रसारले दुबै एल्गोरिदमको उत्तम प्रयोग गर्दछः अनुमानित घनत्व फिल्टरि ofको सामान्यता र लूपि विश्वास प्रसारको शुद्धता। लूपि विश्वास प्रसार, किनकि यसले सटीक विश्वास राज्यहरू प्रचार गर्दछ, सीमित प्रकारका विश्वास नेटवर्कहरूको लागि उपयोगी छ, जस्तै विशुद्ध रूपमा असतत नेटवर्कहरू। अपेक्षा प्रसारले विश्वासको अवस्थालाई अपेक्षाहरूसँग नजिक ल्याउँछ, जस्तै अर्थ र भिन्नता, यसलाई धेरै व्यापक दायरा दिँदै। अपेक्षा प्रसारले विपरीत दिशामा विश्वासको प्रसारलाई पनि विस्तार गर्दछ - धनी विश्वास राज्यहरू प्रचार गर्दछ जुन चरहरू बीचको सम्बन्ध समावेश गर्दछ। यो ढाँचा विभिन्न सांख्यिकीय मोडेलहरूमा सिंथेटिक र वास्तविक विश्व डेटा प्रयोग गरेर प्रदर्शन गरिएको छ। ग्यासियन मिश्रण समस्याहरूमा, अपेक्षा प्रसारण गणनाको समान मात्राको लागि, प्रतिस्पर्धी अनुमान प्रविधिहरू भन्दा विश्वस्त रूपमा राम्रो हुन पाइन्छः मोन्टे कार्लो, लाप्लासको विधि, र भेरिएशनल बेज। ढाँचा पहिचानको लागि, अपेक्षा प्रसारले बेय्स पोइन्ट मेसिन वर्गीकरणकर्ताहरूलाई प्रशिक्षण दिनको लागि एल्गोरिथ्म प्रदान गर्दछ जुन पहिले ज्ञात कुनै पनि भन्दा छिटो र अधिक सटीक छ। नतिजा वर्गीकरणकर्ताहरूले तुलनात्मक प्रशिक्षण समयको अतिरिक्त धेरै मानक डाटासेटहरूमा समर्थन भेक्टर मेशिनहरू भन्दा राम्रो प्रदर्शन गर्दछन्। अपेक्षा प्रसार पनि वर्गीकरणको लागि उपयुक्त सुविधा सेट छनौट गर्न प्रयोग गर्न सकिन्छ, बेयसियन मोडेल चयन मार्फत। शोध प्रबंध निर्देशक: रोजालिन्ड पिकार्ड पद: मिडिया आर्ट्स एण्ड साइन्सेजका सहयोगी प्राध्यापक |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | यस लेखले कर्पोरेट बांड मूल्य निर्धारणको पाँच संरचनात्मक मोडेलहरूको अनुभवजन्य परीक्षण गर्दछः मर्टन (१ 1974 .), गेस्के (१ 1977 .), लांगस्टाफ र श्वार्ट्ज (१ 1995 .), लील्याण्ड र टोफ्ट (१ 1996 .), र कोलिन-डुफ्रेन र गोल्डस्टीन (२००१) को। हामीले यी मोडलहरू १८२ वटा साधारण पूँजी संरचना भएका कम्पनीहरूको ऋणपत्रको मूल्यको नमूनाको आधारमा १९८६ देखि १९९७ सम्ममा लागू गरेका छौं। परम्परागत ज्ञान यो हो कि संरचनात्मक मोडेलहरूले ऋणपत्र बजारमा देखिएको जस्तो उच्च स्प्रेड उत्पन्न गर्दैनन्, र अपेक्षाहरूको लागि सही, हामी फेला पार्दछौं कि मर्टन मोडेलको हाम्रो कार्यान्वयनमा पूर्वानुमानित स्प्रेडहरू धेरै कम छन्। तर, अधिकांश संरचनात्मक मोडलले औसतमा धेरै उच्च स्प्रेडको अनुमान लगाएका छन् । यद्यपि, नयाँ मोडेलहरूले उच्च लिभरेज वा अस्थिरता भएका फर्महरूको क्रेडिट जोखिमलाई गम्भीर रूपमा बढाइदिने गर्छन र अझै सुरक्षित ऋणपत्रहरूको साथ स्प्रेड कम पूर्वानुमान समस्याबाट पीडित छन्। लिल्याण्ड र टोफ्ट मोडेल एउटा अपवाद हो किनकि यसले प्राय सबै बांडहरूमा स्प्रेडको पूर्वानुमान गर्दछ, विशेष गरी ती उच्च कुपनहरू भएकाहरू। अधिक सटीक संरचनात्मक मोडेलहरूले सुविधाहरूबाट बच्नु पर्छ जसले जोखिमपूर्ण बांडहरूमा क्रेडिट जोखिम बढाउँदछ जबकि सुरक्षित बांडहरूको स्प्रेडलाई कम असर पार्दछ। |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | यो सर्वेक्षणले कम्प्युटेशनल एजेन्टहरूमा मानसिक क्षमताहरूको स्वायत्त विकासको एक सिंहावलोकन प्रस्तुत गर्दछ। यो संज्ञानात्मक प्रणालीहरूको विशेषतामा आधारित छ जुन प्रणालीहरू अनुकूलनशील, प्रत्याशित, र उद्देश्यपूर्ण लक्ष्य-निर्देशित व्यवहार प्रदर्शन गर्दछ। हामी संज्ञानात्मक (भौतिक प्रतीक प्रणाली) दृष्टिकोण, उदीयमान प्रणाली दृष्टिकोण, जडानवादी, गतिशील, र सक्रिय प्रणालीहरू समावेश गर्ने, र हाइब्रिड प्रणालीमा दुईलाई मिलाउने प्रयासहरू सम्बोधन गर्दै, संज्ञानको विभिन्न प्रतिमानहरूको विस्तृत सर्वेक्षण प्रस्तुत गर्दछौं। त्यसपछि हामीले यी प्रतिमानबाट लिइएको विभिन्न संज्ञानात्मक संरचनाहरूको समीक्षा गर्यौं। यी प्रत्येक क्षेत्रमा हामी विकासवादी दृष्टिकोण अपनाउने प्रभाव र त्यससँग सम्बन्धित समस्याहरूलाई प्रकाश पार्छौं, दुवै फाईलोजेनेटिक र ओन्टोजेनेटिक दृष्टिकोणबाट। हामी मानसिक क्षमताको स्वायत्त विकास गर्न सक्षम प्रणालीहरूले प्रदर्शन गर्नुपर्ने प्रमुख वास्तुशिल्प सुविधाहरूको सारांशको साथ निष्कर्ष निकाल्छौं |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | हालै विभिन्न प्रकारका एलएसटीएममा आधारित ससर्त भाषा मोडेल (एलएम) भाषा उत्पादन कार्यहरूको दायरामा लागू गरिएको छ। यस कार्यमा हामी विभिन्न मोडेल आर्किटेक्चरहरू र विभिन्न तरिकाहरू अध्ययन गर्दछौं जुन अन्त-देखि-अन्त न्युरोल संवाद प्रणाली ढाँचामा स्रोत जानकारी प्रतिनिधित्व गर्न र समेट्न। अनुगमन गरिएको अनुक्रमिक संकेतहरूबाट सिक्ने सुविधा प्रदान गर्नका लागि एक स्न्यापशट लर्निंग भनिने विधि पनि प्रस्ताव गरिएको छ। प्रयोगात्मक र विश्लेषणात्मक परिणामहरूले पहिलो पटक देखाउँछ कि कन्डिसन वेक्टर र एलएम बीच प्रतिस्पर्धा हुन्छ, र फरक आर्किटेक्चरले दुई बीच फरक व्यापार प्रदान गर्दछ। दोस्रो, कन्डिसन वेक्टरको भेदभाव शक्ति र पारदर्शिता मोडेल व्याख्या र राम्रो प्रदर्शन दुवै प्रदान गर्नका लागि महत्वपूर्ण छ। तेस्रो, स्न्यापशट लर्निंगले कुन आर्किटेक्चर प्रयोग गरियो भन्ने कुराको आधारमा लगातार प्रदर्शन सुधार गर्दछ। |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | एक २ गुणा १ डुअल-ध्रुवीकृत एल-सोनड स्ट्याक्ड प्याच एन्टेना एरे प्रस्तुत गरिएको छ। यसले दुई इनपुट पोर्टहरू बीच उच्च अलगाव प्राप्त गर्न एक उपन्यास प्रविधि प्रयोग गरेको छ। प्रस्तावित एन्टेनाको १४ डीबी रिटर्न लोस ब्यान्डविथ १९.८ प्रतिशत छ, जुन दुवै पोर्टका लागि ०.८०८ देखि ०.९८६ गीगाहर्जसम्म छ। साथै, यसमा ३० डीबी भन्दा बढीको इनपुट पोर्ट आइसोलेशन र १०.५ डीबीआईको औसत लाभ छ। यसको अतिरिक्त, यसको विकिरण ढाँचामा दुई मुख्य विमानहरूमा क्रस-ध्रुवीकरण स्तर -१५ डीबी भन्दा कम छ जुन पासब्यान्डमा ३ डीबी बीमविड्थ भित्र छ। यी सुविधाहरूको कारण, यो एन्टेना एरे बाहिरी बेस स्टेशनको लागि अत्यधिक उपयुक्त छ जुन CDMA800 र GSM900 मोबाइल संचार प्रणाली दुबैको अपरेटिंग ब्यान्डविथ कभर गर्न आवश्यक छ। |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | सिफारिस प्रणालीहरू व्यक्तिगत मनपर्ने सेवाहरू प्रदान गर्न आशाजनक छन्। सहकारी फिल्टरिङ (सीएफ) प्रविधिहरू, प्रयोगकर्ताहरूको पूर्व व्यवहारको आधारमा प्रयोगकर्ताहरूको प्राथमिकताको भविष्यवाणी गर्दै, आधुनिक सिफारिश प्रणालीहरू निर्माण गर्न सबैभन्दा सफल प्रविधिहरू मध्ये एक भएको छ। पहिले प्रस्तावित CF विधिहरूमा धेरै चुनौतीपूर्ण मुद्दाहरू देखा पर्दछन्: (१) अधिकांश CF विधिहरूले प्रयोगकर्ताहरूको प्रतिक्रिया ढाँचालाई वेवास्ता गर्छन् र पूर्वाग्रहयुक्त प्यारामिटर अनुमान र सब-इष्टतम प्रदर्शन उत्पन्न गर्न सक्दछन्; (२) केही CF विधिहरूले हेरिस्टिक तौल सेटिंग्स अपनाउँछन्, जसमा व्यवस्थित कार्यान्वयनको अभाव छ; र ()) बहुपद मिश्रण मोडेलहरूले डाटा म्याट्रिक्स उत्पन्न गर्न म्याट्रिक्स कारककरणको कम्प्यूटेशनल क्षमतालाई कमजोर पार्न सक्छ, जसले गर्दा प्रशिक्षणको कम्प्युटेशनल लागत बढ्छ। यी समस्याहरूको समाधान गर्न, हामी प्रयोगकर्ताहरूको प्रतिक्रिया मोडेलहरू सम्भावित म्याट्रिक्स फैक्टराइजेशन (पीएमएफ) मा समावेश गर्दछौं, एक लोकप्रिय म्याट्रिक्स फैक्टराइजेशन सीएफ मोडेल, प्रतिक्रिया सचेत सम्भावित म्याट्रिक्स फैक्टराइजेशन (आरएपीएमएफ) ढाँचा स्थापना गर्न। विशेष गरी, हामी प्रयोगकर्ता प्रतिक्रिया मा एक Bernoulli वितरण को रूप मा धारणा बनाउँछौं जुन अवलोकन गरिएको रेटिंग्स को लागी रेटिंग स्कोर द्वारा मापदण्ड गरिएको छ जबकि अवलोकन नगरिएको रेटिंग्स को लागी एक चरण समारोह को रूप मा। यसबाहेक, हामी लघु-ब्याच कार्यान्वयन र शिल्पबद्ध तालिका नीति द्वारा एल्गोरिथ्मको गति बढाउँछौं। अन्तमा, हामी विभिन्न प्रयोगात्मक प्रोटोकलहरू डिजाइन गर्छौं र प्रस्तावित आरएपीएमएफ र यसको मिनी-ब्याच कार्यान्वयनको गुणहरू प्रदर्शन गर्न दुवै सिंथेटिक र वास्तविक विश्व डाटासेटहरूमा व्यवस्थित अनुभवजन्य मूल्यांकन गर्दछौं। |
1459d4d16088379c3748322ab0835f50300d9a38 | क्रस-डोमेन भिजुअल डाटा मिलान धेरै वास्तविक-विश्व दृष्टि कार्यहरूमा मौलिक समस्याहरू मध्ये एक हो, उदाहरणका लागि, आईडी फोटो र निगरानी भिडियोहरूमा व्यक्तिहरू मेल खाने। यस समस्याको परम्परागत दृष्टिकोणमा सामान्यतया दुई चरणहरू समावेश हुन्छन्: i) विभिन्न डोमेनबाट नमूनाहरू साझा स्थानमा प्रक्षेपण गर्दै, र ii) यस स्थानमा (विभिन्न) कम्प्युटिङ एक निश्चित दूरीमा आधारित। यस लेखमा, हामी एक उपन्यास जोडी समानता मापन प्रस्तुत गर्दछौं जुन i) परम्परागत रैखिक प्रक्षेपणलाई एफ़िन रूपान्तरणमा विस्तार गरेर र ii) डाटा-संचालित संयोजन द्वारा एफ़िन महालनोबिस दूरी र कोसिन समानताको संयोजन गरेर अवस्थित मोडेलहरूलाई अगाडि बढाउँछ। यसबाहेक, हामी हाम्रो समानता मापनलाई गहिरो कन्भोल्युसनल न्यूरल नेटवर्क मार्फत सुविधा प्रतिनिधित्व सिकाइसँग एकीकृत गर्छौं। विशेष गरी, हामी समानता मापन म्याट्रिक्सलाई गहिरो वास्तुकलामा समावेश गर्दछौं, मोडेल अनुकूलनको अन्त-देखि-अन्त तरिका सक्षम पार्दै। हामीले हाम्रो सामान्यीकृत समानता मोडेललाई धेरै चुनौतीपूर्ण क्रस-डोमेन मिलान कार्यहरूमा व्यापक रूपमा मूल्याङ्कन गरेका छौं: विभिन्न दृश्यहरूमा व्यक्तिको पुनः पहिचान र विभिन्न मोडलिटीहरूमा अनुहारको प्रमाणिकरण (जस्तै, स्थिर छविहरू र भिडियोहरूबाट अनुहारहरू, पुरानो र युवा अनुहारहरू, र स्केच र फोटो चित्रहरू) । प्रयोगात्मक नतिजाले अन्य अत्याधुनिक विधिहरूको तुलनामा हाम्रो मोडेलको उत्कृष्ट प्रदर्शन प्रदर्शन गर्दछ। |
03a00248b7d5e2d89f5337e62c39fad277c66102 | समस्याहरू बहुपद-समय समाधान योग्य समस्याहरूको वर्ग बुझ्नको लागि, हामीसँग पहिले "समस्या" के हो भन्ने औपचारिक धारणा हुनुपर्दछ। हामी एउटा अमूर्त समस्या Q लाई समस्याको उदाहरणहरूको सेट I र समस्या समाधानहरूको सेट S मा बाइनरी सम्बन्धको रूपमा परिभाषित गर्दछौं। उदाहरणका लागि, SHORTEST-PATH को एउटा उदाहरण एउटा ग्राफ र दुईवटा शिरहरूको एक ट्रिपल कन्सिटिङ हो। समाधान g राफमा शीर्षहरूको अनुक्रम हो, सायद खाली अनुक्रमले कुनै मार्ग अवस्थित छैन भनेर दर्शाउँछ। SHORTEST-PATH समस्या नै एक सम्बन्ध हो जुन प्रत्येक उदाहरणलाई ग्राफको ph र दुई भेरिटिजहरू ग्राफमा सबैभन्दा छोटो मार्गसँग जोड्दछ जुन दुई भेरिटिजहरू जोड्दछ। छोटो बाटोहरू आवश्यक रूपमा अद्वितीय हुँदैनन्, कुनै समस्याको एउटा उदाहरणमा एक भन्दा बढी समाधानहरू हुन सक्छन्। यो अमूर्त समस्याको सूत्र हाम्रो उद्देश्यका लागि आवश्यक भन्दा बढी सामान्य छ। हामीले माथि देखेका छौं, एनपी-पूर्णता सिद्धान्तले निर्णय समस्याहरूमा ध्यान केन्द्रित गर्दछ: तीसँग हो / होईन समाधान छ। यस अवस्थामा, हामी एउटा अमूर्त निर्णय समस्यालाई एउटा प्रकार्यको रूपमा हेर्न सक्छौं जसले उदाहरण सेटलाई समाधान सेट {०, १} मा म्याप गर्दछ। उदाहरणका लागि, SHORTEST-PATH i सँग सम्बन्धित निर्णय समस्या PATH समस्या हो जुन हामीले पहिले देखेका थियौं। यदि i = G,u,v,k निर्णय समस्या PATH को एक उदाहरण हो, तब PATH ((i)) = 1 (हो) यदि u देखि v सम्मको सब भन्दा छोटो मार्गमा अधिकतम k किनाराहरू छन्, र PATH (i ) = 0 (कुनै छैन) अन्यथा। धेरै अमूर्त समस्याहरू निर्णय समस्याहरू होइनन्, बरु अनुकूलन समस्याहरू हुन्, जसमा केही मानलाई न्यूनतम वा अधिकतम गर्नुपर्दछ। तर, माथि उल्लेख गरिए अनुसार, अनुकूलन समस्यालाई निर्णय समस्याको रूपमा पुनः निर्माण गर्न सामान्यतया सजिलो हुन्छ। 1हेर्नुहोस् Hopcroft र Ullman [156] वा लुइस र Papadimitriou [20 4] ट्युरिंग-मेशीन मोडेलको पूर्ण उपचारको लागि। ३४.१ बहुपद समय ९७३ |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | यस कागजको भाग I ले एक वितरित प्रणाली वास्तुकलामा आधारित स्वायत्त कारहरूको विकासको लागि एक विकास प्रक्रिया र प्रणाली प्लेटफर्म प्रस्ताव गरेको छ। प्रस्तावित विकास पद्धतिले कम्प्युटिशनल जटिलता, गल्ती-सहिष्णुता विशेषताहरू, र प्रणाली मोड्युलरिटीमा कमी जस्ता लाभहरू सहित एक स्वायत्त कारको डिजाइन र विकासलाई सक्षम बनायो। यस कागजातमा (भाग २) प्रस्तावित विकास पद्धतिको एक केस स्टडीलाई एक स्वायत्त ड्राइभिंग प्रणालीको कार्यान्वयन प्रक्रिया देखाउँदै सम्बोधन गरिएको छ। कार्यान्वयन प्रक्रियालाई सहज रूपमा वर्णन गर्न, कोर स्वायत्त ड्राइभि algorithms एल्गोरिदम (स्थानीयकरण, धारणा, योजना, सवारी नियन्त्रण, र प्रणाली व्यवस्थापन) संक्षिप्त रूपमा प्रस्तुत गरिएको छ र एक स्वायत्त ड्राइभि system प्रणालीको कार्यान्वयनमा लागू गरिएको छ। हामी एक वितरित प्रणाली वास्तुकला को लाभ र प्रस्तावित विकास प्रक्रिया को एक स्वायत्त प्रणाली कार्यान्वयन मा एक मामला अध्ययन सञ्चालन गरेर जाँच्न सक्षम छन्। प्रस्तावित पद्धतिको वैधता स्वायत्त कार ए १ द्वारा प्रमाणित गरिएको छ जसले २०१२ मा कोरियामा सबै मिशनहरू पूरा गरेर स्वायत्त वाहन प्रतियोगिता जित्यो। |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | यद्यपि सबै अवस्थित हावा भरिएको सब्सट्रेट एकीकृत वेभगाइड (एएफएसआईडब्ल्यू) टोपोलोजीहरूले सब्सट्रेट-स्वतन्त्र विद्युतीय प्रदर्शन उत्पन्न गर्दछ, तिनीहरू समर्पित, महँगो, लेमिनेटहरूमा निर्भर गर्दछन् जसले विद्युत चुम्बकीय क्षेत्रहरू समावेश गर्ने हावा भरिएको क्षेत्रहरू बनाउँदछन्। यस कागजातले एक उपन्यास सब्सट्रेट-स्वतन्त्र AFSIW निर्माण टेक्नोलोजी प्रस्ताव गर्दछ, जसले उच्च प्रदर्शन माइक्रोवेव कम्पोनेन्टहरूलाई सामान्य उद्देश्यका लागि व्यावसायिक रूपमा उपलब्ध सतह सामग्रीहरूको विस्तृत श्रृंखलामा मानक एडिटिभ (थ्री-डी प्रिन्टि)) वा घटाउने (कम्प्युटर संख्यात्मक रूपमा नियन्त्रण गरिएको मिलिंग / लेजर काट्ने) निर्माण प्रक्रियाहरूको माध्यमबाट सीधा एकीकरण गर्न सक्षम गर्दछ। पहिलो, एक विश्लेषणात्मक सूत्र AFSIW वेवगाइड को प्रभावकारी permittivity र हानि स्पर्शरेखा लागि व्युत्पन्न छ। यसले डिजाइनरलाई सब्सट्रेटको घाटालाई सामान्यतया उच्च आवृत्ति लेमिनेटमा सामना गर्ने स्तरमा कम गर्न अनुमति दिन्छ। [पृष्ठ २३-मा भएको चित्र] धेरै AFSIW वेभगाइड र चार-मार्ग पावर डिभाइडर / संयोजकको मापन, दुबै नयाँ कोएक्सियल-टु-एयर-भरेको एसआईडब्ल्यू संक्रमणमा निर्भर गर्दछ, प्रमाणित गर्दछ कि यो उपन्यास दृष्टिकोणले माइक्रोवेभ कम्पोनेन्टहरू दैनिक सतहहरूमा सीधा एकीकरणको लागि उपयुक्त हुन्छ, कम सम्मिलन घाटाको साथ, र सम्पूर्ण [5.15-5.85] GHz ब्यान्डमा उत्कृष्ट मिलान र अलगाव। यस प्रकार, यो अभिनव दृष्टिकोणले लागत-प्रभावकारी, उच्च-प्रदर्शन, र अदृश्य रूपमा एकीकृत स्मार्ट सतह प्रणालीहरूको नयाँ पुस्ताको लागि मार्ग प्रशस्त गर्दछ जसले दैनिक वस्तुहरूमा उपलब्ध क्षेत्र र सामग्रीहरूको कुशलतापूर्वक शोषण गर्दछ। |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | मोबाइल लाइभ स्ट्रिमिङ अहिले तेस्रो लहरमा छ। बाम्बुजर र किक जस्ता प्रारम्भिक प्रणालीहरूदेखि लिएर लोकप्रिय एप मेरकट र पेरीस्कोप, फेसबुक र इन्स्टाग्राममा एकीकृत सामाजिक स्ट्रिमिङ सुविधाहरू, दुवै प्रविधि र प्रयोगमा नाटकीय परिवर्तन आएको छ। लाइभ स्ट्रिमिङको यो अन्तिम चरणमा, क्यामेराहरू वरिपरिको वातावरणमा भन्दा पनि स्ट्रिमरमा केन्द्रित हुन भित्रतिर फर्किन्छन्। किशोर किशोरीहरूले साथीहरूसँग भेटघाट गर्न, नयाँ व्यक्तिहरूसँग भेटघाट गर्न र साझा रुचि भएका अरू मानिसहरूसँग सम्पर्क गर्न यी प्लेटफर्महरू प्रयोग गरिरहेका छन्। हामीले किशोरकिशोरीहरूको लाइभ स्ट्रिमिङ व्यवहार र प्रेरणाको अध्ययन गरेका छौं यी नयाँ प्लेटफर्महरूमा २,२४७ अमेरिकी लाइभ स्ट्रिमिङहरूद्वारा सम्पन्न गरिएको सर्वेक्षण र २० किशोरकिशोरीहरूको अन्तर्वार्ताको माध्यमबाट, परिवर्तनशील अभ्यासहरू, किशोरकिशोरीहरूको व्यापक जनसंख्याबाट भिन्नताहरू, र नयाँ लाइभ स्ट्रिमिङ सेवाहरू डिजाइन गर्नका लागि प्रभावहरू हाइलाइट गर्दै। |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | असम्भवता सिद्धान्तहरूले सुझाव दिन्छ कि संयोजनात्मक असाइनमेन्टको समस्याको लागि मात्र कुशल र रणनीति-प्रमाण संयन्त्रहरू - उदाहरणका लागि, विद्यार्थीहरूलाई पाठ्यक्रमहरूको तालिका तोक्ने - तानाशाहीहरू हुन्। तानाशाहीलाई प्रायः अन्यायपूर्ण भनेर अस्वीकार गरिन्छ: कुनै पनि दुई एजेन्टहरूको लागि, एकले अर्कोले कुनै पनि छनौट गर्नु अघि सबै वस्तुहरू छनौट गर्दछ। कुनै पनि समाधानमा दक्षता, प्रोत्साहन र निष्पक्षताका विचारहरू बीचको सम्झौता समावेश हुनेछ। यस लेखमा संयोजकिय असाइनमेन्ट समस्याको समाधान प्रस्ताव गरिएको छ। यो चार चरणमा विकसित गरिएको छ। पहिलो, म परिणामको निष्पक्षताको दुई नयाँ मापदण्ड प्रस्ताव गर्दछु, अधिकतम शेयर ग्यारेन्टी र एउटै वस्तुद्वारा सीमित ईर्ष्या, जसले अविभाज्यतालाई समायोजित गर्न राम्ररी ज्ञात मापदण्डहरूलाई कमजोर पार्दछ; मापदण्डले औपचारिक बनाउँछ किन तानाशाहीहरू अन्यायपूर्ण छन्। दोस्रो, मैले समान आयबाट प्रतिस्पर्धी सन्तुलनको नजिकको अस्तित्वको प्रमाण दिएँ जसमा (i) आय असमान तर मनमाने ढंगले नजिक छ; (ii) बजार त्रुटिसँग खाली हुन्छ, जुन सीमामा शून्यको नजिक हुन्छ र वास्तविक समस्याहरूको लागि सानो हुन्छ। तेस्रो, मैले यो अनुमानित सीईईआईले निष्पक्षताको मापदण्ड पूरा गरेको देखाएँ। अन्त्यमा, मैले अनुमानित सीईईआईमा आधारित एउटा संयन्त्र परिभाषित गरेको छु जुन शून्य-उपयोगकर्ता अर्थशास्त्रीहरूले परम्परागत रूपमा मूल्य लिनेहरू मान्ने रणनीति-प्रमाणित छ। प्रस्तावित संयन्त्र वास्तविक डाटामा क्यालिब्रेट गरिएको छ र सिद्धान्त र अभ्यासबाट विकल्पहरूसँग तुलना गरिएको छः अन्य सबै ज्ञात संयन्त्रहरू शून्य-मापन एजेन्टहरू द्वारा हेरफेर गर्न सकिन्छ वा अनुचित एक्स-पोस्ट, र प्रायः दुबै हेरफेर योग्य र अनुचित छन्। |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | तीन चरण, चार स्विच, एकल चरण, पृथक शून्य-भोल्टेज-स्विचिंग (ZVS) रेक्टिफायरको डिजाइन विचार र प्रदर्शन मूल्यांकन प्रस्तुत गरिएको छ। सर्किट तीन चरण, दुई स्विच, ZVS, अविरल-वर्तमान-मोड (DCM), बढावा शक्ति-कारक-सुधार (PFC) rectifier, संक्षिप्त रूपमा TAIPEI rectifier, ZVS पूर्ण-ब्रिज (FB) चरण-विस्थापन dc / dc कन्भर्टरको साथ एकीकृत गरेर प्राप्त हुन्छ। HVDC वितरण अनुप्रयोगहरूको लागि डिजाइन गरिएको तीन चरण २.७ किलोवाटको प्रोटोटाइपमा प्रदर्शनको मूल्यांकन गरिएको थियो जसमा लाइन-टोलिन भोल्टेज दायरा १ 180० VRMS देखि २ 264 VRMS सम्म थियो र २०० V देखि 300 V सम्म कडाईले विनियमित चर DC आउटपुट भोल्टेजको साथ। प्रोटोटाइप ZVS सँग सम्पूर्ण इनपुट-भोल्टेज र लोड-वर्तमान दायरामा काम गर्दछ र% 5% भन्दा कम इनपुट-वर्तमान THD प्राप्त गर्दछ। 95% दायरामा दक्षता। |
5417bd72d1b787ade0c485f1188189474c199f4d | हामी एक अनुकूली हिन्ज हानि उद्देश्य समारोह प्रयोग गरेर स्थिरता र प्रदर्शन सुधार गर्न Generative Adversarial नेटवर्क (GANs) को लागि एक उपन्यास प्रशिक्षण प्रक्रिया प्रस्ताव गर्दछौं। हामी लक्ष्य वितरणको अपेक्षित ऊर्जाको साथ उपयुक्त हिन्ज हानि मार्जिनको अनुमान गर्छौं, र मार्जिन अपडेट गर्नका लागि एक सिद्धान्तात्मक मापदण्ड र एक अनुमानित अभिसरण उपाय दुवै प्राप्त गर्दछौं। यसबाट प्राप्त हुने प्रशिक्षण प्रक्रिया सरल छ तर डाटासेटको विविध सेटमा बलियो छ। हामी प्रस्तावित प्रशिक्षण प्रक्रियाको मूल्यांकन गर्छौं जुन बिना निगरानी छवि उत्पादनको कार्यमा छ, गुणात्मक र मात्रात्मक प्रदर्शन सुधार दुवैलाई ध्यान दिँदै। |
007ee2559d4a2a8c661f4f5182899f03736682a7 | कन्ट्रोलर-एरिया नेटवर्क (CAN) बस प्रोटोकल [1] एक बस प्रोटोकल हो जुन १ 1986 XNUMX मा रोबर्ट बोस जीएमबीएचले आविष्कार गरेको थियो, जुन मूल रूपमा अटोमोटिभ प्रयोगको लागि थियो। अहिले, बस कार र ट्रक, बिजुली सेटअप देखि औद्योगिक loom सम्मका उपकरणहरूमा फेला पार्न सकिन्छ। यसको प्रकृतिले गर्दा यो प्रणाली सुरक्षामा धेरै केन्द्रित छ, अर्थात्, विश्वसनीयता। दुर्भाग्यवश, सुरक्षालाई लागू गर्न कुनै अन्तर्निर्मित तरिका छैन, जस्तै एन्क्रिप्शन वा प्रमाणीकरण। यस लेखमा हामी CAN बसमा पछाडि अनुकूल सन्देश प्रमाणीकरण प्रोटोकल लागू गर्न सम्बन्धित समस्याहरूको अनुसन्धान गर्नेछौं। हामी देखाउँछौं कि यस्तो प्रोटोकलले कुन प्रतिबन्धहरू पूरा गर्नुपर्दछ र किन यसले हटाउँछ, हाम्रो ज्ञानको सर्वश्रेष्ठमा, सबै प्रमाणिकरण प्रोटोकलहरू अहिलेसम्म प्रकाशित गरियो। यसबाहेक, हामी सन्देश प्रमाणीकरण प्रोटोकल, CANAuth प्रस्तुत गर्दछौं, जसले सबै आवश्यकताहरू पूरा गर्दछ र CAN बसको कुनै पनि प्रतिबन्धको उल्लंघन गर्दैन। कुञ्जी शब्दहरू-CAN बस, एम्बेडेड नेटवर्कहरू, प्रसारण प्रमाणीकरण, सममित क्रिप्टोग्राफी |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | एक्सएफआई एक व्यापक सुरक्षा प्रणाली हो जसले लचिलो पहुँच नियन्त्रण र मौलिक अखण्डता ग्यारेन्टीहरू दुवै प्रदान गर्दछ, कुनै पनि विशेषाधिकार स्तरमा र वस्तु प्रणालीमा विरासत कोडको लागि पनि। यस उद्देश्यका लागि, एक्सएफआईले स्थिर विश्लेषणलाई इनलाइन सफ्टवेयर गार्डहरू र दुई-स्ट्याक कार्यान्वयन मोडेलसँग जोड्दछ। हामीले x86 आर्किटेक्चरमा बाइनरी पुनः लेखन र एक सरल, स्ट्यान्ड-अलोन वेरिफायर प्रयोग गरेर विन्डोजको लागि XFI लागू गरेका छौं; कार्यान्वयनको शुद्धता वेरिफायरमा निर्भर गर्दछ, तर पुनः लेखकमा होइन। हामीले एक्सएफआईलाई सफ्टवेयरमा लागू गरेका छौं जस्तै डिभाइस ड्राइभर र मल्टिमिडिया कोडेकहरू। नतिजा मोड्युलहरू कर्नेल र प्रयोगकर्ता मोड ठेगाना स्पेस दुवै भित्र सुरक्षित रूपमा काम गर्दछन्, केवल मामूली प्रवर्तन ओभरहेडको साथ। |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | सिग्नल प्रोसेसिंग र तथ्याङ्क जस्ता अनुप्रयोगहरूमा, धेरै समस्याहरूमा समीकरणहरूको अंडर-निर्धारित रैखिक प्रणालीहरूको विरल समाधानहरू खोज्नु समावेश छ। यी समस्याहरूलाई संरचनात्मक गैर-स्मूथ अप्टिमाइजेसन समस्याको रूपमा तयार गर्न सकिन्छ, अर्थात्, ` १-नियमन गरिएको रैखिक न्यूनतम वर्ग समस्याहरूलाई कम गर्ने समस्या। यस कागजमा, हामी एक ब्लक समन्वय ढाँचा वंश विधि (सीजीडीको रूपमा संक्षिप्त) प्रस्ताव गर्दछौं अधिक सामान्य ∀१-regularized उत्तल न्यूनिकरण समस्याहरू समाधान गर्न, अर्थात्, ∀१-regularized उत्तल चिकनी प्रकार्यलाई कम गर्ने समस्या। हामी हाम्रो विधि को लागि एक क्यू-रेखीय अभिसरण दर स्थापना गर्दछौं जब समन्वय ब्लक एक Gauss-Southwell प्रकार नियम द्वारा पर्याप्त वंश सुनिश्चित गर्न को लागी छ। हामी सीजीडी विधि को कुशल कार्यान्वयन को प्रस्ताव र डाटा वर्गीकरण मा सुविधा चयन को लागि संकुचित संवेदन र छवि deconvolution साथै ठूलो मात्रामा उत्पन्न ठूलो मात्रामा ∀1-regularized रैखिक कम से कम वर्ग समस्या समाधान गर्न को लागी संख्यात्मक परिणाम रिपोर्ट। धेरै अत्याधुनिक एल्गोरिदमहरूसँग तुलना गर्दा जुन विशेष रूपमा ठूलो-स्तरको ∀1-regularized रैखिक न्यूनतम वर्गहरू वा तार्किक प्रतिगमन समस्याहरू समाधान गर्न डिजाइन गरिएको हो, यसले सुझाव दिन्छ कि एक कुशलतापूर्वक लागू गरिएको सीजीडी विधिले यी एल्गोरिदमहरूलाई पार गर्न सक्छ, यद्यपि सीजीडी विधि विशेष रूपमा यी विशेष वर्गका समस्याहरू समाधान गर्न डिजाइन गरिएको छैन। |
8ad03b36ab3cba911699fe1699332c6353f227bc | युनेस्कोका अनुसार शिक्षा एउटा मौलिक मानव अधिकार हो र हरेक राष्ट्रका नागरिकलाई समान गुणस्तरको शिक्षामा सार्वभौमिक पहुँच प्रदान गरिनुपर्छ। यो लक्ष्य धेरैजसो देशहरूमा, विशेष गरी विकासशील र न्यून विकसित देशहरूमा, हासिल गर्न बाँकी छ। त्यसैले शिक्षा सुधार गर्न अझ प्रभावकारी तरिकाहरू खोज्नु अत्यन्तै महत्त्वपूर्ण छ। यस लेखमा कम्प्युटिशनल इन्टेलिजेन्स (डाटा माइनिङ र डाटा साइन्स) को प्रयोगमा आधारित एउटा मोडल प्रस्तुत गरिएको छ जसले विद्यार्थीको ज्ञान प्रोफाइलको विकास गर्छ र जसले शिक्षकहरूलाई विद्यार्थीहरूलाई राम्रो अभिमुखीकरण गर्न निर्णय लिन मद्दत गर्न सक्छ। यस मोडेलले प्रत्येक विद्यार्थीको लागि तयार पारिएको व्यक्तिगत रणनीतिक योजना भित्र उद्देश्यहरूको उपलब्धि अनुगमन गर्न प्रमुख प्रदर्शन सूचकहरू स्थापना गर्ने प्रयास गर्दछ। यस मोडेलमा वर्गीकरण र पूर्वानुमानका लागि अनियमित वन, डाटा संरचना दृश्यका लागि ग्राफ वर्णन र सरोकारवालाहरूलाई सान्दर्भिक जानकारी प्रस्तुत गर्न सिफारिस प्रणाली प्रयोग गरिएको छ। प्रस्तुत परिणामहरू ब्राजिलको निजी के-९ (प्राथमिक विद्यालय) बाट प्राप्त वास्तविक डाटासेटमा आधारित थिए। प्राप्त परिणामहरूमा मुख्य डाटाको बीचमा सहसंबंध, विद्यार्थीको प्रदर्शनको भविष्यवाणी गर्न एउटा मोडेल र सरोकारवालाहरूका लागि सिफारिसहरू समावेश छन्। |
500923d2513d30299350a6a0e9b84b077250dc78 | अर्थिक समानता मापनले सूचना पुनः प्राप्ति र सूचना एकीकरणमा महत्त्वपूर्ण भूमिका खेल्छ। अर्थिक समानताको मोडेलिंगका लागि परम्परागत दृष्टिकोणले एकल ओन्टोलोजी भित्र परिभाषाहरू बीचको अर्थिक दूरी गणना गर्दछ। यो एकल ओन्टोलोजी या त डोमेन-स्वतन्त्र ओन्टोलोजी हो वा अवस्थित ओन्टोलोजीहरूको एकीकरणको परिणाम हो। हामी सिमेन्टिक समानताको गणना गर्न एउटा दृष्टिकोण प्रस्तुत गर्दछौं जसले एकल ओन्टोलोजीको आवश्यकतालाई आराम दिन्छ र विभिन्न ओन्टोलोजी विशिष्टताको स्पष्टता र औपचारिकताको स्तरमा भिन्नताहरूको लागि खाताहरू। एक समानता प्रकार्य समान इकाई वर्गहरू समानार्थी सेटहरू, अर्थिक छिमेकहरू, र भागहरू, प्रकार्यहरू, र विशेषताहरूमा वर्गीकृत गरिएको विशेषताहरू छुट्याउने प्रक्रिया प्रयोग गरेर निर्धारण गर्दछ। विभिन्न ओन्टोलोजीहरूसँग प्रयोगात्मक परिणामहरूले संकेत गर्दछ कि मोडेलले राम्रो परिणाम दिन्छ जब ओन्टोलोजीहरूसँग इकाई वर्गहरूको पूर्ण र विस्तृत प्रतिनिधित्व हुन्छ। शब्द मिलान र अर्थिक छिमेकी मिलानको संयोजन बराबर इकाई वर्गहरू पत्ता लगाउनका लागि पर्याप्त छ, सुविधा मिलानले हामीलाई समान, तर आवश्यक रूपमा बराबर नभएको इकाई वर्गहरू बीच भेदभाव गर्न अनुमति दिन्छ। |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | स्ट्याक्ड सामान्यीकरण भनेको उच्च-स्तरको मोडेल प्रयोग गरेर निम्न-स्तरको मोडेलहरू संयोजन गर्ने सामान्य विधि हो जसले ठूलो भविष्यवाणी सटीकता प्राप्त गर्दछ। यस लेखमा हामी दुई महत्त्वपूर्ण मुद्दाहरू सम्बोधन गर्नेछौं जुन वल्पर्टद्वारा सन् १९९२ मा स्ट्याक्ड जेनेरालाइजेशनको परिचय भएदेखि वर्गीकरण कार्यहरूमा कालो कला मानिन्छ: सामान्यीकरणकर्ताको प्रकार जुन उच्च-स्तरको मोडेल प्राप्त गर्न उपयुक्त छ, र यसको इनपुटको रूपमा प्रयोग गर्नु पर्ने विशेषताहरूको प्रकार। हामीले पत्ता लगायौं कि उच्च स्तरको मोडेलले निम्न स्तरको मोडेलको कन्डेन्स (र केवल भविष्यवाणीहरू मात्र होइन) लाई मिलाउँदा उत्तम परिणामहरू प्राप्त हुन्छन्। हामी वर्गीकरण कार्यका लागि तीन फरक प्रकारका सिकाइ एल्गोरिदमहरू संयोजन गर्न स्ट्याक्ड सामान्यीकरणको प्रभावकारिता प्रदर्शन गर्दछौं। हामी पनि बहुसंख्यक मत र आर्किंग र ब्यागिंगको प्रकाशित परिणामहरूको साथ स्ट्याक्ड सामान्यीकरणको प्रदर्शनको तुलना गर्दछौं। |
017ee86aa9be09284a2e07c9200192ab3bea9671 | ससर्त ग्यानहरू प्राकृतिक छवि संश्लेषणको अग्रभागमा छन्। यस्ता मोडेलको मुख्य कमजोरी लेबल डाटाको आवश्यकता हो। यस कार्यमा हामी दुई लोकप्रिय अनसुर्पीकृत सिकाइ प्रविधिहरू, विरोधाभासी प्रशिक्षण र आत्म-निरीक्षणको उपयोग गर्छौं, सशर्त र बिना शर्त GANs बीचको अन्तरलाई कम गर्न। विशेष गरी, हामी नेटवर्कहरूलाई प्रतिनिधित्व सिकाइको कार्यमा सहयोग गर्न अनुमति दिन्छौं, जबकि क्लासिक GAN खेलको सम्बन्धमा विरोधाभासी हुनुपर्दछ। आत्म-निरीक्षणको भूमिका भेदभाव गर्ने व्यक्तिलाई सार्थक विशेषता प्रतिनिधित्वहरू सिक्न प्रोत्साहित गर्नु हो जुन प्रशिक्षणको क्रममा बिर्सिएको छैन। हामीले अनुभविक रूपमा दुवै कुराको परीक्षण गरेका छौं, सिकेको छवि प्रतिनिधित्वको गुणस्तर र संश्लेषित छविहरूको गुणस्तर। यस्तै परिस्थितिमा, स्व-निरीक्षण गरिएको GAN ले अत्याधुनिक सशर्त समकक्षहरूको समान प्रदर्शन प्राप्त गर्दछ। अन्तमा, हामी देखाउँछौं कि पूर्ण रूपमा अनुगमन नगरी सिकाइको यो दृष्टिकोणलाई बिना शर्त IMAGENET उत्पादनमा FID of 33 प्राप्त गर्न मापन गर्न सकिन्छ। |
5c695f1810951ad1bbdf7da5f736790dca240e5b | सामाजिक सञ्जालमा प्रयोगकर्ताले सिर्जना गरेको सामग्रीको विश्लेषण र उत्पादन र घटनाहरूप्रति प्रयोगकर्ताको रायको सही विवरण धेरै अनुप्रयोगहरूको लागि धेरै मूल्यवान छ। वेब २.० को प्रसार र वेबमा प्रयोगकर्ताद्वारा उत्पन्न सामग्रीको द्रुत बृद्धि संग, पक्ष स्तर भावना विश्लेषण मा दृष्टिकोण कि बारीक दाना जानकारी yields ठूलो चासो को हो। यस कार्यमा, पक्ष आधारित भावना विश्लेषणको लागि वर्गीकरणकर्ता एसेम्बल दृष्टिकोण प्रस्तुत गरिएको छ। यो दृष्टिकोण सामान्य छ र यसले विषयको मोडेल बनाउन र प्रयोगकर्ताहरूले सम्बोधन गर्ने मुख्य पक्षहरू निर्दिष्ट गर्न लुकेको डाइरिचलेट विनियोजनको प्रयोग गर्दछ। त्यसपछि, प्रत्येक टिप्पणीलाई थप विश्लेषण गरिन्छ र शब्द निर्भरताहरू जुन शब्दहरू र पक्षहरू बीचको अन्तरक्रियालाई संकेत गर्दछ निकालिन्छ। एक एसेम्बल वर्गीकरणकर्ता, जुन नेभ बेय्स, अधिकतम एन्ट्रोपी र समर्थन भेक्टर मेशिनहरू द्वारा तयार गरिएको हो, प्रत्येक पक्षको लागि प्रयोगकर्ताको टिप्पणीको ध्रुवीयता पहिचान गर्न डिजाइन गरिएको हो। मूल्यांकनको परिणामले व्यक्तिगत वर्गीकरणकर्ताहरूको तुलनामा राम्रो सुधार देखाउँछ र प्रयोगकर्ताले उत्पन्न गरेको सामग्रीको विश्लेषण गर्न र प्रयोगकर्ताहरूको राय र दृष्टिकोण निर्दिष्ट गर्नमा समग्र प्रणाली स्केलेबल र सही छ भनेर संकेत गर्दछ। |
4f1fe957a29a2e422d4034f4510644714d33fb20 | हामी दस्तावेजलाई विषयवस्तु अनुसार वर्गीकरण गर्ने समस्यालाई विचार गर्दैनौं, तर समग्र भावना अनुसार, उदाहरणका लागि, समीक्षा सकारात्मक वा नकारात्मक छ कि छैन भनेर निर्धारण गर्ने। चलचित्र समीक्षालाई डेटाको रुपमा प्रयोग गर्दा, हामीले पत्ता लगायौं कि मानक मेसिन सिकाइ प्रविधिले मानव निर्मित आधार रेखालाई पक्कै पनि पार गर्छ। तर, हामीले प्रयोग गरेका तीन मेसिन लर्निङ विधि (नेइभ बेयस, अधिकतम एन्ट्रोपी वर्गीकरण, र सपोर्ट भेक्टर मेसिन) ले सेन्टिमेन्ट वर्गीकरणमा परम्परागत विषय-आधारित वर्गीकरणको तुलनामा राम्रो प्रदर्शन गर्दैनन्। हामी भावना वर्गीकरण समस्यालाई अझ चुनौतीपूर्ण बनाउने कारकहरू जाँच गरेर निष्कर्षमा पुग्छौं। प्रकाशन जानकारी: ईएमएनएलपीको कार्यवाही, २००२, पृ. ७९-८६। |
722e2f7894a1b62e0ab09913ce9b98654733d98e | यस प्रकाशनमा पुनः छापिएका लेखहरू छन् जसको प्रतिलिपि अधिकार आईईईईको स्वामित्वमा छैन। यी लेखहरूको पूर्ण पाठ IEEE Xplore मा उपलब्ध छैन। |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | यस लेखमा हामीले चीनको एउटा ठूलो आकारको अनुहार डाटाबेसको बारेमा जानकारी लिने छौं। क्यास-पीएल अनुहार डाटाबेसको निर्माणको लक्ष्य निम्न समावेश गर्दछः १) अनुहार पहिचानका विश्वव्यापी अनुसन्धानकर्ताहरूलाई भिन्नताका विभिन्न स्रोतहरू, विशेष गरी मुद्रा, अभिव्यक्ति, सामान, र प्रकाश (पीईएएल), र एक समान डाटाबेसमा विस्तृत आधारभूत सत्य जानकारी प्रदान गर्ने; २) अफ-द-शेल्फ इमेजिंग उपकरण प्रयोग गरेर र डाटाबेसमा सामान्य अनुहार भिन्नताहरू डिजाइन गरेर व्यावहारिक अनुप्रयोगहरूको उद्देश्यले अत्याधुनिक अनुहार पहिचान टेक्नोलोजीहरूको प्रगतिको लागि; र ३) मंगोलियाको ठूलो स्तरको अनुहार डाटाबेस प्रदान गर्दै। हाल, CAS-PEAL अनुहार डेटाबेसमा १०४० व्यक्तिको (५९५ पुरुष र ४४५ महिला) ९९,५९४ छविहरू छन्। विभिन्न पोसहरूमा एकैसाथ छविहरू खिच्नको लागि कुल नौ क्यामेराहरू एक आर्क हातमा तेर्सो रूपमा जडित छन्। [पृष्ठ २७-मा भएको चित्र] पाँचवटा अनुहारका भाव, छ वटा सामान, र १५ वटा प्रकाश परिवर्तनहरू पनि डाटाबेसमा समावेश छन्। डाटाबेसको एउटा चयनित उपसमूह (CAS-PEAL-R1, जसमा १०४० जनाको ३०,८६३ छविहरू छन्) अब अन्य अनुसन्धानकर्ताहरूको लागि उपलब्ध छ। हामी CAS-PEAL-R1 डाटाबेसमा आधारित मूल्यांकन प्रोटोकलको बारेमा छलफल गर्छौं र चार एल्गोरिदमको प्रदर्शन निम्न आधारभूत रूपमा प्रस्तुत गर्दछौंः १) अनुहार पहिचान एल्गोरिदमको लागि डाटाबेसको कठिनाईको आधारभूत आकलन; २) डाटाबेस प्रयोग गर्ने अनुसन्धानकर्ताहरूको लागि प्राथमिकता मूल्यांकन परिणामहरू; र) सामान्यतया प्रयोग हुने एल्गोरिदमहरूको शक्ति र कमजोरीहरू पहिचान गर्नुहोस्। |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | एन्स्याम्बल विधिहरू एल्गोरिदमहरू सिक्ने एल्गोरिदमहरू हुन् जसले वर्गीकरणकर्ताहरूको सेट निर्माण गर्दछन् र त्यसपछि उनीहरूको भविष्यवाणीको भारित भोट लिई नयाँ डाटा पोइन्टहरू वर्गीकृत गर्दछन् मूल एन्स्याम्बल विधि बेइजियन औसत हो तर अधिक भर्खरका एल्गोरिदमहरूमा त्रुटि सुधार आउटपुट कोडिंग ब्यागिंग र बूस्टिंग समावेश गर्दछ यस कागजातले यी विधिहरूको समीक्षा गर्दछ र वर्णन गर्दछ किन एन्स्याम्बलले प्रायः कुनै पनि एकल वर्गीकरण भन्दा राम्रो प्रदर्शन गर्न सक्दछ। एन्स्याम्बल विधिहरूको तुलना गर्ने केही अघिल्लो अध्ययनहरूको समीक्षा गरिन्छ र केही नयाँ प्रयोगहरू प्रस्तुत गरिन्छ कारणहरू पत्ता लगाउनका लागि कि एडाबस्ट द्रुत रूपमा ओभरटाइम हुँदैन। |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | हामी गैर-नकारात्मक म्याट्रिक्स कारककरण समस्या अध्ययन गर्छौं जसले कम-रैंक कारककरणद्वारा गैर-नकारात्मक म्याट्रिक्सको अनुमान गर्दछ। यो समस्या विशेष गरी मेशिन लर्निङमा महत्त्वपूर्ण छ, र धेरै संख्यामा अनुप्रयोगहरूमा फेला पर्दछ। दुर्भाग्यवश, मूल सूत्र गलत र एनफार्ड हो। यस कागजमा, हामी एनएमएफ समस्यालाई अलग गर्न सकिने धारणा अन्तर्गत समाधान गर्न प row्क्ति एन्ट्रोपी न्यूनतमकरणमा आधारित प row्क्ति विरल मोडेल प्रस्ताव गर्दछौं जसले प्रत्येक डाटा पोइन्ट केही भिन्न डाटा स्तम्भहरूको उत्तल संयोजन हो भनेर बताउँछ। हामी एन्ट्रोपी फंक्शनको एकाग्रता र `∞ मानकको उपयोग गर्दछौं ऊर्जालाई लुकेका चरहरूको कम संख्यामा केन्द्रित गर्न। हामी प्रमाणित गर्छौं कि पृथक गर्न सकिने धारणा अन्तर्गत, हाम्रो प्रस्तावित मोडेलले डाटा स्तम्भहरू पुनः प्राप्त गर्दछ जुन डाटासेट उत्पन्न गर्दछ, जब डाटा हल्लाले बिगार्छ। हामी प्रस्तावित मोडेलको दृढतालाई अनुभविक रूपमा औचित्य दिन्छौं र देखाउँदछौं कि यो अत्याधुनिक पृथक योग्य NMF एल्गोरिदम भन्दा धेरै दृढ छ। |
f829fa5686895ec831dd157f88949f79976664a7 | पदानुक्रमित बेइजियन दृष्टिकोणले अनुभवजन्य मार्केटिंगमा केन्द्रीय भूमिका खेल्दछ किनकि यसले व्यक्तिगत-स्तर प्यारामिटर अनुमानहरू उत्पन्न गर्दछ जुन निर्णयहरू लक्षित गर्न प्रयोग गर्न सकिन्छ। एमसीएमसी विधिहरू पदानुक्रमित बेइजियन मोडेलहरूको अनुमान गर्नका लागि छनौट विधिहरू हुन् किनकि तिनीहरू सही व्यक्तिगत-स्तर अनुमानहरू प्रदान गर्न सक्षम छन्। तर, एमसीएमसी विधिहरू कम्प्युटेशनल रूपमा प्रतिबन्धात्मक छन् र जब ठूलो डाटा सेटहरूमा लागू गरिन्छ जुन वर्तमान युगमा सामान्य भएको छ भने राम्रोसँग स्केल हुँदैन। हामी मार्केटिङ साहित्यमा बेइजियन अनुमान प्रविधिको नयाँ वर्गको परिचय दिन्छौं जसलाई भेरिएसनल बेइजियन (VB) इन्फरेंस भनिन्छ। यी विधिहरूले पछाडि वितरणको अनुमान गर्न र सिमुलेशन-आधारित एमसीएमसी विधिहरूसँग सम्बन्धित कम्प्युटेशनल लागतको एक अंशमा सही अनुमानहरू उत्पादन गर्न एक निर्धारणात्मक अनुकूलन दृष्टिकोण मार्फत स्केलेबिलिटी चुनौतीलाई सम्बोधन गर्दछ। हामी भिन्नता बेइजियन अनुमानमा भर्खरको विकासको शोषण र विस्तार गर्छौं र कसरी दुई VB अनुमान दृष्टिकोणहरू हाइलाइट गर्दछौं - मध्यम-क्षेत्र VB (जुन गिब्स नमूनाकरणसँग मिल्दोजुल्दो छ) कन्जुगेट मोडेलहरूको लागि र फिक्स्ड-फर्म VB (जुन मेट्रोपोलिस-हस्टिंगसँग मिल्दोजुल्दो छ) गैर-कन्जुगेट मोडेलहरूको लागि - जटिल मार्केटिंग मोडेलहरूको अनुमान गर्नको लागि प्रभावकारी रूपमा संयोजन गर्न सकिन्छ। हामी पनि देखाउँछौं कि कसरी हालैको प्रगतिहरू समानांतर कम्प्युटिङ र स्टोकास्टिक अनुकूलनमा यी वीबी विधिहरूको गति बढाउनको लागि प्रयोग गर्न सकिन्छ। हामी सिमुलेटेड र वास्तविक डाटा सेट प्रयोग गरेर, धेरै सामान्य रूपमा प्रयोग गरिएको मार्केटिंग मोडेलहरूमा VB दृष्टिकोणहरू लागू गर्दछौं (उदाहरणका लागि, मिश्रित रैखिक, लगिट, चयन, र पदानुक्रमित क्रमबद्ध लगिट मोडेलहरू), र प्रदर्शन गर्नुहोस् कि कसरी VB अनुमान मार्केटिंग समस्याहरूको लागि व्यापक रूपमा लागू हुन्छ। |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | उच्च स्तरको फ्युजन दृष्टिकोणको प्रयोगले बहु सेन्सर डाटा फ्युजनमा महत्वपूर्ण फाइदाहरूको अनुक्रम प्रदर्शन गर्दछ र अटोमोबाइल सुरक्षा फ्यूजन प्रणालीहरू यसबाट अपवाद छैनन्। उच्च स्तरको फ्यूजनलाई पूरक वा/र रिडन्डन्ट दृश्य क्षेत्रको साथ अटोमोटिभ सेन्सर नेटवर्कमा लागू गर्न सकिन्छ। यस दृष्टिकोणको फाइदा यो हो कि यसले प्रणाली मोड्युलरिटी सुनिश्चित गर्दछ र बेंचमार्किंग अनुमति दिन्छ, किनकि यसले प्रशोधन भित्र फिडब्याक र लूपहरू अनुमति दिदैन। यस कागजातमा दुई विशिष्ट उच्च स्तर डाटा फ्यूजन दृष्टिकोणहरू वर्णन गरिएको छ जसमा एक संक्षिप्त वास्तुशिल्प र एल्गोरिथ्म प्रस्तुतीकरण समावेश छ। यी दृष्टिकोणहरू मुख्यतया उनीहरूको डाटा एसोसिएसन भागमा भिन्न हुन्छन्ः (a) ट्र्याक स्तर फ्यूजन दृष्टिकोणले यसलाई वस्तु निरन्तरता र बहु-आयामिक असाइनमेन्टमा जोड दिएर पोइन्ट टु पोइन्ट एसोसिएसनको साथ समाधान गर्दछ, र (b) ग्रिड आधारित फ्यूजन दृष्टिकोण जसले वातावरण मोडेल गर्न र सेन्सर डाटा फ्यूजन गर्न एक जेनेरिक तरीका प्रस्ताव गर्दछ। यी दृष्टिकोणहरूको लागि परीक्षण केस बहु सेन्सर सुसज्जित PREVENT/ProFusion2 ट्रक प्रदर्शनकर्ता वाहन हो। |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | वर्गीकरणको समस्यालाई डाटा खानी, मेशिन लर्निंग, डाटाबेस, र सूचना पुनः प्राप्ति समुदायहरूमा विभिन्न डोमेनहरूमा अनुप्रयोगहरू सहित व्यापक रूपमा अध्ययन गरिएको छ, जस्तै लक्षित मार्केटिंग, चिकित्सा निदान, समाचार समूह फिल्टरि,, र कागजात संगठन। यस लेखमा हामी विभिन्न प्रकारका पाठ वर्गीकरणको सर्वेक्षण प्रदान गर्नेछौं |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | यस्तो दृष्टिकोणले उच्च प्रदर्शन प्रदान गर्न सक्छ, किनकि तिनीहरू प्राकृतिक भाषा अवधारणासँग सम्बन्धित निहित, अर्थशास्त्र सुविधाहरूको विश्लेषण गर्न पनि सक्षम छन्। यस लेखमा, हामी सिमेन्टिक सेन्टिमेन्ट एनालिसिस च्यालेन्जको चौथो संस्करण प्रस्तुत गर्दछौं, जसमा सिमेन्टिक सुविधाहरू लागू गर्ने वा निर्भर प्रणालीहरूको मूल्यांकन ठूलो परीक्षण सेटहरू समावेश गर्ने प्रतिस्पर्धामा गरिन्छ, र विभिन्न भावना कार्यहरूमा। सिन्टेक्स/शब्द गणना वा केवल शब्दकोशमा आधारित दृष्टिकोणमा आधारित प्रणालीहरू मूल्यांकनद्वारा बहिष्कृत गरिएका छन्। त्यसपछि, हामी प्रत्येक कार्यको लागि मूल्यांकनको परिणाम प्रस्तुत गर्दछौं र सबैभन्दा नवीन दृष्टिकोण पुरस्कारको विजेता देखाउँदछौं, जसले भावना विश्लेषण कार्यलाई सम्बोधन गर्नका लागि धेरै ज्ञान आधारहरू संयोजन गर्दछ। भावना विश्लेषण अनुसन्धान र उद्योग दुवैमा व्यापक रूपमा अध्ययन गरिएको अनुसन्धान क्षेत्र हो, र भावना विश्लेषण सम्बन्धित कार्यहरू सम्बोधन गर्न विभिन्न दृष्टिकोणहरू छन्। भावना विश्लेषण इन्जिनहरूले शब्दकोशमा आधारित प्रविधिहरू, मेशिन लर्निंग, वा सिन्ट्याक्टिकल नियम विश्लेषण समावेश गर्ने दृष्टिकोणहरू लागू गर्दछ। यस्ता प्रणालीहरूको मूल्यांकन अन्तर्राष्ट्रिय अनुसन्धान चुनौतीहरूमा पहिले नै गरिएको छ। तर, सिमेन्टिक सेन्टिमेन्ट एनालिसिस दृष्टिकोण, जसले ठूलो सिमेन्टिक ज्ञानको आधारलाई पनि ध्यानमा राख्छ वा यसमा निर्भर गर्दछ र सिमेन्टिक वेबको उत्तम अभ्यासहरू लागू गर्दछ, अन्य अन्तर्राष्ट्रिय चुनौतीहरूको विशेष प्रयोगात्मक मूल्यांकन र तुलनाको अधीनमा छैन। |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | यस लेखमा भविष्यवाणी र अनुभूतिगत वर्गीकरणलाई मस्तिष्कद्वारा हल गरिने अनुमान समस्याको रूपमा लिइएको छ। हामी मान्छौ कि मस्तिष्कले संसारलाई एक श्रेणीबद्ध वा गतिशील प्रणालीको एक ढाँचाको रूपमा मोडेल गर्दछ जुन संवेदीमा कारण संरचनाको कोड गर्दछ। संवेदी डेटाको व्याख्या गर्न, यी आन्तरिक मोडेलहरूको अनुकूलन वा उल्टाउनेसँग धारणा बराबर छ। संवेदी डेटा कसरी उत्पन्न हुन्छ भन्ने एउटा मोडेल दिइएको छ, हामी मोडेलको प्रमाणमा बाँधिएको स्वतन्त्र ऊर्जामा आधारित मोडेल इन्भर्सनको लागि एक सामान्य दृष्टिकोण लागू गर्न सक्छौं। यसपछि आएको स्वतन्त्र ऊर्जा सूत्रले समीकरणहरू प्रदान गर्दछ जसले मान्यता प्रक्रियाको लागि नियम दिन्छ, अर्थात् संवेदी इनपुटको कारणको प्रतिनिधित्व गर्ने न्यूरोनल क्रियाकलापको गतिशीलता। यहाँ हामी एउटा सामान्य मोडेलमा केन्द्रित छौं जसको पदानुक्रमिक र गतिशील संरचनाले अनुकरण गरिएको मस्तिष्कलाई अनुभूति अवस्थाको अनुक्रम वा अनुक्रम पहिचान गर्न र भविष्यवाणी गर्न सक्षम बनाउँछ। हामी पहिले पदानुक्रमित गतिशील मोडेलहरू र उनीहरूको उल्टो समीक्षा गर्दछौं। त्यसपछि हामी यो इन्भर्सन लागू गर्न मस्तिष्कमा आवश्यक संरचना छ भन्ने देखाउँछौं र यो बिन्दुलाई सिंथेटिक चराहरू प्रयोग गरेर चित्रण गर्छौं जसले चराहरूको गीतलाई चिन्न र वर्गीकरण गर्न सक्छन्। |
38a935e212c8e10460545b74a7888e3966c03e74 | यस लेखमा थ्रीडी वस्तुको पहिचानको अमोडल धारणाको समस्यालाई सम्बोधन गरिएको छ। कार्य भनेको थ्रीडी संसारमा वस्तुको स्थान मात्र खोज्नु होइन, तर तिनीहरूको भौतिक आकार र पोसहरूको अनुमान पनि हो, यदि तिनीहरूका अंशहरू मात्र आरजीबी-डी छविमा देखिन्छन् भने पनि। हालका दृष्टिकोणहरूले 3D स्पेसमा प्रत्यक्ष रूपमा 3D सुविधाहरू शोषण गर्न गहिराइ च्यानलबाट पोइन्ट क्लाउडलाई उपयोग गर्ने प्रयास गरेका छन् र परम्परागत 2.5D प्रतिनिधित्व दृष्टिकोणहरूमा श्रेष्ठता प्रदर्शन गरेका छन्। हामी २.५ डी प्रतिनिधित्व ढाँचामा टाँसिएर अमोडल ३ डी डिटेक्सन समस्याको पुनरावलोकन गर्छौं, र २.५ डी दृश्य दृश्यलाई ३ डी वस्तुहरूमा प्रत्यक्ष रूपमा सम्बन्धित गर्छौं। हामी एउटा नयाँ थ्रीडी वस्तु पत्ता लगाउने प्रणाली प्रस्ताव गर्छौं जसले एकै साथ थ्रीडी स्थान, भौतिक आकार र इनडोर दृश्यमा वस्तुको अभिमुखीकरणको भविष्यवाणी गर्छ। एनवाईयूवी२ डाटासेटमा गरिएको प्रयोगले हाम्रो एल्गोरिथ्म अत्याधुनिक भन्दा धेरै राम्रो छ भन्ने देखाउँछ र २.५ डी प्रतिनिधित्वले थ्रीडी अमोडल वस्तु पत्ता लगाउनका लागि सुविधाहरू एन्कोड गर्न सक्षम छ भन्ने संकेत गर्दछ। सबै स्रोत कोड र डाटा https://github.com/phoenixnn/Amodal3Det मा छ। |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | कम पावर र लोसी नेटवर्क (आरपीएल) को लागि मार्ग प्रोटोकल 6LoWPAN नेटवर्क जस्ता सीमित वातावरणको लागि मानक गरिएको एक उपन्यास मार्ग प्रोटोकल हो। IPv6/RPL जडित 6LoWPAN मा सुरक्षा प्रदान गर्नु चुनौतीपूर्ण छ किनकि उपकरणहरू अविश्वसनीय इन्टरनेटमा जडित छन् र संसाधन सीमित छन्, संचार लिंकहरू घाटामा छन्, र उपकरणहरूले RPL, 6LoWPAN, र CoAP / CoAPs जस्ता उपन्यास IoT टेक्नोलोजीहरूको सेट प्रयोग गर्दछ। यस लेखमा हामी आईओटी प्रविधि र यसको नयाँ सुरक्षा क्षमताहरूको विस्तृत विश्लेषण प्रदान गर्दछौं जुन आक्रमणकारीहरू वा आईडीएसहरूले शोषण गर्न सक्दछन्। यस कागजातमा एउटा प्रमुख योगदान हाम्रो कार्यान्वयन र प्रदर्शन हो जुन राउटिङ प्रोटोकलको रूपमा आरपीएल चलाउने 6LoWPAN नेटवर्कहरू विरुद्ध राउटिङ आक्रमणहरू राम्रोसँग परिचित छ। हामी यी आक्रमणहरू कन्टीकी अपरेटिङ सिस्टममा आरपीएल कार्यान्वयनमा लागू गर्छौं र यी आक्रमणहरूलाई कूजा सिम्युलेटरमा प्रदर्शन गर्दछौं। यसबाहेक, हामी आईपीवी६ प्रोटोकलमा नयाँ सुरक्षा सुविधाहरू हाइलाइट गर्दछौं र यी सुविधाहरूको प्रयोगलाई हल्का हृदय धड्कन प्रोटोकल लागू गरेर आईओटीमा घुसपैठ पत्ता लगाउन उदाहरण दिन्छौं। |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | आजको उच्च प्रदर्शन प्रोसेसरहरूमा प्रचलित क्यास पदानुक्रमलाई व्यवहारमा राम्रो प्रदर्शन गर्ने एल्गोरिदमहरू डिजाइन गर्नका लागि ध्यानमा राख्नुपर्दछ। यस लेखमा बाह्य मेमोरी एल्गोरिदमको अनुकूलनको वकालत गरिएको छ। यो विचार र व्यावहारिक मुद्दाहरू समावेश छन् जुन बाह्य मेमोरी र क्यास मेमोरीमा उपयुक्त छिटो प्राथमिकता कतार ईन्जिनियरि by द्वारा उदाहरण दिइएको छ जुन <i>k</i>-मार्ग मर्जमा आधारित छ। यसले पूर्ववर्ती बाह्य मेमोरी एल्गोरिदमहरूलाई क्याच मेमोरीमा स्थानान्तरण गर्नका लागि महत्त्वपूर्ण कारकहरूद्वारा सुधार गर्दछ। कार्यस्थानको क्यास पदानुक्रममा चलिरहेको एल्गोरिथ्म बाइनरी हूप र ठूलो इनपुटहरूको लागि 4-अरी हूपको अनुकूलित कार्यान्वयन भन्दा कम्तिमा दुई गुणा छिटो छ। |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | हामी वाक्य-स्तर वर्गीकरण कार्यहरूको लागि पूर्व-प्रशिक्षित शब्द भेक्टरहरूको शीर्षमा प्रशिक्षित कन्भोल्युसनल न्यूरल नेटवर्कहरू (सीएनएन) को साथ प्रयोगहरूको श्रृंखलाको रिपोर्ट गर्दछौं। हामी देखाउँछौं कि एउटा साधारण सीएनएनले थोरै हाइपरपरमेटर ट्युनिंग र स्थिर भेक्टरहरूको साथ धेरै बेन्चमार्कहरूमा उत्कृष्ट परिणामहरू प्राप्त गर्दछ। कार्य-विशिष्ट वेक्टरहरू सफा-ट्यूनिंगको माध्यमबाट सिक्नु प्रदर्शनमा थप लाभ प्रदान गर्दछ। हामी अतिरिक्त रूपमा वास्तुकलामा सरल परिमार्जन प्रस्ताव गर्दछौं जसले कार्य-विशिष्ट र स्थिर भेक्टरहरूको प्रयोगको लागि अनुमति दिन्छ। यहाँ छलफल गरिएको सीएनएन मोडेलले सातमध्ये चार कार्यमा अत्याधुनिक प्रविधिमा सुधार ल्याएको छ, जसमा भावना विश्लेषण र प्रश्न वर्गीकरण समावेश छ। |
Subsets and Splits