_id
stringlengths 40
40
| text
stringlengths 0
12.6k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | ई समझना कि मशीन लर्निंग मॉडल का ऊ तरीका से व्यवहार काहे करेक है, सिस्टम डिजाइनर और अंतिम-उपयोगकर्ता दुनहु को कई मायनन से सशक्त बनाता है: मॉडल चयन में, फीचर इंजीनियरिंग में, भविष्यवाणियों पर भरोसा करने और उन पर कार्य करने के लिए, और अधिक सहज उपयोगकर्ता इंटरफ़ेस में। इ प्रकार, व्याख्यात्मकता मशीन लर्निंग मा एक महत्वपूर्ण चिंता का विषय बन गइस है, अउर व्याख्यात्मक मॉडल के क्षेत्र मा काम करैं मा एक नई रुचि पाई गइस है। कुछ अनुप्रयोगों मा इ तरह के मॉडल गैर-व्याख्यात्मक रूप से सटीक हैं, और एह तरह उनके पारदर्शिता के लिए बेहतर हैं। जब उ सबइ सही नाहीं अहइँ, तब भी दूसर लोगन क उपयोग वइसे ही करइ चाही जब उ सबइ सही अहइँ। हालांकि, मशीन लर्निंग का व्याख्यात्मक मॉडल पर रोक अक्सर एक गंभीर सीमा का कारण बनता है। इ पेपर मा हम मॉडल-अज्ञेयवादी दृष्टिकोण का उपयोग कर क मशीन लर्निंग भविष्यवाणियों की व्याख्या के लिए तर्क देत हौवे। मशीन लर्निंग मॉडल का ब्लैकबॉक्स फंक्शन के रूप मा इलाज करैं से, ई दृष्टिकोण मॉडल, स्पष्टीकरण अउर प्रतिनिधित्व के चयन मा महत्वपूर्ण लचीलापन प्रदान करत हैं, डिबगिंग, तुलना अउर कई प्रकार के उपयोगकर्ता अउर मॉडल खातिर इंटरफेस में सुधार करत हैं। हम इ पद्धति क मुख्य चुनौति का भी रेखांकित करत हई, अउर हाल ही मा लाए गए मॉडल-अज्ञेय व्याख्या दृष्टिकोण (LIME) क समीक्षा करत हई जवन इ चुनौतियों का संबोधित करत है। |
546add32740ac350dda44bab06f56d4e206622ab | गहरी तंत्रिका नेटवर्क छवि वर्गीकरण मा प्रभावशाली प्रयोगात्मक परिणाम प्राप्त गरे, तर आश्चर्यजनक रूप मा विरोधी विकारहरु को सम्मान मा अस्थिर हुन सक्छ, त्यो छ, इनपुट छवि मा न्यूनतम परिवर्तन कि नेटवर्क को गलत वर्गीकरण को कारण हो। संभावित अनुप्रयोगों के साथ, जैसे कि धारणा मॉड्यूल और अंत-से-अंत नियंत्रक स्वचालित रूप से ड्राइविंग कारों के लिए, इससे उनकी सुरक्षा पर चिंता का विषय है। हम संतोषजनकता मॉड्यूल सिद्धांत (एसएमटी) पर आधारित फीड-फॉरवर्ड बहु-परत न्यूरल नेटवर्क के लिए एक नया स्वचालित सत्यापन ढांचा विकसित कर रहे हैं। हम छवि हेरफेर पर ध्यान केंद्रित कर रहे हैं, जैसे कि खरोंच या कैमरा कोण या प्रकाश की स्थिति में बदलाव, और छवि वर्गीकरण निर्णय के लिए सुरक्षा को परिभाषित करें, जब छवि के आस-पास छवियों के एक क्षेत्र के भीतर मूल छवि के हेरफेर के संबंध में वर्गीकरण का अपरिवर्तनीयता हो। हम डिस्क्रीटिकेशन का उपयोग करके क्षेत्र का गहन खोज सक्षम करते हैं, और विश्लेषण परत द्वारा परत का प्रचार करते हैं। हमार विधि सीधे नेटवर्क कोड के साथ काम करत है अउर, मौजूदा विधि के विपरीत, इ गारंटी दे सकत है कि अगर कउनो अवरोधक उदाहरण मौजूद है, तौ ओका दिया जाए वाले क्षेत्र अउर हेरफेर परिवार के लिए पाया जा सकत है। अगर पाये जाए, त विरोधात्मक उदाहरण मानव परीक्षकों कय देखावा जाय सकत है औ/या नेटवर्क कय ठीक-ठाक करेक खातिर इस्तेमाल कै सका जात है। हम Z3 का उपयोग करत तकनीक का लागू करत हैं अउर इके अत्याधुनिक नेटवर्क पे मूल्यांकन करत हैं, जेहमा नियमित अउर गहन शिक्षा नेटवर्क शामिल हयेन। हम मौजूदा तकनीक से भी तुलना कर सकते हैं ताकि आप सटीक कीवर्ड का पता लगा सकें। |
8db9df2eadea654f128c1887722c677c708e8a47 | इ भी ध्यान मा मॉडल पर हाल का काम एकीकृत प्रासंगिक जानकारी पर ध्यान केंद्रित, इ प्रकार एम्बेडेड हार्डवेयर पर तैनाती के लिए कम्प्यूटेशनल जटिलता कम कर रहा है। फ्रेमवर्क का परीक्षण TORCS नामक एक ओपन सोर्स 3D कार रेसिंग सिम्युलेटर मा करल गयल रहे। हमार सिमुलेशन परिणाम से पता चलता है कि जटिल सड़क वक्रता अउर अन्य वाहनन की सरल बातचीत से स्वचालित रूप से चलै वाला यंत्र सीख सकत है। परिचय एक रोबोट कार जो स्वायत्त रूप से ड्राइव करता है ऊ एक लम्बा समय से आर्टिफिशियल इंटेलिजेंस का लक्ष्य है। एक वाहन चलावै कै काम एक मनई कै ड्राइवर से उच्च स्तर कै कौशल, ध्यान अउर अनुभव की आवश्यकता अहै। यद्यपि कंप्यूटर मनईन से जादा सतर्कता से काम कय सका जात है, पूरी तरह से स्वचालित रूप से प्रबंधित ईवा सिस्टम मनईन से कहूँ जादा बुद्धिमान होयँ । एक स्वायत्त ड्राइविंग एजेंट बनाए मा शामिल कार्य को 3 श्रेणियों मा विभाजित गर्न सकिन्छ, चित्र मा देखाईएको छ। १) मान्यताः आसपास के वातावरण को घटक को पहिचान। एकर उदाहरण पैदल यात्री डिटेक्शन, यातायात चिह्न पहचान, आदि अहै। यद्यपि तुच्छ से दूर, मान्यता आजकल एक अपेक्षाकृत आसान काम है डीप लर्निंग (डीएल) एल्गोरिदम मा प्रगति को लागी धन्यवाद, जो धेरै वस्तु पत्ता लगाउने र वर्गीकरण समस्या मा मानव स्तर मान्यता या माथिको पुगेको छ। [1] [2] डीप लर्निंग मॉडल कच्चा इनपुट डेटा से जटिल सुविधा प्रतिनिधित्व सीख सकाथै, हाथ से बना सुविधाओं की आवश्यकता का छोड़ देत अहै। इ संबंध मा, Convolutional Neural Networks (CNNs) शायद सबसे सफल गहरी शिक्षा मॉडल अहै, औ AlexNet [8] के बाद से ImageNet चुनौती मा हर जीतने वाले प्रविष्टि का आधार बना अहै। ई सफलता स्वचालित ड्राइविंग खातिर लेन अउर वाहन डिटेक्शन में दोहरावल गयल ह। 2) भविष्यवाण: ई अपर्याप्त है कि एक स्वायत्त ड्राइविंग एजेंट अपने पर्यावरण का पहचान सके; इ भी आंतरिक मॉडल का निर्माण करने में सक्षम होना चाहिए कि भविष्य में पर्यावरण की भविष्य की स्थिति का अनुमान लगा सके। समस्या कै इ वर्ग मा उदाहरण पर्यावरण का नक्शा बनावै या वस्तु का ट्रैक करेक शामिल है। भविष्य का अनुमान लगाने का तरीका पिछले कुछ वर्षों का अनुभव है। इ प्रकार से, पुनरावर्ती तंत्रिका जाल (आरएनएन) समस्या के इ वर्ग खातिर बहुत जरूरी ह। लॉन्ग-शार्ट टर्म मेमोरी (एल एस टी एम) नेटवर्क [5] आर एन एन की एक ऐसन श्रेणी है जवन एंड-टू-एंड सीन लेबलिंग सिस्टम [14] मा उपयोग कै गय है। हाल मा, आरएनएन का भी डीपट्रैकिंग मॉडल मा ऑब्जेक्ट ट्रैकिंग प्रदर्शन मा सुधार करे खातिर इस्तेमाल कई जालि है। 3) योजना: एक कुशल मॉडल का निर्माण जो पहचान और भविष्यवाणी को शामिल करता है ताकि भविष्य की योजना बनाई जा सके कि ड्राइविंग क्रियाओं का भविष्य क्रम जो वाहन को सफलतापूर्वक नेविगेट करने में सक्षम बनाएगा। योजना का काम तीन है सबसे कठिन, कठिनाई ई है कि मॉडल की क्षमता का पर्यावरण (मान्यता) और ओकर गतिशीलता (पूर्वानुमान) को समझने की क्षमता का एक तरह से एकीकृत करना है ताकि यह भविष्य की कार्रवाई का योजना बना सके ताकि यह अवांछित स्थितियों (पेनल्टी) से बच सके और सुरक्षित रूप से अपने गंतव्य (इनाम) तक पहुंचा सके। चित्र 1: उच्च स्तर का स्वायत्त ड्राइविंग कार्य रिइनफोर्समेंट लर्निंग (आरएल) फ्रेमवर्क [17] [20] का उपयोग नियंत्रण कार्य में लंबे समय से किया जा रहा है। आरएल क डीएल क साथ मिश्रण का मानव स्तर क नियंत्रण क प्राप्त करे क सबसे अधिक आशाजनक तरीका में से एक होवे क ओर इशारा कईल गयल रहा [9]. [12] अउर [11] में ई मानव स्तर का नियंत्रण डीप क्यू नेटवर्क (डीक्यूएन) मॉडल का उपयोग करके एटारी गेम पर प्रदर्शित करल गइल रहल, जेकरा में आरएल योजना के हिस्सा खातिर जिम्मेदार रहल जबकि डीएल प्रतिनिधित्व के हिस्सा खातिर जिम्मेदार रहल. बाद मा आंशिक अवलोकन योग्य परिदृश्यों [4] का हिसाब से मिश्रण मा RNNs एकीकृत कीन गवा रहे। स्वचालित ड्राइविंग का सूचना एकीकरण ar X iv: 70 4 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 कई सेंसर से कुछ यक कम आयामी हैं, जैसै कि LIDAR, जबकि कुछ यक ऊँच आयामी हैं, जैसै कैमरा। इ विशेष रूप से इ उदाहरण कय लिए उल्लेखनीय हय कि जदपि कैमरा के बीछल चित्र काफी हद तकय भारी हय, परन्तु स्वचालित रूप से ड्राइव करय वाले यंत्रन कय प्रयोग करय कय बरे इ बहुत छोट महत्व कय ताई अहइ। उदाहरण के लिए, ड्राइविंग फैसलों को प्रभावित करने वाले दृश्य का महत्वपूर्ण हिस्सा आगे चल रहे वाहन, आगे की सड़क पर खाली जगह, कर्ब की स्थिति आदि तक सीमित है। वाहनन का सूक्ष्म विवरण भी महत्वपूर्ण नाहीं अहै, काहे से की समस्या के लिए उनके स्थानिक स्थान ही सही मा जरूरी अहय। एही से संबंधित जानकारी के लिए संस्मरण का बैंडविड्थ काफी कम है। अगर इ प्रासंगिक जानकारी निकाल सकई छई, अउर दूसर प्रासंगिक हिस्सा के बाहर फिल्टर कीन जात है, त इ स्वचालित ड्राइविंग सिस्टम के सटीकता अउर दक्षता दुनु में सुधार होये। एकरे अलावा, इ प्रणाली क गणना अउर मेमोरी आवश्यकताओं का कम करत है, जउन एम्बेडेड सिस्टम पर महत्वपूर्ण बाधाएँ का कारण बनत है, जौन स्वचालित रूप से ड्राइविंग नियंत्रण इकाई (एसीयू) का गठन करेगा। ध्यान मॉडल एक सूचना फ़िल्टरिंग प्रक्रिया का एक स्वाभाविक रूप से फिट है। हाल ही मा, इ मॉडल क छवि मान्यता के लिए [23] औ [10] मा सफलतापूर्वक तैनात करल गयल रहा, जौन मा आरएल को आरएनएन से मिलाकर छवि कय भाग प्राप्त करेक खातिर ध्यान देहे गय रहा। ई मॉडल आसानी से डीक्यूएन [11] अउर डीप रिकर्सन क्यू नेटवर्क (डीआरक्यूएन) [4] मॉडल में विस्तारित अउर एकीकृत है। इ एकीकरण कय पूरा करेक [16] कय बाद पूरा भवा। ध्यान मॉडल की सफलता हमें प्रेरित करती है कि हम उन्हें स्वयंसिद्ध ड्राइविंग का प्रदर्शन करने के लिए कच्चे संवेदी सूचना से निम्न स्तर की जानकारी का निष्कर्षण करें। इ पेपर मा, हम एक अंत-अंत स्वायत्त ड्राइविंग मॉडल के लिए एक ढांचा का प्रस्ताव करत हैं जउन कच्चे सेंसर इनपुट मा ले जात है और ड्राइविंग क्रियाओं का उत्पादन करत है। मॉडल आंशिक रूप से अवलोकन योग्य परिदृश्य का प्रबंधन कर सकता है। एकरे अलावा हम प्रस्तावित करित ह कि हाल के प्रगति के ध्यान मॉडल में एकीकृत करेक अनुमति देई ताकि प्राप्त सेंसर डेटा से केवल संबंधित जानकारी का ही निकाले क सके, इही प्रकार ई वास्तविक समय एम्बेडेड सिस्टम में उपयुक्त अहै। इ पेपर कय मुख्य योगदान: 1) गहरी सुदृढीकरण सीखय कय हालिया प्रगति कय एक सर्वेक्षण प्रस्तुत करत अहै औ 2) ऑटोमोटिव समुदाय कय गहरी सुदृढीकरण सीखय कय उपयोग कइके स्वायत्त ड्राइविंग कय अंत करै कय एक ढांचा प्रस्तुत करत अहै। बाकी कागज दुई भाग मा बांटा गवा है। पहिला भाग डीप रेनफोर्समेंट लर्निंग एल्गोरिदम का एक सर्वेक्षण प्रदान करत है, जवन पारंपरिक एमडीपी ढांचा अउर क्यू-लर्निंग से शुरू होत है, जेकर बाद डीक्यूएन, डीआरक्यूएन अउर डीप अटेंशन रिकर्सिव क्यू नेटवर्क (डीएआरक्यूएन) होत है। पेपर का दूसरा भाग प्रस्तावित ढांचे का वर्णन करता है जो गहरी सुदृढीकरण सीखने में हालिया प्रगति का एक एकीकृत ढांचा है। अंत मा हम अपने अवधी ग्राम-गाथा से कुछ अइसने सुझाव देत हई जौन आगे चल के अउर उपयोगी हो सकत है। पुनरावर्तन सीखना का समीक्षा पुनरावर्तन सीखना का एक व्यापक अवलोकन के लिए, कृपया रिच सटन की पाठ्यपुस्तक का दूसरा संस्करण देखें [18]। हमैं तो इ खंड मा कुछ महत्वपूर्ण विषयों का ब्यौरा दिहे हौ। सुदृढीकरण सीखना ढांचा [17] मा एक मॉडल के रूप मा तैयार कीन गा रहा है ताकि एक एजेंट सबसे अच्छी नीति का पालन कर सके (एक दिए गए राज्य मा लेने के लिए सबसे अच्छी कार्रवाई), ताकि कुल संचित पुरस्कार अधिकतम हो जब एजेंट वर्तमान से उस नीति का पालन करे और जब तक एक टर्मिनल राज्य तक नहीं पहुंच जाए। आर एल पैराडाइम ड्राइविंग खातिर प्रेरणा एक बहु-एजेंट बातचीत समस्या है। एक मानव चालक के रूप मा, भारी यातायात मा लेन बदलना की तुलना मा अन्य कारों संग कुनै अन्तरक्रिया बिना लेन मा रहन को लागी धेरै सजिलो छ। बाद का तरीका और अधिक कठिन है काहे से की अन्य ड्राइवरन की व्यवहारिक अनिश्चितता का कारण बनता है। परस्पर क्रिया करै वाले वाहनन कै संख्या, उनके ज्यामितीय विन्यास अउर ड्राइवरन कै व्यवहार पै काफी भिन्नता होई सकत है अउर ई सब परिदृश्यन कै पूरी तरह से कवर करै वाले एक पर्यवेक्षित सीखे डाटासेट डिज़ाइन करै कै चुनौती अहै। मानव ड्राइवर अन्य ड्राइवरों का व्यवहार समझने के लिए कुछ तरह का ऑनलाइन सुदृढीकरण सीख रहे हैं जैसे कि क्या वे रक्षात्मक या आक्रामक हैं, अनुभवी या अनुभवहीन हैं, आदि। ई विशेष रूप से ओ परिदृश्य में उपयोगी ह जवन में बातचीत की जरूरत ह, अर्थात् एक गोल चक्कर में घुसना, ट्रैफिक लाइट के बिना जंक्शन पर नेविगेट करना, भारी यातायात के दौरान लेन परिवर्तन, आदि। स्वायत्त ड्राइविंग मा मुख्य चुनौती कोनों मामला मा निपटने मा छ जो एक मानव ड्राइवर को लागी अप्रत्याशित छ, जस्तै जीपीएस बिना अज्ञात क्षेत्र मा हराए बाट रिकभरी वा आपदा स्थिति जस्तै बाढी वा जमीन मा एक sinkhole को उपस्थिति संग व्यवहार। आरएल पैराडिगम अज्ञात क्षेत्र का मॉडल करत है अउर कार्रवाई करत हुवे आपन अनुभव से सीखत है। एकर अतिरिक्त, आरएल का गैर-विभाजित लागत फ़ंक्शन के साथ काम करै मा सक्षम होइ सकत है, जौन पर्यवेक्षित लर्निंग की समस्या के लिए चुनौति पैदा कर सकत है। वर्तमान मा, स्वायत्त ड्राइविंग क खातिर मानक दृष्टिकोण प्रणाली को अलग-अलग उप-समस्याओं मा विघटित करना है, आमतौर पर पर्यवेक्षित-शिक्षण-जैसे वस्तु का पता लगाने, दृश्य ओडोमेट्री, आदि और फिर पिछले चरणों के सभी परिणामों को संयोजित करने के लिए एक पोस्ट प्रोसेसिंग परत होने। इ दृष्टिकोण से दू मुख्य मुद्दा हय: पहला, जवन उप-समस्याएँ हल की जा रही हय उ स्वायत्त ड्राइविंग से जादा कठिन होइ सकत हय। उदाहरण के लिए, एक ऑब्जेक्ट का पता लगाने का अर्थ सिमेंटिक सेगमेंटेशन द्वारा हल किया जा सकता है, जो चुनौतीपूर्ण और अनावश्यक दोनों है। ड्राइवर का ड्राइविंग करते समय सभी दृश्यमान वस्तुओं का पता लगाना और वर्गीकृत नहीं है, केवल सबसे अधिक प्रासंगिक चीजें। दुसरे, अलग-अलग उपसमस्याएँ एक साथ हो सकती हैं, या फिर अलग-अलग प्रयोजनों के लिए एक अतिरिक्त क्रिया का रूप ले सकती हैं। एक दूसरे से दूर रहें। सुदृढीकरण सीखना एक मजबूत एआई प्रतिमान माना जात है जेकर उपयोग मशीनन का पर्यावरण के साथे बातचीत करै और ऊ गलतियों से सीखे के खातिर कै सका जात है। एकर कथित लाभ के बावजूद, ई अबतक मोटर वाहन उत्पादन मा लागू नाही भा हय। एटारी गेम्स अउर गूगल डीप माइंड द्वारा गो का सीखै के सफल प्रदर्शन से प्रेरित होइके, हम गहरी सुदृढीकरण सीखै के मदद से स्वायत्त ड्राइविंग खातिर एगो ढांचा प्रस्तावित करत बानी। ई खास रूप से महत्वपूर्ण ह काहेकि सशस्त्र ड्राइविंग एक पर्यवेक्षित सीखे समस्या के रूप मा बा, अन्य वाहनन, पैदल यात्रीयन अउर सड़क निर्माण सहित पर्यावरण के साथे मजबूत बातचीत की वजह से. चूंकि इ स्वायत्त ड्राइविंग क लिए अनुसंधान का एक अपेक्षाकृत नया क्षेत्र है, हम गहरी सुदृढीकरण सीखना का एक छोटा अवलोकन प्रदान करते हैं और फिर हमारे प्रस्तावित ढांचे का वर्णन करते हैं। इ सूचना एकत्रीकरण खातिर आवर्ती तंत्रिका नेटवर्क शामिल करत है, जवन कार के आंशिक रूप से अवलोकन योग्य परिदृश्यों का संभालने में सक्षम बनावत है। |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | इ रिपोर्ट एआई के दुर्भावनापूर्ण उपयोग से संभावित सुरक्षा खतरन का जायजा लेत है, अउर इन खतरन का बेहतर रूप से अनुमान लगाने, रोके, अउर कम करे के तरीका के बारे में सुझाव देत है। एआई के तरीका का विश्लेषण कइके डिजिटल, भौतिक अउर राजनीतिक डोमेन में खतरा के परिदृश्य पर प्रभाव डाले के बाद, हम एआई शोधकर्ता अउर अन्य हितधारक लोगन खातिर चार उच्च-स्तरीय सिफारिशें करत हैं। हम त प्रस्तावना लिखने का उम्मीद में हैं अऊर आप समिच्छा का बात कर रही हैं। आप शायद सोच रहे हैं कि यह सिर्फ संयोग है अऊर आप एकदम संयोग से कह रहे हैं कि आपने अपना काम पूरा कर लिया है. अंत मा हम बात करत हैं, लेकिन अवधी मा नहीं, बलुक हमलावरन अउर सैनिकन पर हमला करै खातिर हम आपन समस्यन का हल निकारत हन। |
b5a047dffc3d70dce19de61257605dfc8c69535c | गहन तंत्रिका नेटवर्क जटिल, वास्तविक दुनिया की समस्या का समाधान करने का एक व्यापक रूप से उपयोग और प्रभावी माध्यम के रूप में उभरा है। हालांकि, सुरक्षा-महत्वपूर्ण प्रणालियों पर उनका आवेदन करने का एक प्रमुख बाधा उनके व्यवहार के बारे में औपचारिक गारंटी प्रदान करना है। हम गहरे तंत्रिका नेटवर्क (या काउंटर-उदाहरण प्रदान) की गुणों का सत्यापन करने के लिए एक उपन्यास, स्केलेबल, और कुशल तकनीक प्रस्तुत करते हैं। ई तकनीक सिंप्लेक्स पद्धति पर आधारित बा, जवन गैर-मपनीय रेक्टिफायड रैखिक इकाई (ReLU) सक्रियण फ़ंक्शन के संभाले खातिर विस्तारित बा, जवन कई आधुनिक तंत्रिका नेटवर्क में एक महत्वपूर्ण घटक बा. सत्यापन प्रक्रिया तंत्रिका नेटवर्क का एक समूचा रूप से निपटाता है, बिना किसी सरलीकृत धारणा का। हम आपन तकनीक का मूल्यांकन अगले पीढ़ी के मानवरहित विमानन (एसीएएस एक्सयू) खातिर हवाई टकराव से बचाव प्रणाली का प्रोटोटाइप गहन तंत्रिका नेटवर्क कार्यान्वयन पर कराइत रहे. नतीजा ई दिखावा करत है कि हमार तकनीक उन नेटवर्कऽन् कय गुणन् कय सफलतापूर्वक सिद्ध किहिन् है जवन सबसे बडे़ पैमाने पय अहै अउर जवन वर्तमान मा मौजूद नाभिकीय संजालऽन् कय तुलना मा बहुत बड़ा हय। |
b4bd9fab8439da4939a980a950838d1299a9b030 | उपयोग कय पूरा नियम औ शर्तें: http://pubsonline.informs.org/page/terms-and-conditions इ लेख कय प्रयोग केवल अनुसंधान, शिक्षण, औ/या निजी अध्ययन कय प्रयोजन के बरे कीन जाय सकत है। अगर न त प्रकाशनक के स्पष्ट अनुमोदन के बिना वाणिज्यिक उपयोग या व्यवस्थित डाउनलोड (रोबोट या अन्य स्वचालित प्रक्रियाओं द्वारा) मना है, जब तक कि अन्यथा नोट न कीन जाय । अधिक जानकारी के लिए, permissions@informs.org से संपर्क करें। प्रकाशक का लेख की सटीकता, पूर्णता, व्यापारिक योग्यता, किसी विशेष उद्देश्य के लिए उपयुक्तता, या गैर-उल्लंघन की गारंटी या गारंटी नहीं है। उत्पाद या प्रकाशन का विवरण, या संदर्भ, या इस लेख में विज्ञापन का समावेश, न तो कोई गारंटी, समर्थन, या उस उत्पाद, प्रकाशन, या सेवा का दावा का समर्थन करता है। © 1990 INFORMS मा प्रकाशित |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | स्वचालित ड्राइविंग से ड्राइवरन का सुविधा अउर सुरक्षा मिले बाय। जब हम अपने वर्तमान यातायात प्रणाली मा स्वायत्त ड्राइविंग शुरू कर रहे हैं, एक महत्वपूर्ण मुद्दा यह है कि स्वायत्त वाहन वास्तविक मानव ड्राइवरों के रूप मा एक ही तरीका मा प्रतिक्रिया कर सकदैं। ई सुनिश्चित करै के लिए कि भविष्य का एक स्वायत्त वाहन मानव ड्राइवर के समान काम करी, इ पेपर एक वाहन गति योजना मॉडल का प्रस्ताव करत है, जवन ई दर्शा सकत है कि कैसे ड्राइवर वास्तविक सिग्नल चौराहे पर यातायात वातावरण का आकलन के आधार पर वाहनों का नियंत्रण करत हैं। प्रस्तावित गति नियोजन मॉडल मा पैदल यात्री इरादा का पता लगावैं, अंतराल का पता लगावैं अउर वाहन गतिशील नियंत्रण के फंक्शन शामिल हैं। तीनो फ़ंक्शन वास्तविक यातायात वातावरण से एकत्रित वास्तविक डेटा का विश्लेषण के आधार पर निर्मित है। अंत मा, इ पेपर वास्तविक पैदल यात्रिन अउर ड्राइवरन के व्यवहार की तुलना मा हमर मॉडल की व्यवहार की तुलना कर के प्रस्तावित विधि की प्रदर्शन दिखाता है। प्रयोगात्मक परिणाम से पता चलता है कि हमारे पास एक बड़ी चेन का हिस्सा है, हालांकि कई लोग एक बड़ी चेन का हिस्सा हैं। एकरे अलावा प्रस्तावित गति नियोजन मॉडल से नियंत्रित गाड़ी अउर वास्तविक मानव संचालित गाड़ी आपस में बहुत मिलत जुलत बा। |
061356704ec86334dbbc073985375fe13cd39088 | इ काम मा हम बड़े पैमाना पर छवि मान्यता सेटिंग मा एकर सटीकता पर संवहन नेटवर्क गहराई का प्रभाव जांच। हमार मुख्य योगदान बढ़त गहराई के नेटवर्क का एक पूरा मूल्यांकन है, जउन दिखाता है कि पूर्व-कला विन्यास पर एक महत्वपूर्ण सुधार गहराई 16-19 वजन परतों तक धकेलकर हासिल किया जा सकता है। इ निष्कर्ष हम पचन क ImageNet Challenge 2014 से सम्बन्धित रहा जौन हम सब -साधारण रूप से देखित हयेन। हम इ भी देखब कि का हमरे निरूपण का दूसर डेटासेट के लिए भी अच्छा तराजू है, जब तक कि बाकी डेटासेट की तुलना में एक-से-सवा रिज़ॉल्यूशन का हिसाब से सबसे अच्छा परिणाम न हो जाए। महत्वपूर्ण रूप से, हम अपने दो bestperforming ConvNet मॉडल को सार्वजनिक रूप से उपलब्ध करा चुके हैं ताकि कंप्यूटर विजन में गहरी दृश्य प्रतिनिधित्व का उपयोग पर आगे का शोध आसान हो सके। |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | हम एगो डीप कन्वोलुशनल न्यूरल नेटवर्क आर्किटेक्चर क प्रस्ताव करत हई जेकर कोड नाम इन्सपेशन ह जवन इमेजनेट लार्ज-स्केल विजुअल रिकग्निशन चैलेंज 2014 (आईएलएसवीआरसी 14) में वर्गीकरण औरु पता लगावे क खातिर कला क नया स्थिति प्राप्त करत है। इ वास्तुकला का मुख्य चिह्न नेटवर्क के भीतर कंप्यूटिंग संसाधनों का बेहतर उपयोग है। ध्यान से तैयार डिजाइन द्वारा, हम गहरी और चौड़ाई नेटवर्क का विस्तार करते समय कंप्यूटिंग बजट को स्थिर रखते हुए। गुणवत्ता का अनुकूलन करै के लिए, वास्तुशिल्प निर्णय हेबियन सिद्धांत अउर बहु-पैमाना प्रसंस्करण की अंतर्ज्ञान पर आधारित रहे। ILSVRC14 खातिर हमार सबमिशन में इस्तेमाल होखे वाला एगो खास अवतार के GoogLeNet कहल जाता है, जवन 22 परत वाला गहरा नेटवर्क ह, जेकर गुणवत्ता के वर्गीकरण अउर पता लगावे के संदर्भ में मूल्यांकन करल जाला. |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | प्रशिक्षण के दौरान हर परत के इनपुट का वितरण बदल जात है, काहे से कि पिछला परत के पैरामीटर बदल जात हैं, ई बात डीप न्यूरल नेटवर्क के प्रशिक्षण के लिए कठिन बना देत है। इ प्रशिक्षण कय धीमा करत है काहे से की कम सीखेक दर अउर पैमाइटर कय सावधानीपूर्वक आरंभिकरण कय आवश्यकता होत है, अउर ई मॉडल कय संतृप्त गैर-रैखिकता कय साथे प्रशिक्षण करना बहुत कठिन होत है। हम इ घटना का आंतरिक सह-परिवर्तनीय बदलाव के रूप मा संदर्भित करत हैं, अउर परत इनपुट के सामान्यीकरण द्वारा समस्या का समाधान करत हैं। हमार विधि आपन ताकत मॉडल वास्तुकला का हिस्सा बनाए से अउर हर प्रशिक्षण मिनी-बैच खातिर सामान्यीकरण करे से प्राप्त करत है। बैच नॉर्मलाइजेशन हमका ज्यादा सीखै क दर का उपयोग करै अउर इनिशियलाइजेशन के बारे मा कम सावधान रहे क अनुमति देत है, अउर कुछ मामलन मा ड्रॉप आउट क जरूरत क खतम करत है। एक अत्याधुनिक छवि वर्गीकरण मॉडल पर लागू, बैच सामान्यीकरण 14 गुना कम प्रशिक्षण चरणों के साथ एक ही सटीकता प्राप्त करता है, और मूल मॉडल को एक महत्वपूर्ण मार्जिन से हराता है। बैच-सामान्यीकृत नेटवर्क का उपयोग करके, हम इमेजनेट वर्गीकरण पर सबसे अच्छा प्रकाशित परिणाम पर सुधार करते हैंः 4.82% तक पहुंचना शीर्ष-5 परीक्षण त्रुटि, मानव रेटर की सटीकता से अधिक। |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | इ पेपर मा अल्ट्रा-वाइड बैंड (UWB) पावर डिवाइडर डिजाइन कीन गा है। ई शक्ति विभाजक का यूडब्ल्यूबी प्रदर्शन एक कॉपर माइक्रोस्ट्रिप लाइन का उपयोग करके प्राप्त किया जाता है, जिसमें एक्सपोनेंशियल और अण्डाकार खंड शामिल हैं। मोटे दाना वाले समानांतर माइक्रो-जेनेटिक एल्गोरिथ्म (पीएमजीए) अउर सीएसटी माइक्रोवेव स्टूडियो एक स्वचालित समानांतर डिजाइन प्रक्रिया प्राप्त करे खातिर संयुक्त है। ई विधि यूडब्ल्यूबी पावर डिवाइडर का अनुकूलन करे खातिर लागू करल गइल बा. इष्टतम शक्ति विभाजक का निर्माण और मापन किया जा रहा है। माप परिणामसबसबसबसबसे कम सम्मिलन हानि, अच्छा वापसी हानि,अउ पूरा UWB (3.1-10.6 GHz) पर आउटपुट पोर्टसबके बीच उच्च अलगाव देखाइदैं है। |
2532d0567c8334e4cadf282a73ffe399c1c32476 | तब प्रदर्शन माप तब प्राप्त पुरस्कार का योग होय। उदाहरण के लिए, जब एक भैंस चारा का खोज कर रही हो, तब हर समय चरण पर इनाम फ़ंक्शन उड़ने की दूरी (नकारात्मक भारित) और निगल जाय वाले अमृत का कुछ संयोजन हो सकता है। सुदृढीकरण सीखना (आरएल) विधि मार्कोव निर्णय प्रक्रियाओं (एमडीपी) का समाधान करने का ऑनलाइन एल्गोरिदम हैं। एक एमडीपी इनाम फलन अउर एक मॉडल द्वारा परिभाषित करल जात है, यानी, प्रत्येक संभावित कार्रवाई पे स्थिति संक्रमण संभावनाओं का शर्त लगावल जात है. आरएल एल्गोरिदम मॉडल-आधारित हो सकत हैं, जहां एजेंट एक मॉडल सीखत है, या मॉडल-मुक्त-जैसे, क्यू-लर्निंग का हवाला देते हैं वाटकिंस: 1989, जो केवल एक फ़ंक्शन क्यू सीखाता है, ए) राज्य एस में कार्रवाई करने का दीर्घकालिक मूल्य निर्दिष्ट करता है और उसके बाद इष्टतम रूप से कार्य करता है। आपन सफलता के बावजूद, आरएल विधियन का काफी हद तक पूरी तरह से अवलोकन योग्य एमडीपी तक ही सीमित रखा गवा हय,जहां हर राज्य मा संवेदी इनपुट राज्य का पहचानने के लिए पर्याप्त हय। जाहिर है, वास्तविक दुनिया में, हम बहुत ज् यादा देखेंगे कि भाषा का क्या अर्थ है, ज् यादा प्रतिबिंबित होगा। एस्ट्रोम (1965) साबित कै दिहिन कि पीओएमडीपी मा इष्टतम निर्णय समय मा हर बिंदु पे बिस्वास राज्य बी पे निर्भर करत है, यानी, सभी संभावित वास्तविक राज्यों मा पछाड़ी संभावना वितरण, तारीख तक सबै सबूत दिए गए। Parr and Russell (1995) एक बहुत ही सरल POMDP RL एल्गोरिथ्म का वर्णन करते हैं जो कि b का स्पष्ट प्रतिनिधित्व संभावनाओं के वेक्टर के रूप में करता है, और McCallum (1993) हाल के धारणा अनुक्रम का उपयोग करके विश्वास की स्थिति का अनुमान लगाने का एक तरीका दिखाता है। कौनो भी दृष्टिकोण बड़ी संख्या मा राज्य चर और दीर्घकालिक समय निर्भरता की स्थिति तक पहुंचय क संभावना नहीं होत है। ई मॉडल का सघन रूप से प्रतिनिधित्व करेक तरीका अउर मॉडल अउर हर नया अवलोकन के हिसाब से विश्वास अवस्था का दक्षता से अद्यतन करेक तरीका जरूरी अहय। डायनामिक बेयसन नेटवर्क (डीन एंड कनाज़ावा, 1989) मा कुछ जरूरी गुण है; खासतौर पे, उनके पास अन्य दृष्टिकोणों जइसन कि कलमैन फ़िल्टर और छिपे मार्कोव मॉडल से महत्वपूर्ण फायदे हैं। चित्र 1 मा देखाय देई गई हमरे आधारभूत वास्तुकला, डीबीएन का उपयोग विश्वास राज्य का प्रतिनिधित्व अउर अद्यतन करे खातिर करत है काहे से की नई सेंसर जानकारी आवत है। बी का प्रतिनिधित्व देत, इनाम संकेत का उपयोग क्यू-फ़ंक्शन का अध्ययन करे खातिर करल जाला, जेकर प्रतिनिधित्व कौनो ब्लैक-बॉक्स फ़ंक्शन अनुमानक द्वारा करल जाला, जइसे कि तंत्रिका नेटवर्क. अगर हम कह सकित ह कि हम अउर सैकड़न लोगन क बात करित ह, तउ ठीक अहइ। इ बात का प्रस्ताव बहुत सरल बा एक सीखे वाले एजेंट खातिर बेसलाइन आर्किटेक्चर जवन कि स्टोकास्टिक, आंशिक रूप से अवलोकन योग्य वातावरण का संभाल सकत बा। आर्किटेक्चर आभासी सिछा का साथे-साथे एक तरीका का प्रयोग करत है ताकि समय के साथ हो रहे प्रक्रियाओं का ग्राफिकल मॉडल के रूप मा देखा जा सके। इ प्रकार से इंद्रिय आदानों से इ निरूपण कय मापदंड अउर संरचना का समझै कय खातिर अउर बाद के संभाव्यताओं का गणना करेक खातिर विधिअन पर चर्चा करब। कुछ खुला समस्या अभी भी है, जब हम पूरी तरह से एजेंट का परीक्षण कर रहे हैं; अउर जब हम सोचे कि अउग बढ़ रहा है, तब और भी बड़ी समस्या है। दूसर बात मैं इनतान के औरतन के मदद करत हौं जउन औरतें कचहरी अउर अधिकारी के लगे जाये मा डेरात हैं। इ सवाल का जवाब देवे क खातिर, हम inverse reinforcement learning का प्रयोग करेक चाही: अवलोकन व्यवहार का देहे, अगर कउनो अवदान संकेत, अनुकूलित किहिन जा रहा है? ई COLT, UAI, अउर ML समुदायन के खातिर बहुत दिलचस्प समस्या प्रतीत होत है, अउर मार्कोव निर्णय प्रक्रियाओं के संरचनात्मक अनुमान के शीर्षक के तहत अर्थसास्त्र में संबोधित कीन गा है। 1 अनिश्चित वातावरण मा सीखना AI बुद्धिमान एजेंटों की निर्माण को बारे मा छ, यानी, प्रणाली जो समझदार छ र एक वातावरण मा प्रभावी ढंग से कार्य (कुनै प्रदर्शन माप के अनुसार) । मैं अन्य जगह पर तर्क दिया है कि रसेल और नॉर्विग (1995) का मानना है कि ज्यादातर एआई शोध स्थिर, दृढ़, असतत, और पूरी तरह से अवलोकन योग्य वातावरण पर केंद्रित हैं। जब वास्तविक दुनिया मा, वातावरण गतिशील, अस्थिर, निरंतर, और आंशिक रूप से अवलोकन योग्य छ, तब के गर्ने? इ पेपर एनएसएफ @ आई -9634215), ओएनआर (एन 00014-97-l-0941) अउर एआर0 (डीएएएच04-96-1-0341) द्वारा समर्थित कई शोध प्रयास पर आधारित है। इ काम कय पूरी या आंशिक रूप से डिजिटल या हार्ड कॉपी बनावै कय अनुमति व्यक्तिगत या कक्षा कक्ष उपयोग के बरे बिना शुल्क के दीन्हा जात है, जब तक कि प्रतिलिपि प्रोलिट या व्यावसायिक लाभ के बरे न बनाई या वितरित न कीन जाय अउर प्रतिलिपि पे इ नोटिस अउर पहिले पन्ना पे पूरा उद्धरण हो। अगर आपकय भाषा अवतरित होय । पब्लिश करे खातिर, सर्वर पर पोस्ट करे खातिर या लिस्ट मा बाँटे खातिर, पहिले से विशेष अनुमति अउर/या फीस के जरूरत होत है। COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 हाल के बरसों मा, सुदृढीकरण सीखना (जेकरा न्यूरोडायनामिक प्रोग्रामिंग भी कहा जात है) स्वचालित रूप से एजेंटों का निर्माण करने का एक तरीका के रूप मा तेजी से प्रगति की है (सटन, 1988; केलबलिंग एट अल., 1996; बर्ट्सकेस एंड त्सिकलिस, 1996) । मूल विचार ई है कि प्रदर्शन माप एजेंट को एक इनाम समारोह को रूप मा उपलब्ध कराई जा रही है कि एजेंट को माध्यम ले जाने वाले प्रत्येक राज्य को इनाम को निर्दिष्ट गर्दछ। |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | इ पेपर माइक्रोइलेक्ट्रोमैकेनिकल सिस्टम (एमईएमएस) पर आधारित रेडियो-फ्रिक्वेंसी (आरएफ) प्रौद्योगिकी का एक अपेक्षाकृत नया क्षेत्र है। आरएफ एमईएमएस नवा यंत्रन अउर घटकन कय एगो वर्ग प्रदान करत है जवन पारंपरिक (आमतौर पे अर्धचालक) यंत्रन कय तुलना में बेहतर उच्च आवृत्ति प्रदर्शन देखाइ देत है, अउर जवन नवा प्रणाली क्षमताओं कय सक्षम करत है। एकर अलावा, MEMS डिवाइसेस का डिज़ाइन और विनिर्माण, बड़े पैमाने पर एकीकरण की तकनीक से संबंधित है, और पारंपरिक रूप से बड़ी मात्रा में प्रसंस्करण के तरीकों से निर्मित किया जा सकता है। इ पेपर मा, केवल एक यंत्र सम्बोधित है इलेक्ट्रोस्टैटिक माइक्रो स्विच-शायद पैराडाइम आरएफ-एमईएमएस यंत्र। अपर प्रदर्शन विशेषता के कारन, माइक्रो स्विच का कई मौजूदा सर्किट अउर सिस्टम में विकसित करल जात है, जेहमा रेडियो फ्रंट-एंड, कैपेसिटर बैंक अउर टाइम-डेलैट नेटवर्क शामिल हैं। अल्ट्रा-कम-पावर डिसीपिएशन अउर बड़े पैमाना पर एकीकरण के साथ संयुक्त बेहतर प्रदर्शन से नई प्रणाली कार्यक्षमता भी संभव होई। इ जगह कय दुइ संभावनाएँ हैं अर्ध-ऑप्टिकल बीम स्टीयरिंग औ इलेक्ट्रिक रूप से पुनः विन्यस्त एंटीना। |
9d5f36b92ac155fccdae6730660ab44d46ad501a | जोखिम समता एक आवंटन विधि है जो विविध पोर्टफोलियो का निर्माण करने के लिए उपयोग की जाती है जो अपेक्षित रिटर्न की किसी भी धारणा पर निर्भर नहीं है, इस प्रकार जोखिम प्रबंधन को रणनीति का केंद्र बना रहा है। ई बताय देत है कि साल 2008 के वैश्विक वित्तीय संकट के बाद निवेशक काहे से जोखिम का मुकाबला ज्यादा कर सकत हैं? हालांकि, जोखिम समानता की भी आलोचना की गई है, क्योंकि यह पोर्टफोलियो प्रदर्शन के बजाय जोखिम एकाग्रता का प्रबंधन करने पर केंद्रित है, और इसलिए इसे सक्रिय प्रबंधन के बजाय निष्क्रिय प्रबंधन का अधिक महत्व माना जाता है। ई लेख में, हम देखब कि कैसन उम्मीद कीन जाय वाले रिटर्न कै सोंच जोखिम पैरिटी पोर्टफोलियो मा लावा जाय। ई करै खातिर, हम एक आम जोखिम मापने पर विचार करित है, जउन पोर्टफोलियो की वापसी अउर अस्थिरता दुनु का ध्यान रखत है। हालांकि, प्रदर्शन और अस्थिरता योगदान के बीच व्यापार-बंद कुछ कठिनाई पैदा करता है, जबकि जोखिम बजट का समस्या स्पष्ट रूप से परिभाषित की जानी चाहिए। इ तरह के जोखिम बजट का आवंटन, एक्ठु सैद्धांतिक विशेषता का पूर्वाभास करैं, अउर वित्तीय लेनदेन का निर्देशन करै, जेसे निवेशक सहायता प्राप्त कै सकाथै। सबसे पहिले हम दीर्घकालिक निवेश नीति अउर रणनीतिक परिसंपत्ति आवंटन का निर्धारण करत रहे। हम तब dynamic allocation का विचार करें और दिखाएं कि risk parity fund का निर्माण कैसे करे जो कि expected return पर निर्भर हो। |
006df3db364f2a6d7cc23f46d22cc63081dd70db | एक अस्थायी नेटवर्क वायरलेस मोबाइल होस्ट का एक संग्रह है, जो बिना किसी स्थापित बुनियादी ढांचे या केंद्रीकृत प्रशासन की सहायता के एक अस्थायी नेटवर्क का निर्माण करता है। ए प्रकार के वातावरण मा, एक मोबाइल होस्ट को गंतव्य मा एक पैकेट अग्रेषित गर्न को लागी अन्य होस्ट को सहायता मा शामिल गर्न को लागी आवश्यक हुन सक्छ, प्रत्येक मोबाइल होस्ट को वायरलेस प्रसारण को सीमित दायरा को कारण। इ पेपर एड हॉक नेटवर्क मा रूटिंग खातिर एक प्रोटोकॉल प्रस्तुत करत है जवन गतिशील स्रोत रूटिंग का उपयोग करत है. जब होस्ट गतिशीलता अक्सर होत ह, तब प्रोटोकॉल रूटिंग परिवर्तन के खातिर जल्दी से अनुकूलित होत ह, फिर भी उन अवधियन के दौरान कम या कौनो ओवरहेड क आवश्यकता होत ह, जौन मेजबान कम अक्सर चलत रहत ह. एक ad hoc नेटवर्क मा काम करणा छया मोबाइल मेजबानन का पैकेट-स्तर सिमुलेशन से परिणामों के आधार पर, प्रोटोकॉल होस्ट घनत्व और आंदोलन दर जैसे विभिन्न पर्यावरणीय परिस्थितियों मा अच्छा प्रदर्शन करत है। सभी सिमुलेटेड होस्ट गति की उच्चतम दर के अलावा, प्रोटोकॉल का ओवरहेड काफी कम है, 24 मोबाइल होस्ट्स के नेटवर्क में मध्यम गति गति के लिए प्रेषित कुल डेटा पैकेट का केवल 1% तक गिर रहा है। सभी मामलन मा, मार्गों का उपयोग और इष्टतम मार्ग लंबाई के बीच लंबाई मा अंतर नगण्य है, और ज्यादातर मामलों मा, मार्ग लंबाई इष्टतम से लगभग 1.01 कारक के भीतर औसतन है। |
25a26b86f4a2ebca2b154effbaf894aef690c03c | हाल ही मा supervised learning algorithms मा महत्वपूर्ण रुचि छ, जो लेबल र unlabeled डाटा को टेक्स्ट लर्निंग कार्य को लागी संयोजन गर्दछ। सह-प्रशिक्षण सेटिंग [1] डेटासेट पर लागू होता है जिनकी विशेषताओं का एक प्राकृतिक अलगाव दो असंगत सेटों में होता है। हम देखब कि लेबल वाले अउर बिना लेबल वाले डाटा से सीखत समय, एल्गोरिदम स्पष्ट रूप से सुविधाओं का एक प्राकृतिक स्वतंत्र विभाजन का लाभ उठावत हैं, एल्गोरिदम से बेहतर प्रदर्शन करत हैं जवन कि नाही करत हैं। जब एक प्राकृतिक विभाजन मौजूद नहीं है, तो एक विशेषता विभाजन का निर्माण करने वाले सह-प्रशिक्षण एल्गोरिदम एक विभाजन का उपयोग न करके एल्गोरिदम से बेहतर प्रदर्शन कर सकते हैं। इ परिनाम ई समझावे में मदद करत है कि सह-प्रशिक्षण एल्गोरिदम प्रकृति में भेदभावपूर्ण काहे है अउर उनके अंतर्निहित वर्गीकरणकर्ता के धारणाओं के लिए मजबूत काहे है. |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | पिछले कुछ साल से इंटरनेट ऑफ थिंग्स (IoT) का व्यापक रूप से उपयोग हो रहा है और हर जगह पर इसका पता चलता है। उपकरण के बीच सुरक्षित संचार सक्षम करै खातिर, IoT के संदर्भ में प्रमाणीकरण अउर पहुंच नियंत्रण महत्वपूर्ण अउर महत्वपूर्ण कार्यक्षमता अहय। IoT नेटवर्क मा कम बिजली वाले उपकरणन की गतिशीलता, गतिशील नेटवर्क टोपोलॉजी और कमजोर भौतिक सुरक्षा सुरक्षा सुरक्षा कमजोरियों का संभावित स्रोत हैं। ई एक संसाधन सीमित अउर वितरित IoT वातावरण मा प्रमाणीकरण अउर पहुंच नियंत्रण हमला प्रतिरोधी अउर हल्का बनाबै क वादा करत है। इ पेपर प्रोटोकॉल मूल्यांकन और प्रदर्शन विश्लेषण के साथ पहचान प्रमाणीकरण और क्षमता आधारित एक्सेस कंट्रोल (IACAC) मॉडल का परिचय देत है। मैन-इन-द-मिडिल, रिप्ले अउर सेवा से इनकार (डीओएस) हमला से आईओटी के रक्षा खातिर, एक्सेस कंट्रोल खातिर क्षमता के अवधारणा का परिचय दिहल गइल बा. इ मॉडल कय नवाचार ई है कि, इ आईओटी डिवाइसेस कय लिए प्रमाणीकरण औ पहुंच नियंत्रण कय एक एकीकृत तरीका प्रस्तुत करत है। अन्य संबंधित अध्ययन के परिणामों का भी हमलोगन द्वारा प्रमाणित कीन गवा बा। अंत मा, प्रस्तावित प्रोटोकॉल का मूल्यांकन सुरक्षा प्रोटोकॉल सत्यापन उपकरण का उपयोग कईके कीन जात है और सत्यापन के परिणाम से पता चलता है कि आईएसीएसी पूर्वोक्त हमलों से सुरक्षित है। इ पेपर भी कम्प्यूटेशनल समय के संदर्भ में प्रोटोकॉल का प्रदर्शन विश्लेषण का चर्चा करता है, अन्य जर्नल ऑफ साइबर सिक्योरिटी एंड मोबिलिटी, वॉल्यूम। 1, 309-348 का पूरा अंक c © 2013 नदी प्रकाशक. ई का समर्थन करत है, सब अधिकार सुरक्षित अहै (इच्छित प्रयोग कय खण्डन मा) 310 पी.एन. का खातिर महाले अउर अन्य मौजूदा समाधान का दावा ई कागज आईओटी मा चुनौतिओ का संबोधित करत है और सुरक्षा हमला आईओटी नेटवर्क का वास्तविक दृश्य देवे के लिए उपयोग के मामला के साथ मॉडलिंग करत है। |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | हम प्रस्तुत करत हईं भावना विश्लेषक (SA) जे ऑनलाइन पाठ दस्तावेज़न से कउनो विषय के बारे में भावना (या राय) का निकालेला. एक विषय के बारे मा पूरा कागज की भावना को वर्गीकृत करने के बजाय, एसए दिए गए विषय पर सभी संदर्भ का पता लगाता है, और प्राकृतिक भाषा प्रसंस्करण (एनएलपी) तकनीक का उपयोग करके प्रत्येक संदर्भ में भावना का निर्धारण करता है। हमार भावना विश्लेषण मा 1) एक विषय विशेष विशेषता शब्द निकालन, 2) भावना निकालन, और 3) (विषय, भावना) सम्बन्ध विश्लेषण द्वारा संघ शामिल है। एसए विश्लेषण खातिर दु भाषाई संसाधन का उपयोग करत हैः भावना शब्दकोश अउर भावना पैटर्न डेटाबेस। एल्गोरिदम क प्रदर्शन ऑनलाइन उत्पाद समीक्षा लेख (डिजिटल कैमरा अउर संगीत समीक्षा) अउर सामान्य वेबपेज अउर समाचार लेख सहित अधिक सामान्य दस्तावेज पे सत्यापित करल गयल रहा। |
59d9160780bf3eac8c621983a36ff332a3497219 | स्वचालित भावना विश्लेषण खातिर कई दृष्टिकोण शब्द के एक बड़ा शब्दकोश से शुरू होत है जौन उनके पहिले के ध्रुवीयता (जेके अर्थपूर्ण अभिविन्यास भी कहल जात है) से चिह्नित होत है। हालांकि, कन्टेक्स्टुअल ध्रुवीयता वाक्यांश का संदर्भ हो सकता है, जहां एक शब्द का एक विशिष्ट उदाहरण है, हालांकि, "ध्रुवीयता" शब्द का तात्पर्य पिछले वाक्य से है। सकारात्मक सब्द का प्रयोग नकारात्मक भावनाओं का व्यक्त करे वाले वाक्यांशों मा कइल जात है, या उल्टा. साथ ही, अक्सर उन सब्दन का प्रयोग जेकर सब्द अच्छा या बुरा अहै, संदर्भ के बिना नईं, अर्थहीन या बिना अर्थ के अहै। इ काम का लक्ष्य स्वचालित रूप से पूर्व और संदर्भित ध्रुवीयता के बीच अंतर करना है, साथ ही साथ इन कार्यों के लिए कौन सी विशेषताओं का समझना भी शामिल है। समस्या का एक महत्वपूर्ण पहलू ई पहिचान कर रहा है कि कब ध्रुवीय शब्द तटस्थ संदर्भों मा उपयोग कै जात हैं, तटस्थ औ ध्रुवीय उदाहरणों के बीच भेद करने के लिए सुविधाओं का मूल्यांकन कीन जात है, साथ ही साथ सकारात्मक औ नकारात्मक प्रासंगिक ध्रुवीयता के बीच भेद करने के लिए सुविधाएँ। मूल्यांकन मा कई मशीन लर्निंग एल्गोरिदम मा सुविधाओं का प्रदर्शन का आकलन शामिल छ। एक के अलावा, अन्य सभी लर्निंग एल्गोरिदम के लिए, संयुक्त वर्किंग ऑप्शन्स का एक सेट है। मूल्यांकन का एक अउर पहलू विचार करत है कि कैसे तटस्थ उदाहरणों की उपस्थिति सकारात्मक अउर नकारात्मक ध्रुवीयता के बीच भेद करे खातिर सुविधाओं का प्रदर्शन को प्रभावित करत है। इ प्रयोग से पता चलता है कि तटस्थ उदाहरण की उपस्थिति इन सुविधाओं का प्रदर्शन काफी हद तक घटाती है, अउर शायद सभी ध्रुवीयता वर्गों में प्रदर्शन का सुधार करने का सबसे अच्छा तरीका है कि एक उदाहरण की पहचान करने की क्षमता में सुधार हो। |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | इ पेपर मा, हम वाक्य-स्तर वर्गीकरण का एक मामला अध्ययन का वर्णन करत हन जौन टैगिंग निर्देशों का विकास करत है औ चार न्यायाधीशों द्वारा वॉल स्ट्रीट जर्नल से खंडों का वर्गीकृत करेक खातिर उपयोग करत है या त व्यक्तिपरक या उद्देश्यपूर्ण. चार न्यायाधीशों का एकमत का विश्लेषण, और, इस विश्लेषण के आधार पर, प्रत्येक खंड का एक अंतिम वर्गीकरण। वर्गीकरण खातिर अनुभवजन्य समर्थन प्रदान करे खातिर, व्यक्तिपरक श्रेणी अउर क्वर्क एट अल द्वारा प्रस्तावित मूलभूत अर्थशास्त्र वर्ग के बीच डेटा में सहसंबंध का मूल्यांकन करल जाला। (1985) न्युरोलॉजी का पेपर। |
9141d85998eadb1bca5cca027ae07670cfafb015 | भावनाओं (अभिव्यक्ति का भावनात्मक हिस्सा) का पहचानना एक चुनौतीपूर्ण समस्या है। हम एक सिस्टम प्रस्तुत करत हई, जवन कि, कउनो विसय देई पर, स्वचालित रूप से ऊ लोगन का पाता है जेके विसय के बारे मा राय है अउर हर राय का भावना है। एह प्रणाली मा शब्द भावना का निर्धारित करेक खातिर एक मॉड्यूल अउर दूसर एक वाक्य के भीतर भावनाओं का संयोजन करेक खातिर एक मॉड्यूल शामिल है। हम अलग अलग मॉडल से भावनाओं का वर्गीकरण और संयोजन शब्द और वाक्य स्तर पर कर रहे हैं, उम्मीद से भरे परिणाम दे रहे हैं। |
c2ac213982e189e4ad4c7f60608914a489ec9051 | अरबी पाठ का एक बड़ा पैमाना पर कॉर्पस विकसित करने का हमारा तीन साल का अनुभव से, हमारा पेपर निम्नलिखित का संबोधित करेगा: (ए) प्रासंगिक अरबी भाषा के मुद्दों का समीक्षा करें क्योंकि वे पद्धतिगत विकल्पों से संबंधित हैं, (बी) दिशानिर्देशों की पेन इंग्लिश ट्रीबैंक शैली का उपयोग करने का हमारा विकल्प समझाएं, (अरबी बोलने वाले एनोटेटर्स को एक नए व्याकरणिक से निपटने की आवश्यकता है) (c) मानव एनोटेशन महत्वपूर्ण है अउर स्वचालित विश्लेषण कठिन है, जिसमें ऑर्थोग्राफिक अस्पष्टता का संभाल शामिल है, मोर्फोलॉजिकल एनालाइजर अउर मानव एनोटेटर दोनों द्वारा; (d) का एक उदाहरण उदाहरण दें अरबी ट्रीबैंक पद्धति, रूपात्मक विश्लेषण अउर टैगिंग अउर वाक्यविन्यास विश्लेषण दुन्नो मा एक विशेष निर्माण पर ध्यान केंद्रित करत है अउर पूरी एनोटेशन प्रक्रिया के माध्यम से विस्तार से अनुसरण करत है, अउर अंत मा, (ई) अब तक की गई उपलब्धि और क्या बाकी है के साथ निष्कर्ष निकाला। |
e33a3487f9b656631159186db4b2aebaed230b36 | चूंकि डिजिटल प्लेटफार्म आज लगभग हर उद्योग का बदल रहा है, उनका धीरे-धीरे सूचना प्रणाली (आईएस) साहित्य का मुख्यधारा में स्थान मिल रहा है। डिजिटल प्लेटफार्म आपन वितरित प्रकृति अउर संस्थान, बाजार अउर प्रौद्योगिकि के साथ परस्पर जुड़ाव के कारण एक चुनौतीपूर्ण अनुसंधान वस्तु हय। प्लेटफार्म नवाचार क तेजी से बढ़त पैमाना, प्लेटफार्म वास्तुकला क बढ़त जटिलता, अउर कई अलग अलग उद्योगन तक डिजिटल प्लेटफार्मों का प्रसार के परिणामस्वरूप नई शोध चुनौतियां उत्पन्न होत हैं। इ पेपर आईएस मा डिजिटल प्लेटफार्मों की खोज का एक शोध एजेंडा तैयार करत है। हम शोधकर्ता लोगन से सलाह देत हयन कि (1) विश्लेषण की इकाई, डिजिटलीकरण की डिग्री और डिजिटल प्लेटफार्म की सामाजिक-तकनीकी प्रकृति का निर्दिष्ट करे वाली स्पष्ट परिभाषाओं का प्रदान करके वैचारिक स्पष्टता को आगे बढ़ाएं; (2) अलग-अलग वास्तुशिल्प स्तरों पर और अलग-अलग उद्योग सेटिंग्स में प्लेटफार्मों का अध्ययन करके डिजिटल प्लेटफार्म अवधारणाओं का उचित स्कोपिंग परिभाषित करें; और (3) एम्बेडेड केस स्टडीज, अनुदैर्ध्य अध्ययन, डिजाइन अनुसंधान, डेटा-संचालित मॉडलिंग और विज़ुअलाइज़ेशन तकनीकों का उपयोग करके पद्धतिगत कठोरता को आगे बढ़ाएं। व्यापार क्षेत्र मा वर्तमान घटनाओं को ध्यान मा राखत, हम आगे की खोज के लिए छह प्रश्नों का सुझाव देते हैंः (1) क्या प्लेटफार्मों को रहने का जगह है? ; (2) प्लेटफार्म का डिजाइन कैसे करे? ; (3) डिजिटल प्लेटफार्म उद्योग का कइसेन बदलथे? ; (4) डेटा-संचालित दृष्टिकोण डिजिटल प्लेटफार्मों का अनुसंधान कैसे करे? ; (5) शोधकर्ता डिजिटल प्लेटफार्म का सिद्धांत कैसे विकसित करे? ; अउर (6) डिजिटल प्लेटफार्म रोजमर्रा के जीवन के कैसे प्रभावित करत हैं? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | सिस्टम विनिर्देश की उपयोगिता का हिस्सा आवश्यकताओं की पूर्णता पर निर्भर करता है। बहरहाल, जरूरी जरूरी सब चीज का सूचीबद्ध करब कठिन अहइ, खासकर जब जरूरत पड़इ तब-तब। अगर इ एक आदर्श रूप से पारिस्थितिक दृष्टि से निर्मित विनिर्देश बा, तब इ अपूर्ण बा अगर इ गैर-आदर्श व्यवहार का संभाल कै बरे आवश्यकताओं का सामिल नाही कईत है। अक्सर अपूर्ण आवश्यकता का तब तक पता लगत नाही जब तक कि एक लागू ना होइ जाए, परीक्षण न होई जाए, या फिर ओके रोकल ना जा सके। आवश्यकताएं विश्लेषण के दौरान की गई, अपूर्ण आवश्यकताओं का पता लगाना आमतौर पर एक गलत, थकाऊ, मैन्युअल कार्य है। इ पेपर एरेस का परिचय देत है, जो अनुक्रमिक आवश्यकता मॉडल का प्रतीकात्मक विश्लेषण का उपयोग करके अपूर्ण आवश्यकताओं के विघटन का पता लगाने के लिए एक डिजाइन-समय दृष्टिकोण है। हम आपन दृष्टिकोण का एक उद्योग आधारित ऑटोमोटिव अनुकूली क्रूज नियंत्रण प्रणाली की आवश्यकताओं के मॉडल पर लागू करके चित्रित करत हैं। एरेस डिजाइन-समय पर अपूर्ण आवश्यकताओं के अपघटन के विशिष्ट उदाहरण का स्वचालित रूप से पता लगा सकता है, जिनमें से कई सूक्ष्म हैं और मैन्युअल रूप से या परीक्षण के साथ पता लगाने में मुश्किल होंगे। |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | बहु-इनपुट बहु-आउटपुट (MIMO) रडार पारंपरिक चरण-सरणी रडार सिस्टम से तरंग रूप विविधता के माध्यम से बेहतर प्रदर्शन प्राप्त कर सकता है। जब एक MIMO रडार orthogonal तरंगरूप प्रसारित करता है, तो बिखेरने से परावर्तित संकेत एक दूसरे से रैखिक रूप से स्वतंत्र होते हैं। एेसे, अनुकूलित प्राप्त फिल्टर, जैसन कि कैपोन और एम्पलीटुडे एंड फेज अनुमान (एपीईएस) फिल्टर, सीधे एमआईएमओ रडार अनुप्रयोगों मा नियोजित की जा सकत हैं। हालांकि, उच्च स्तर की शोर और भारी गंदगी, डेटा-निर्भर बीमफॉर्मर की पहचान के प्रदर्शन को काफी हद तक खराब कर देती है, क्योंकि कई स्नैपशॉट की कमी है। पुनरावर्ती अनुकूली दृष्टिकोण (आईएए), एक गैर-पैरामीटर और उपयोगकर्ता पैरामीटर-मुक्त भारित न्यूनतम-वर्ग एल्गोरिथ्म, हाल ही में कई निष्क्रिय और सक्रिय संवेदन अनुप्रयोगों में बेहतर रिज़ॉल्यूशन और हस्तक्षेप अस्वीकृति प्रदर्शन प्रदान करने के लिए दिखाया गया था। इ पेपर मा, हम देखाय देहि कि कैसे IAA का MIMO रडार इमेजिंग तक विस्तारित कीन जा सकत है, दुनौ मामलन मा नगण्य और गैर-निरपेक्ष इंट्रापल्सेड डोपलर मामिला मा, और हम भी IAA का कुछ सैद्धांतिक अभिसरण गुण स्थापित करते हैं। एकर अतिरिक्त, हम ईगो नियमित रूप से IAA एल्गोरिथ्म का प्रस्ताव करत अही, जेका IAA-R के रूप में संदर्भित कइल जात बा, जे सिग्नल मॉडल में गैर-प्रतिनिधित्व योग्य योगात्मक शोर शर्तों खातिर IAA से बेहतर प्रदर्शन कर सकत ह। एकल-इनपुट बहु-आउटपुट (SIMO) रडार के ऊपर MIMO रडार के बेहतर प्रदर्शन का प्रदर्शन करने के लिए संख्यात्मक उदाहरण प्रस्तुत किए गए हैं, और लक्ष्य इमेजिंग के लिए प्रस्तावित IAA-R विधि के साथ प्राप्त बेहतर प्रदर्शन पर आगे प्रकाश डाला गया है। |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | परिवहन के भविष्य के रूप मा, स्व-ड्राइविंग कारों पर सामाजिक, आर्थिक, इंजीनियरिंग, कंप्यूटर विज्ञान, डिजाइन, और नैतिकता सहित विभिन्न दृष्टिकोण से चर्चा की जा रही है। एक तरफ, स्वचालित ड्राइव का मतलब है कि हर ड्राइव का एक अलग प्रकार का ड्राइव है, लेकिन ई सब भी एक साइड इफेक्ट का मतलब है कि रोबोट एकजुटता से ज्यादा सख्त है। दुसरे तरफ सामाजिक अउर नैतिक समस्या अक्सर इनक्यूबेटर समस्या के रूप मा प्रस्तुत कीन जात हवै जेहमा निर्णय लेने कय असमर्थन होत है, या बात के बारे मा सोचा जात है। हमार तर्क ई बा कि नई तकनीक के विकास खातिर अनुप्रयुक्त इंजीनियरिंग नैतिक दृष्टिकोण के जरूरत बा; दृष्टिकोण के लागू करे के चाही, जेकर अर्थ ई बा कि ई जटिल वास्तविक दुनिया के इंजीनियरिंग समस्या के विश्लेषण पर ध्यान केंद्रित करे के चाही. सॉफ्टवेयर सेल्फ ड्राइविंग कार्स क नियंत्रण खातिर एक महत्वपूर्ण भूमिका निभावत है; एही खातिर सॉफ्टवेयर इंजीनियरिंग समाधान नैतिक अउर सामाजिक विचारन के गंभीरता से ध्यान रखे के चाही। इ पेपर मा हम नियामक साधनों, मानकों, डिजाइन, और घटक, प्रणालियों, और सेवाओं का कार्यान्वयन पर एक नज़दीकी नज़र डालते हैं और हम व्यावहारिक सामाजिक और नैतिक चुनौतियों का सामना करते हैं, साथ ही साथ सॉफ्टवेयर इंजीनियरिंग के लिए नई उम्मीदें भी प्रस्तुत करते हैं। |
288c67457f09c0c30cadd7439040114e9c377bc3 | एसोसिएशन नियम, अग्रवाल, इमीलिंस्की, अउर स्वामी द्वारा प्रस्तुत, संबंध की 90% पंक्तियन खातिर फॉर्म का नियम है, अगर पंक्ति में 1 का मान सेट W में स्तंभों में है, तो यह भी स्तंभ B में 1 है। डेटा कय बड़का संग्रह से संघ नियम कय खोज करय कय लिए कुशल विधि मौजूद अहै। बहरहाल, खोजे गए नियम की संख्या एतना अधिक हो सकत है कि जौन नियम इहाँ देखात है ऊ, ऊ, अउर इहौ नियम कय उपयोग कर्ता के लिए बहुत कठिन अहै। हम देखब कि नियम टेम्पलेट कय एक साधारण औपचारिकता कयसे दिलचस्प नियम कय संरचना कय वर्णन करै कय संभव बनाय देत है। हम नियम का विज़ुअलाइज़ेशन का भी उदाहरण देते हैं, अउर दिखावा करते हैं कि कैसे एक विज़ुअलाइज़ेशन टूल नियम टेम्पलेट के साथ इंटरफेस करता है. |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | वीडियो समझ मा हालिया प्रगति के बावजूद औ साल भर से अस्थायी कार्रवाई स्थानीयकरण मा सुधार की निरंतर दर, इ अभी भी स्पष्ट नहीं है कि कब तक (या पास? हम समस्या से निपटैं खातिर बहुतै कोशिश करत हन। इ उद्देश्य से, हम विडियो में समसामयिक क्रिया डिटेक्टर के प्रदर्शन का विश्लेषण करेक खातिर अउर एक एकल स्केलर मीट्रिक से परे विभिन्न विधि का तुलना करेक खातिर एक नया नैदानिक उपकरण का परिचय देत बानी. हम आपन औजार क उपयोग करैं का उदाहरण देत हैं जेसे नवीनतम ActivityNet गतिविधि स्थानीयकरण चुनौती मा सबसे जादा पुरस्कृत सामग्री का विश्लेषण करै कै सका जात है। हमार विश्लेषण ई देखावत है कि सबसे ज्यादा प्रभावशाली जगह पर काम करेक: इ जगह पर समय के साथ संबंध बनावेक रणनीति, समय के साथ संबंध बनावेक मजबूती बढ़ावई. उदाहरण खातिर निरपेक्ष अउर सापेक्षिक आकार, अउर स्थानीयकरण त्रुटि के कम करे खातिर रणनीति. एकरे अलावा, हमार प्रयोग कइके एक ठो पैरामीटर जरूर चाहीं (जइसे कि ई पन्ना "अनुरोध" मा नाई लगावा जात अहै) । हमार डायग्नोस्टिक टूल सार्वजनिक रूप से उपलब्ध बा ताकि बाकी शोधकर्ता लोगन के दिमाग मा उनके एल्गोरिदम के बारे मा अतिरिक्त अंतर्दृष्टि के साथ ईंधन भर सके। |
160404fb0d05a1a2efa593c448fcb8796c24b873 | प्रतिनिधित्व का अनुकरण सिद्धांत विकसित और एक ढांचे के रूप में खोजा जाता है जो कि मस्तिष्क के प्रतिनिधित्व संबंधी कार्यों की एक विस्तृत विविधता का संश्लेषण कर सकता है। इ फ्रेमवर्क नियंत्रण सिद्धांत (फॉरवर्ड मॉडल) अउर सिग्नल प्रोसेसिंग (कल्मन फ़िल्टर) से निर्माण पर आधारित है। इ विचार इ है कि सरीर अउर पर्यावरण के साथे सहज रूप से जुड़ने के अलावा, दिमाग न्यूरल सर्किट का निर्माण करत है जवन सरीर अउर पर्यावरण का मॉडल के रूप मा काम करत है खुल्लम खुल्ला संवेदी-मोटर सगाई के दौरान, इ मॉडल शरीर अउर पर्यावरण के समानांतर प्रभाव प्रतिलिपि द्वारा संचालित होत हैं, ताकि संवेदी प्रतिक्रिया की उम्मीदें प्रदान की जा सके, अउर संवेदी जानकारी का बढ़ावा अउर संसाधित किया जा सके। इ मॉडल कय ऑफलाइन भी चलाय सका जात है ताकि अलग-अलग कार्य कय परिणाम का अनुमान लगावा जाय, औ मोटर योजनाओं का मूल्यांकन अउर विकास करा जाय। ढांचा शुरू मा मोटर नियंत्रण के संदर्भ मा विकसित कीन गा है, जहां ई दिखाया ग्यायी है कि शरीर के समानांतर चलय वाले आंतरिक मॉडल फीडबैक देरी की समस्या का प्रभाव को कम कर सकथय। वै तंत्र मोटर इमेजरी खातिर एमुलेटर के ऑफ-लाइन ड्राइविंग के माध्यम से इफेरेन्स कॉपी के रूप मा जिम्मेदार हो सकत हैं। ढांचा का विस्तार विजुअल इमेजरी का हिसाब से मोटर-विजुअल लूप के एक एमुलेटर के ऑफ-लाइन ड्राइविंग के रूप मा कईल जात है। मैं यह भी बताऊंगा कि एआई सिस्टम वैक्यूम मा बहुत उपयोगी है। अवधारण, जेमा दृश्य अवधारण शामिल बा, इ तरह के मॉडल से उत्पन्न होयला जेके संवेदी इनपुट के अपेक्षाओं का निर्माण करे खातिर अउर व्याख्या करे खातिर उपयोग करल जाला. अंत मा हम संक्षेप मा अन्य संज्ञानात्मक कार्यो का वर्णन करत हई जौन एहि रूपरेखा के भीतर संश्लेषित कीन जाय सकत है, जइसे कि तर्क, मन कय घटना कय सिद्धांत, अउर भाषा. |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3D चेहरा पहचान उद्योग अउर अकादमिक दूनौ मा एक ट्रेंडिंग शोध दिशा बन गयल है। इ पारंपरिक 2D चेहरा पहचान से फायदा उठावा, जैसन कि प्राकृतिक मान्यता प्रक्रिया और कई प्रकार के अनुप्रयोग. एकरे अलावा, 3D चेहरा पहचान प्रणाली खराब रोशनी के तहत भी सही रूप से मानव चेहरा पहचान सकेले, अउर चेहरा के स्थिति अउर अभिव्यक्ति अलग-अलग रूप से हो सकेले, अइसन परिस्थिति में 2D चेहरा पहचान प्रणाली का कामकाज बहुत कठिन होई जाई। इ पेपर 3 डी फेस रिकग्निशन रिसर्च डोमेन का इतिहास और सबसे हाल का प्रगति का सारांश है। सीमा अनुसंधान परिणाम तीन श्रेणियों मा पेश किए जा रहे हैंः स्थिति-अपरिवर्तनीय मान्यता, अभिव्यक्ति-अपरिवर्तनीय मान्यता, र ओक्ल्यूशन-अपरिवर्तनीय मान्यता। भविष्य क खोज क बढ़ावा देहे खातीर इ पत्रिका सार्वजनिक रूप से उपलब्ध 3D चेहरा डाटाबेस कय जानकारी बटोरत अहै। इ आलेख महत्वपूर्ण खुला समस्यान् कय सूची भी देत अहै । |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | सोशल नेटवर्किंग साइट्स पर भागीदारी हाल के वर्षों मा नाटकीय रूप से बढ़ ग है। फ्रेंडस्टर, ट्राइब, या फेसबुक जइसन सेवाएं लाखों लोगन का ऑनलाइन प्रोफाइल बनावे अउर दोस्तन के विशाल नेटवर्क - अउर, अक्सर, अज्ञात संख्या मा अजनबियों के साथ व्यक्तिगत जानकारी साझा करे की अनुमति देत हैं। इ पेपर मा हम ऑनलाइन सामाजिक नेटवर्क मा सूचना का खुलासा पैटर्न और उनके गोपनीयता प्रभाव का अध्ययन करें। हम 4,000 से जादा कार्नेगी मेलन विश्वविद्यालय मा ऑनलाइन व्यवहार का विश्लेषण करें जे एक लोकप्रिय सामाजिक नेटवर्क मा शामिल होइन्। हम लोग ओन सूचना क मूल्यांकन करत अही जउन उ देई अउर हम लोगन क अध्ययन करत अही कि उ साइट गोपनीयता सेटिंग्स का का का करत ह। हम आपन निजी जीवन क विभिन्न विधा मा ध्यान केंद्रित करत हई, अउर देखाइत ह कि केवल कछू ही लोगन द्वारा ओन्हे अलग अलग स्थान पर रखे जाए क रहा ही सही ह। |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | इ पेपर मा हम गहरे गॉसियन प्रक्रिया (जीपी) मॉडल का परिचय देत हौवा। डीप जीपी गहरे विश्वास का नेटवर्क है जो गॉसियन प्रक्रिया मैपिंग पर आधारित है. डेटा एक बहु चर GP का आउटपुट के रूप मा मॉडलिंग कीन जात है। इ गॉसियन प्रक्रिया कय इनपुट तब दूसर जीपी द्वारा शासित होत है। एक एकल परत मॉडल एक मानक GP या GP लुप्त चर मॉडल (GP-LVM) के बराबर है। हम मॉडल मा अनुमानित भिन्नता मार्जिनल द्वारा अनुमान लगावत हैं। इ मॉडल की सीमांत संभावना पर एक सख्त निचली सीमा का परिणाम है, जेकर हम मॉडल चयन के लिए उपयोग कर रहे हैं (लेयर प्रति लेयर और नोड्स की संख्या) । गहरी विश्वास नेटवर्क आमतौर पर अनुकूलन के लिए स्टोचैस्टिक ग्रेडिएंट वंश का उपयोग कर अपेक्षाकृत बड़े डेटा सेट पर लागू होते हैं। हमार पूरा बेयसियन उपचार गहिरा मॉडल के आवेदन खातिर अनुमति देत है जब डाटा कम होत है। मॉडल का चयन हमार वैरिएशनल बाउंड से पता चलता है कि पांच परत पदानुक्रम सही है जब भी केवल 150 उदाहरणों वाले अंक डेटा सेट का मॉडलिंग किया जाता है। |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | हम एक स्केलेबल गहरी गैर-पैरामीटर जनरेटिव मॉडल विकसित कर रहे हैं गहरी गॉसियन प्रक्रियाओं का एक मान्यता मॉडल के साथ संवर्धन करके। एक नया स्केलेबल वैरिएशनल फ्रेमवर्क मा अनुमान लगावा जात है जहां वैरिएशनल पछाडि वितरण एक बहुपरत पर्सेप्ट्रॉन के माध्यम से फिर से पैरामीटरित कीन जात है। इ पुनर्गठन का मुख्य पहलू इ है कि इ भिन्नता मापदंडों का प्रसार को रोकता है जो अन्यथा नमूना आकार के अनुपात मा रैखिक रूप से बढ़ता है। हम भिन्नता के निचला सीमा का एक नया सूत्र निकालत हई जवन हमका अधिकतर गणना के एक तरीका से वितरित करे के अनुमति देत है जवन मुख्यधारा के गहन शिक्षा कार्य के आकार का डेटासेट का संभाल सके। हम कई तरह की चुनौतियों पर विधि की प्रभावशीलता का दिखावा करते हैं, जिसमें गहरी अनसुरीक्षित सीखना और गहरी बेयज़ियन अनुकूलन शामिल है। |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | कैफे मल्टीमीडिया वैज्ञानिक अउर प्रैक्टिशनर के अत्याधुनिक गहरी सीखे वाले एल्गोरिदम अउर संदर्भ मॉडल के संग्रह खातिर एक साफ अउर संशोधित ढांचा प्रदान करत है। फ्रेमवर्क बीएसडी-लाइसेंस वाली सी++ लाइब्रेरी हवे जेहमा पाइथन अउर मैटलाब बाइंडिंग्स हैं ताकि ट्रेनिंग अउर जनरल-पर्पस कन्वॉल्यूशनल न्यूरल नेटवर्क अउर अन्य गहन मॉडल क कमोडिटी आर्किटेक्चर पर कुशलता से तैनात कीन जा सके। कैफे उद्योग और इंटरनेट-स्केल मीडिया जरूरतों का पूरा करता है CUDA GPU कंप्यूटिंग द्वारा, एक एकल K40 या Titan GPU (प्रति छवि लगभग 2 ms) पर एक दिन में 40 मिलियन से अधिक छवियों का प्रसंस्करण। मॉडल प्रतिनिधित्व को वास्तविक कार्यान्वयन से अलग करके, कैफे प्रयोग अउर प्लेटफार्मों के बीच सहज स्विचिंग का विकास अउर प्रोटोटाइप मशीन से क्लाउड वातावरण तक तैनाती के सुविधा प्रदान करत है। कैफे का रखरखाव बर्कले विजन एंड लर्निंग सेंटर (बीवीएलसी) द्वारा गिटहब पर योगदानकर्ता समुदाय की मदद से किया जा रहा है। ई चल रहे अनुसंधान परियोजनाओं, बड़े पैमाने पर औद्योगिक अनुप्रयोगों, और स्टार्ट-अप प्रोटोटाइप का समर्थन करता है। |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | बढ़त शहरीकरण प्रक्रिया के साथ, शहरी स्थान पर लोगन की गतिविधि का व्यवस्थित रूप से मॉडलिंग एक महत्वपूर्ण सामाजिक-आर्थिक कार्य के रूप मा मान्यता दी जा रही है। ई काम कई साल पहिले लगभग असम्भव रहा काहे से की भरोसेमंद डेटा स्रोतों की कमी है, फिर भी भौगोलिक रूप से ट्याग किए गए सोशल मीडिया (GTSM) का डेटा का उदय इस पर एक नया प्रकाश डालता है। हाल ही मा, जीटीएसएम डाटा से भौगोलिक विषयों की खोज मा उपयोगी अध्ययन हुए। हालांकि, उनके उच्च कम्प्यूटेशनल लागत का कारण अवांछित वस्तुओं की कीमत बढ़ रही है, साथ ही साथ उनके पास मौजूद भौतिक वस्तुओं की कीमत भी बढ़ रही है, जितनी जल्दी या बाद में वे पूरी तरह से स्वचालित रूप से खरीद पाएंगे। अंतर को पाटने के लिए, हम CrossMap प्रस्तुत करते हैं, एक नया क्रॉसमोडल प्रतिनिधित्व सीखने का तरीका जो बड़े पैमाने पर GTSM डेटा के साथ शहरी गतिशीलता का पता लगाता है। CrossMap पहिले लोगन कय गतिविधि के तहत स्थानिक-समयिक हॉटस्पॉट का पता लगावे कय लिए एक त्वरित मोड खोज प्रक्रिया कय उपयोग करत है। ऊ पहचानल गइल हॉटस्पॉट न केवल स्थान-समय परिवर्तन के संबोधित करत हई, बल्कि GTSM डेटा के विरलता के भी काफी हद तक कम करत हई. जब पता चला की हॉटस्पॉट है, तब क्रॉसमैप एक साथ सभी स्थानिक, काल, अउर पाठ इकाई को एक ही जगह पर दो अलग-अलग रणनीतियों का उपयोग करके एम्बेड करता है: एक पुनर्निर्माण-आधारित है और दूसरा ग्राफ-आधारित है। दुनो रणनीति इकाईअन के बीच सहसंबंधन का उनके सह-घटना अउर पड़ोस संबंधन के एन्कोडिंग करके पकड़त हैं, अउर अइसन सहसंबंधन के संरक्षित करे खातिर कम आयामी निरूपण सीखत हैं। हमार प्रयोग इ दर्सावत है कि क्रॉसमैप न केवल गतिविधि पुनर्प्राप्ति अउर वर्गीकरण के लिए अत्याधुनिक तकनीकन से बेहतर है बल्कि ई बहुत जादा कुशलता से काम भी करता है। |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | मानव पैदल का विश्लेषण एक आंतरिक पैदल हस्ताक्षर खोजने में मदद करता है, जिसके माध्यम से व्यापक मानव पहचान और चिकित्सा विकार समस्याओं की जांच की जा सकती है। पैदल जैवमीट्रिक एक अनोखा सुविधा प्रदान करत है जवने से वीडियो पैदल डेटा कैप्चर की जा सकत है एक बड़ी दूरी पै बिना विषय का पहिले से जागरूकता के। इ पेपर मा, एक नई तकनीक क बारे मा बात कीन गै है जौन कि Kinect Xbox यंत्र के साथ मानव पैदल पैदल विश्लेषण का अध्ययन करेक खातिर कीन गै है। ई सुनिश्चित करै कि हम खण्डन कय त्रुटि के कम से कम करेक खातिर स्वचालित पृष्ठभूमि घटावइ वाली तकनीक का सहारा लेत है। निकट से समान मानव कंकाल मॉडल पृष्ठभूमि से घटाई गई पैदल छवियों से उत्पन्न किया जा सकता है, जो सह-परिवर्तन स्थितियों से बदल सकता है, जैसे कि चलने की गति में परिवर्तन और कपड़ों के प्रकार में भिन्नता। पैदल हस्ताक्षर विषय का कंकाल मॉडल के बाएं कूल्हे, बाएं घुटने, दाएं कूल्हे और दाएं घुटने के संयुक्त कोण प्रक्षेपवक्र से कैप्चर किए गए हैं। किनेक्ट पैदल डेटा पर प्रयोगात्मक सत्यापन की तुलना सेंसर आधारित बायोमेट्रिक सूट, इंटेलिजेंट पैदल गति डिटेक्टर (आईजीओडी) के हमारे आंतरिक विकास से की गई है। एक प्रयास इ जांचने का लिया गयल ह कि का इ सेंसर आधारित बायोमेट्रिक सूट क के एक किनेक्ट डिवाइस क साथ बदलल जा सकत ह ताकि मजबूत पैदल पहचान प्रणाली का प्रसार हो सके। फीचर वैक्टर क विभेदक शक्ति का देखै के खातिर प्रशिक्षण पैदल हस्ताक्षर पै फिशर विभेदक विश्लेषण लागू कीन गा है। माधुरी बेयसन वर्गीकरणक Kinect सेंसर द्वारा कैप्चर सीमित डाटासेट मा त्रुटि का अनुमान लगावत हौसला प्रदान वर्गीकरण परिणाम को प्रदर्शन गर्दछ। |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | फलन का सन्निकटन पैरामीटर स्थान के बजाय फलन स्थान में संख्यात्मक अनुकूलन के परिप्रेक्ष्य से देखा जात है। चरणबद्ध रूप से जोड़ने वाले विस्तार और सबसे अधिक उतार-चढ़ाव वाले न्यूनतमकरण के बीच एक संबंध बनाई गई है। एक सामान्य ढाल {उतरती \boosting" प्रतिमान किसी भी tting मानदंड पर आधारित additive विस्तार के लिए विकसित की गई है। कम से कम वर्गों, कम से कम पूर्ण विचलन, और ह्यूबर एम हानि समारोह के लिए विशिष्ट एल्गोरिदम प्रस्तुत किए जाते हैं, प्रतिगमन के लिए, और वर्गीकरण के लिए बहु-वर्ग तार्किक संभावना। विशेष रूप से विशेष मामला के लिए विशेष संवर्धन का व्युत्पन्न किया जाता है जहां व्यक्तिगत योजक घटक निर्णय का पेड़ हैं, और ऐसे "TreeBoost" मॉडल की व्याख्या के लिए उपकरण प्रस्तुत किए जाते हैं। निर्णय पेड़ों का ग्रेडिएंट बूस्टिंग प्रतिस्पर्धी, अत्यधिक मजबूत, व्याख्या योग्य प्रतिगमन और वर्गीकरण के लिए प्रक्रियाओं का उत्पादन करता है, विशेष रूप से साफ डेटा से कम खनन के लिए उपयुक्त है। इ दृष्टिकोण औ फ्रॉन्ड औ शेपियर 1996 कय, औ फ्राइडमैन, हस्टी, औ टिबशीरानी 1998 कय बढ़ावे वाले विधि कय बीच संबंध कय चर्चा कीन गवा अहै। 1 फलन अनुमान फलन अनुमान समस्या में एक प्रणाली है, जौन एक यादृच्छिक \output" या \response" चर y से अउर यादृच्छिक \input" या \explanatory" चर का एक सेट x = fx1;; xng से बनल बा. ज्ञात (y;x) {मानों का एक \training" नमूना fyi;xig N 1 दिया गया है, लक्ष्य एक फ़ंक्शन F (x) का पता लगाना है जो x को y से मैप करता है, ताकि सभी (y;x) {मानों का संयुक्त वितरण, कुछ निर्दिष्ट हानि फ़ंक्शन (y; F (x)) का अपेक्षित मूल्य कम से कम हो F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) अक्सर नियोजित हानि फ़ंक्शन (y; F) में y 2 R (रिग्रेशन) के लिए squared{error (y F ) और पूर्ण त्रुटि jy j F शामिल हैं, और नकारात्मक द्विआधारी लॉगोमी {likelihood, log1 + e 2y F), जब y 2 f 1 g है; (वर्गीकरण) । एक आम प्रक्रिया F (x) को फलन F (x;P) का एक पैरामीटरित वर्ग का सदस्य मानकर, जहां P = fP1; P2; g मापदंडों का एक सेट है। इ पेपर मा हम फार्म का "अतिरिक्त" विस्तार पर ध्यान केंद्रित कर रहे हैं |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | जेस्टोर संग्रहण कय उपयोग कइके आप जेस्टोर कय उपयोग नियम अउर शर्तें कय स्वीकार करत हैं, जवन http://www.jstor.org/about/terms.html प उपलब्ध अहै। जेस्टोर के उपयोग के नियम अउर शर्तें ई बतायीं कि, अगर आप पहिले से अनुमति नाहीं लिहिन हैं, तौ आप एक पत्रिका कय पूरा अंक या लेखन् कय कई प्रतियन डाउनलोड कय नाहीं सकत हैं, अउर आप केवल अपने व्यक्तिगत, गैर-वाणिज्यिक उपयोग के लिए जेस्टोर अभिलेखागार सामग्री कय उपयोग कइ सकत हैं। अगर आप इ काम कय कउनो अउर तरीका से उपयोग करय चाहा जात है, तौ कृपया यक विकी कय विकी प्रबंधक से संपर्क करा जाय। प्रकाशक से संपर्क करे खातिर जानकारी http://www.jstor.org/journals/econosoc.html पर मिल सकत है। जेस्टोर संचरन कय कउनो भी भाग कय हर एक प्रति मा उही कॉपीराइट सूचना होय चाही जवन कि संचरन कय स्क्रीन या प्रिंट पन्ना पे देखाई देत है। |
8eca169f19425c76fa72078824e6a91a5b37f470 | कम लागत वाले अउर उच्च प्रदर्शन वाले राडार सिस्टम के सफल डिजाइन खातिर सटीक अउर कुशल सिस्टम सिमुलेशन एक महत्वपूर्ण आवश्यकता हवै। इ पेपर मा हम आवृत्ति-संयोजित निरंतर तरंग रडार सिस्टम के लिए एक नया बहुमुखी सिमुलेशन वातावरण प्रस्तुत करत हैं। आम हार्डवेयर सिमुलेशन के अलावा ई एकीकृत सिस्टम सिमुलेशन अउर सिग्नल सिंथेसिस से बेसबैंड तक के अवधारणा विश्लेषण के भी कवर करत है। एहमा एक लचीला परिदृश्य जनरेटर, सटीक शोर मॉडलिंग, अउर सिग्नल प्रोसेसिंग एल्गोरिदम के विकास अउर परीक्षण खातिर कुशलता से सिमुलेशन डेटा शामिल बा। एक एकीकृत 77-जीएचजेड रडार प्रोटोटाइप खातिर सिमुलेशन अउर माप परिणाम क तुलना से सिमुलेटर क क्षमताओं का दुई अलग अलग परिदृश्यों पर देखाइ देत है। |
71337276460b50a2cb37959a2d843e593dc4fdcc | एक नया गैर-पृथक तीन-पोर्ट कनवर्टर (एनआई-टीपीसी) प्रस्तावित है, जो एक पीवी पोर्ट, एक द्विदिश बैटरी पोर्ट और एक लोड पोर्ट का इंटरफेस करता है। तीनों पोर्ट्स मा से कौनो दो के बीच एकल चरण शक्ति रूपांतरण प्राप्त कीता जात है। टोपोग्राफी पारंपरिक संरचना का द्विदिश शक्ति प्रवाह पथ को दो एकदिश वाले मा विघटित करके व्युत्पन्न कील गयल ह। तीनों पोर्ट से दो का सख्त रूप से विनियमित किया जा सकता है ताकि पीवी के लिए अधिकतम पावर हार्वेस्टिंग या बैटरी के लिए चार्ज कंट्रोल प्राप्त हो सके, और एक ही समय में लोड वोल्टेज स्थिर बनाए रखे, जबकि तीसरे पोर्ट को कनवर्टर के पावर असंतुलन का क्षतिपूर्ति करने के लिए लचीला छोड़ा जा सकता है। ऑपरेशन स्टेटस का विश्लेषण करे बहु-नियामक प्रतियोगिता नियंत्रण रणनीति प्रस्तुत की गई है ताकि फ़ोल्टेक इनपुट पावर में उतार-चढ़ाव होने पर स्वायत्त और सुचारू रूप से स्थिति स्विचिंग प्राप्त की जा सके। प्रयोगात्मक परिणाम की रिपोर्ट कीन जाय वाले परीक्षणन मा इ चीन्हा कय उपयोग नाइ कै सका जात है। |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | डिजिटल दुनिया मा, व्यापार executives को आफ्नो कम्पनीहरु को मूल्य सृजन को लागी सूचना र सूचना प्रबंधन को रणनीतिक महत्व को बारे मा बढि जागरूकता छ। ई सीआईओ के लिए एक अवसर अऊर चुनौती भी बन सकता है. सीआईओ क पद के हाशिए पर ना जाए अउर व्यापार मूल्य सृजन मा सीआईओ क योगदान बढ़ावे खातिर, ऊ लोग सक्षम आईटी उपयोगिता प्रबंधक से आगे बढ़के आपन कंपनियन का मजबूत सूचना उपयोग संस्कृति का निर्माण करे मा मदद करे खातिर सक्रिय भूमिका निभावै का चाही। इ लेख कय उद्देश्य ई अहै कि सीआईओ औ व्यवसायिक कार्यकारी आपन कम्पनी कय सूचना अभिमुखीकरण कय सुधार करै खातिर नेतृत्व के दृष्टिकोण का बेहतर ढंग से समझ सकें। चार मामला अध्ययन से हमार निष्कर्ष निकारत है, हमैं चार क्वाड्रंट मा नेतृत्व-स्थिति बनावै कै फ्रेमवर्क तैयार कीन गा है। इ फ्रेमवर्क सीआईओ के नजरिया से बना है अउर ई दर्शाता है कि एक सीआईओ कंपनी के सूचना उन्मुखीकरण का विकास मा एक नेता, एक अनुयायी या एक गैर-खिलाड़ी के रूप मा कार्य कर सकत है ताकि एकर रणनीतिक फोकस हासिल कीन जाय। लेख का समापन दिशानिर्देशों के साथ होता है कि सीआईओ अपने नेतृत्व की चुनौतियों का परिचय देने या अपने कंपनियों सूचना उन्मुखीकरण पहल का समर्थन करने में मदद कर सकते हैं, और सीआईओ की विशेष स्थितियों के आधार पर विशिष्ट नेतृत्व दृष्टिकोण की सिफारिश कर सकते हैं। |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | कागज व्यवस्थित रूप से दो सुविधा निष्कर्षण एल्गोरिदम की तुलना ग्राहक समीक्षा मा टिप्पणी मा खनन उत्पाद सुविधाओं को। पहिला तरीका [17] पॉस पैटर्न का एक सेट लागू करके अउर लॉग संभावना अनुपात परीक्षण के आधार पर उम्मीदवार सेट का छंटाई करके उम्मीदवार सुविधाओं का पहचान करता है। दूसर तरीका [11] आवस्यक विसेसता का पहिचान करै खातिर संघ नियम खनन अउर दुर्लभ विसेसता का पहिचान करै खातिर भावनात्मक शर्त के उपस्थिति के आधार पर एक युरेस्टिक लागू करत है। हम उपभोक्ता इलेक्ट्रॉनिक उपकरण के बारे मा पांच उत्पाद विशिष्ट दस्तावेज संग्रह पर एल्गोरिदम का प्रदर्शन का मूल्यांकन करें। हम त्रुटि का विश्लेषण करें और एल्गोरिदम का अधिगम, साथ ही साथ सीमित सीमाओं पर चर्चा करें। |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | वर्तमान अध्ययन एक अर्ध-प्रयोगात्मक, इंटरनेट गेमिंग विकार (आईजीडी) के लिए हस्तक्षेप का संभावित अध्ययन है। एक सौ चार माता-पिता अउर उनके किशोर बच्चा शामिल रहिन अउर चार उपचार समूहों में से एक का आवंटित कई गयल; 7-दिन सिरीराज थेरेप्यूटिक आवासीय शिविर (एस-टीआरसी) अकेले, 8-सप्ताह माता-पिता प्रबंधन प्रशिक्षण गेम व्यसन (पीएमटी-जी) अकेले, संयुक्त एस-टीआरसी और पीएमटी-जी, और बुनियादी मनोशिक्षा (नियंत्रण) । IGD की गंभीरता का गेमिंग एडिक्शन स्क्रीनिंग टेस्ट (GAST) द्वारा मापा गया। समूह के बीच GAST स्कोर में औसत अंतर सांख्यिकीय रूप से महत्वपूर्ण रहा, P मान < 0. 001, 0. 002, और 0. 005 क्रमशः 1, 3, और 6 महीने बाद हस्तक्षेप पर रहा. सभी समूहों का एक साथ अध्ययन करना, एक दूसरे से बेहतर ढंग से जांच करना। एस-टीआरसी, पीएमटी-जी, अउर संयुक्त समूह मा नशे की लत या शायद नशे की लत समूह मा रहे वाले किशोरों का प्रतिशत 50% से कम रहा। निष्कर्ष मा, S-TRC र PMT-G दुबै IGD को लागी प्रभावी मनोसामाजिक हस्तक्षेप थिए र केवल आधारभूत psychoeducation भन्दा राम्रो थिए। |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | इ पेपर सहज यांत्रिकी का उपयोग करके वस्तु की स्थिरता और सुरक्षा का तर्क देकर 3 डी दृश्य समझ का एक नया परिप्रेक्ष्य प्रस्तुत करता है। हमार दृष्टिकोण एक सरल अवलोकन का उपयोग करत है, जवन मानव डिजाइन द्वारा, स्थिर दृश्यों मा वस्तुओं को गुरुत्वाकर्षण क्षेत्र मा स्थिर होना चाहिए और विभिन्न भौतिक गड़बड़ी के संबंध मा सुरक्षित होना चाहिए, जैसे मानव गतिविधि। ई धारणा सब दृश्य श्रेणिन कय लिए लागू होत है औ दृश्य समझ मा व्यावहारिक व्याख्या (पार्स) कय लिए उपयोगी बाधाओं का प्रस्तुत करत है। एक 3 डी बिंदु बादल को देखते हुए एक स्थिर दृश्य को गहराई कैमरे द्वारा कैप्चर, हाम्रो विधि तीन चरण मा शामिल छः (i) voxels देखि ठोस 3 डी volumetric primitives बरामद; (ii) स्थिरता को स्थिरता र दृश्य पूर्व अनुकूलन गरेर शारीरिक रूप देखि स्थिर वस्तुहरु मा अस्थिर primitives समूह बनाएर तर्क स्थिरता; र (iii) भौतिक जोखिम को मूल्यांकन गरेर तर्क सुरक्षा भौतिक विकार, जस्तै मानव गतिविधि, हावा वा भूकम्प अन्तर्गत वस्तुहरु को लागी। हम एक नया सहज भौतिकी मॉडल अपनाइत ह अउर दृश्य में हर आदिम अउर वस्तु का ऊर्जा परिदृश्य का प्रतिनिधित्व विच्छेदन ग्राफ (डीजी) द्वारा करत ह. हम एक संपर्क ग्राफ का निर्माण कर रहे हैं नोड्स 3D वॉल्यूमेट्रिक आदिम और किनारों का प्रतिनिधित्व कर रहे हैं समर्थन संबंध। तब हम एक स्वेन्डेसन-वांग कट एल्गोरिथ्म का अपनाइब जवन संपर्क ग्राफ का समूह में बांटत है, जवने में से प्रत्येक स्थिर वस्तु है. स्थिर दृश्य मा असुरक्षित वस्तुओं का पता लगाण खातिर, हमार विधि दृश्य मा छिपाए और स्थित कारणों (परेशानियों) का अनुमान लगाण, और फिर संभावित प्रभावों की भविष्यवाणी करे खातिर सहज भौतिक यांत्रिकी का परिचय (जैसे, गिरने) के रूप मा परिणाम. प्रयोगों मा, हम दिखाय देहि कि एल्गोरिथ्म (i) वस्तु खंडन, (ii) 3 डी वॉल्यूमेट्रिक रिकवरी, और (iii) अन्य अत्याधुनिक विधियों के संबंध मा दृश्य समझ मा काफी बेहतर प्रदर्शन प्राप्त करत है। हम भी इंट्यूइटिव मैकेनिक्स मॉडल से सुरक्षा भविष्यवाणी का तुलना मानव निर्णय से करते हैं। |
7e9507924ceebd784503fd25128218a7119ff722 | हमार तरीका हर पाठय क एगो ग्राफ बनावेला. इ ग्राफ का तब एक सुसंगत ग्राफ मिलान विधि का उपयोग करके मेल खात है. अगला, हम एक स्तर-विवरण (LOD) विज़ुअलाइज़ेशन विकसित करत हैं जवन कि पठनीयता अउर स्थिरता दुनहु का संतुलन करत है। एतनई, परिणामी विजुअलाइजेशन उपयोगकर्ता कय समझय अव कई दृष्टिकोण से मिलान वाले ग्राफ कय विश्लेषण करय कय क्षमता बढ़ावेला। मेट्रिक लर्निंग अउर फीचर सिलेक्शन का ग्राफ मिलान एल्गोरिथ्म में शामिल कइके, हम उपयोगकर्ता लोगन का ग्राफ मिलान परिणाम का उनके सूचना जरूरतन के आधार पर परस्पर रूप से संशोधित करेक अनुमति देत हैं। हम अपने एप्प से कई तरह के डाटा का विश्लेषण करते हैं, जैसे कि समाचार पत्र, ट्वीट्स, ब्लॉग्स का डाटा इत्यादि। मात्रात्मक मूल्यांकन अउर वास्तविक दुनिया के मामला अध्ययन हमार दृष्टिकोण के वादा का प्रदर्शन करत हैं, खासकर विषय-ग्राफ-आधारित पूर्ण तस्वीर का विभिन्न स्तर पर विस्तार से जांच करे के समर्थन में। इ पेपर समाचार, ब्लॉग, या माइक्रो-ब्लॉग्स जइसन कई स्रोतों से चर्चा की गई प्रासंगिक विषयों की पूरी तस्वीर का विश्लेषण करने का एक दृश्य विश्लेषणात्मक दृष्टिकोण प्रस्तुत करता है। पूरा चित्रण कई स्रोतों से संबंधित है, जौन आमतौर पय बहुत संदर्भीय अहैं। |
b04a503487bc6505aa8972fd690da573f771badb | गहरी तंत्रिका धारणा अउर नियंत्रण नेटवर्क से स्वचालित रूप से चले वाली गाड़ी के महत्वपूर्ण हिस्सा बनत है। इ मॉडल समझा जाय कै जरूरत बाय-इ चाही कि उ आपन व्यवहार का तर्कसंगत रूप से समझावै कै आसानी नाय कीन जाय - जेसे यात्री, बीमा कम्पनी, कानून प्रवर्तन, विकास कर्ता आदि, इ समझा सकै कि विशिष्ट व्यवहार कै कारण का अहै। इ जगहिया पे हम विसय वर्णन कय उपयोग करत हैं। इ स्पष्टीकरण वास्तविक समय मा एक छवि का हाइलाइट क्षेत्र का रूप ले हई जवन नेटवर्क के आउटपुट (स्टीयरिंग नियंत्रण) को प्रभावित करत है। हमार स्टाइल दुई जगह का है। पहिला चरण मा, हम विजुअल ध्यान मॉडल का उपयोग कर इमेज से स्टीयरिंग एंगल तक एक मोड़ नेटवर्क का अंत-से-अंत तक प्रशिक्षित करे खातिर करत हई। ध्यान मॉडल उन छवि क्षेत्रों का महत्व बताता है जो संभावित रूप से नेटवर्क की आउटपुट डिवाइस पर काम कर रहे हैं। कुछ यॊन से हकीकत मा असर पड़त हय, पर कुछ यॊन से झूठ मा। तब हम एक कारणवश फ़िल्टरिंग चरण का लागू करत हैं ताकि ई निर्दिष्ट कीन जा सके कि कौन-कौन इनपुट क्षेत्र वास्तव मा आउटपुट का प्रभावित करत हैं। इ जाली अधिक संक्षिप्त विजुअल स्पष्टीकरण देत है अउर नेटवर्क के व्यवहार का अधिक सटीक रूप से उजागर करत है। हम आपन मॉडल का प्रभावी ढंग से तीन-तीन घंटा तक चलाय देहे अहन अउर यहिसे हम आजतक कय ईजाद नाही कई पाए अहन कि ई मॉडल कय कीयर कउन वसूली करत है पहिले हम इ देखाइ देइ कि सतर्कता से प्रशिक्षण लिया जाए त एहसे पहिले हम इ सोचित ह कि एका अच्छी तरह से रखा जाए ताकि कुल मिलाके, हम निस्चित रूप स सफल होइ सकी। तब हम देखब कि नेटवर्क कै कारण से कई तरह कै सुविधा पर इशारा होत है जवन मनईन कै उपयोग कार चलावै के दौरान करत है। |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | विशेषता आधारित एन्क्रिप्शन (एबीई) [13] एक उपयोगकर्ता के विशेषता के आधार पर डिक्रिप्शन क्षमता का निर्धारण करत है। एक बहु-प्राधिकरण ABE योजना मा, कई विशेषता-प्राधिकरण विशेषता का अलग-अलग सेट की निगरानी करें और उपयोगकर्ता को संबंधित डिक्रिप्शन कुंजी जारी करें, और एन्क्रिप्टर एक उपयोगकर्ता को एक संदेश को डिक्रिप्ट करने से पहले प्रत्येक प्राधिकरण से उपयुक्त गुणों के लिए कुंजी प्राप्त करने की आवश्यकता हो सकती है। चेस [5] एगो मल्टी-ऑथोरिटी एबीई योजना देई जे एगो भरोसेमंद केंद्रीय प्राधिकरण (सीए) और वैश्विक पहचानकर्ता (जीआईडी) की अवधारणाओं का उपयोग कर रहा है। हालांकि, इ संरचना मा सीए हर सिफरटेक्स्ट को डिक्रिप्ट करने की शक्ति है, जो कुछ संभावित रूप से अविश्वसनीय प्राधिकरणों पर नियंत्रण का वितरण करने का मूल लक्ष्य के विपरीत प्रतीत होता है। ई बिस्लेसन में, एक सुसंगत जीआईडी का उपयोग कर, प्राधिकारियो को आपन जानकारी को एक पूरा प्रोफाइल बनावे खातिर एगो उपयोगकर्ता के सभी गुणन के साथ जोड़ने की अनुमति दी, जो कि उपयोगकर्ता की गोपनीयता से अनावश्यक रूप से समझौता करता है। ई पेपर में, हम एक समाधान का प्रस्ताव करत हैं जवन विश्वसनीय केंद्रीय प्राधिकरण के हटावे अऊर उपयोगकर्ता के गोपनीयता का सुरक्षा करे, जो प्राधिकरण के विशिष्ट उपयोगकर्ता पर अपनी जानकारी साझा करने से रोकता है, अऊर एबीई को व्यवहार में और अधिक उपयोगी बनाता है. |
25098861749fe9eab62fbe90c1ebeaed58c211bb | इ आलेख मा हम नया तरीका से पोस्चुएशन के बारे मा पढि़ब। हम ईफ़्रॉन एट अल का हालिया काम पर निर्माण कर रहे हैं. देखावा जाय कि लगभग (अउर कुछ मामलन में बिल्कुल) बढ़ाव एकर हानि मानदंड को एक l1 बाधा के साथ गुणांक वेक्टर मा कम कर देता है। ई खोखलापन मापदण्ड के नियमित रूप से फिट होए के रूप मा जल्दी से रोक के साथ बढ़ावा देने की सफलता का समझे मा मदद करत है। दु सबसे जादा इस्तेमाल कीन जाय वाले मानदंड (अंकानुपातिक अउर द्विपद लॉग-संदिग्धता) खातिर, हम आगे ई देखावा करत हई कि जइसहीं बाधा ढीला होत है-या समतुल्य रूप से जब वृद्धि पुनरावृत्ति आगे बढ़त है-तइसहीं समाधान एक l1-उत्तम अलग होए वाले हाइपर-प्लेन (विभाज्य मामले में) के ओर अभिसरण करत है। हम साबित कर रहे हैं कि इस l1-optimal separating hyper-plane का गुण है कि प्रशिक्षण डेटा का न्यूनतम l1-margin अधिकतम करे, जैसा कि boosting literature में परिभाषित है. बढ़त अउर कर्नेल समर्थन वैक्टर मशीन के बीच एक दिलचस्प मौलिक समानता सामने आई, काहे से कि दोनों का उच्च-आयामी भविष्यवाणी अंतरिक्ष में नियमित अनुकूलन के लिए विधि के रूप में वर्णित किया जा सकता है, गणना के व्यावहारिक बनावे खातिर एक कम्प्यूटेशनल चाल का उपयोग करके, और मार्जिन-अधिकतम समाधान के लिए अभिसरण। जबकि इ कथन SVM का ठीक से वर्णन करत है, इ केवल बढ़त का हीनता पर लागू होत है। |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | शब्दन कय वेक्टर स्पेस निरूपण सीखय कय हालिया तरीका वेक्टर अंकगणित कय उपयोग कइके बारीक-खरखरिया शब्दार्थिक अउर वाक्य रचना नियमितता कैप्चर करे मा सफल होइ गा है, लेकिन इ नियमितता कय उत्पत्ति अपारदर्शी रही है। हम विश्लेषण करत हैं अउर मॉडल करत हैं कि ई सब बंद करो त सही नाई होइ सकत. नतीजा एक नया ग्लोबल लॉगबिलिनियर रिग्रेशन मॉडल है जवन साहित्य में दुई प्रमुख मॉडल परिवारों का लाभ जोड़ता है: ग्लोबल मैट्रिक्स फैक्टराइजेशन और स्थानीय संदर्भ विंडो विधियां। हमार मॉडल कुशलता से सांख्यिकीय जानकारी का लाभ उठाता है, केवल शब्द-शब्द सह-घटना मैट्रिक्स में गैर-शून्य तत्वों पर प्रशिक्षण देकर, पूरे विरल मैट्रिक्स पर या एक बड़े कॉर्पस में व्यक्तिगत संदर्भ खिड़कियों पर नहीं। मॉडल अर्थपूर्ण उपसंरचना के साथ एक वेक्टर स्थान का उत्पादन करता है, जैसा कि हाल ही में वर्ड एनालॉग कार्य पर 75% के प्रदर्शन से प्रमाणित है। इ भी संबंधित मॉडल पर समान कार्य और नामित इकाई मान्यता पर बेहतर प्रदर्शन करत है। |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | हम दुई वितरण, पृथ्वी मूवर दूरी (ईएमडी), सामग्री आधारित छवि पुनर्प्राप्ति के बीच एक मीट्रिक का गुणों का जांच करते हैं। ईएमडी एक न्यूनतम लागत पर आधारित है, जेका एक वितरण से दूसरे में बदले खातिर भुगतान कीन जाय चाही, एक सटीक अर्थ में, अउर पहिले से ही कुछ दृष्टि समस्या के लिए पेलेग, वर्मन, अउर रोम द्वारा प्रस्तावित कीन गवा रहा। छवि पुनर्प्राप्ति खातिर, हम इ विचार का एक प्रतिनिधित्व योजना के साथ जोड़त हैं, वितरण खातिर जे वेक्टर क्वांटिज़ेशन पर आधारित है. इ संयोजन से छवि तुलना ढांचा बनत है जवन अक्सर अन्य पहिले प्रस्तावित विधि से बेहतर धारणा समानता का हिसाब देत है। ईएमडी रैखिक अनुकूलन से परिवहन समस्या का समाधान पर आधारित है, जेकर लिए कुशल एल्गोरिदम उपलब्ध हैं, और भी आंशिक मिलान के लिए स्वाभाविक रूप से अनुमति देता है। इ हिस्टोग्राम मिलान तकनीक से जादा मजबूत है, काहे से की इ वितरण के चर-लंबाई प्रतिनिधित्व पे काम कर सकत है जउन क्वान्टिज़ेशन और अन्य बिनिग समस्या से बचत है जउन हिस्टोग्राम के लिए विशिष्ट है. जब समान कुल द्रव्यमान के साथ वितरण की तुलना करे खातिर ईएमडी का उपयोग करल जाला, तब ई एगो सच्चा मीट्रिक होला. इ पेपर मा हम रंगाई अउर बनावट पर ध्यान केंद्रित करत हई, अउर हम ईएमडी की वसूली की दक्षता अन्य दूरी से तुलना करत हई। |
508d8c1dbc250732bd2067689565a8225013292f | स्थानीय पल्स वेव वेग (पीडब्लूवी) खातिर एक नया दोहरी फोटोपलेथिस्मोग्राफ (पीपीजी) जांच अउर माप प्रणाली प्रस्तावित अउर प्रदर्शित कीन गा है। विकसित जांच डिजाइन दो आसन्न माप बिंदुओं (28 मिमी अलग) से रक्त पल्स प्रसारण तरंग रूपों का गैर-आक्रामक पता लगाने के लिए प्रतिबिंब PPG ट्रांसड्यूसर का उपयोग करता है। लगातार अधिग्रहित दोहरी पल्स तरंगरूप के बीच पारगमन समय विलंब पीडब्लूवी माप के लिए बीट-टू-बीट स्थानीय पीडब्लूवी माप के लिए उपयोग कईल गईल रहे. पीपीजी जांच डिजाइन का सत्यापन करे खातिर 10 स्वस्थ स्वयंसेवकों (8 पुरुष और 2 महिला, 21 से 33 साल की उम्र) पर एक इन-विवो प्रयोगात्मक सत्यापन अध्ययन चलावल गयल और स्थानीय पीडब्लूवी माप प्रणाली विकसित की गई. प्रस्तावित प्रणाली कैरोटिड स्थानीय PWV मा कई विषयों से मापने में सक्षम थी। 10 में से 7 लोगो के लिए कैरोटीन पीडब्ल्यूवी का बेसल लाइन का बीट-टू-बीट परिवर्तन 7. 5% से कम था, अध्ययन के दौरान 16% का अधिकतम बीट-टू-बीट परिवर्तन देखा गया था। अभ्यास के बाद रिकवरी अवधि के दौरान बीट-टू-बीट कैरोटिड स्थानीय पीडब्ल्यूवी और ब्रेकिअल रक्तचाप (बीपी) मानों में बदलाव की भी जांच की गई। एक आंकड़ा से महत्वपूर्ण सहसंबंध intra- subject स्थानीय PWV भिन्नता और brachial BP मापदंडों (r > 0.85, p < 0.001) के बीच देखा गया था। परिणाम कैरोटिड धमनी से निरंतर बीट-टू-बीट स्थानीय पीडब्लूवी माप खातिर प्रस्तावित पीपीजी जांच के व्यवहार्यता का प्रदर्शन कैल्कई। ए तरह की गैर-आक्रामक स्थानीय पीडब्लूवी माप इकाई संभावित रूप से निरंतर एम्बुलेटरी बीपी माप के लिए उपयोग की जा सकती है। |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | इ पेपर गहराई मानचित्रों की अनुक्रम से मानव क्रियाओं का पहचानने का एक तरीका प्रस्तुत करता है। विशेष रूप से, हम एक क्रिया रेखांकन का उपयोग करत हैं क्रियाओं की गतिशीलता का स्पष्ट रूप से मॉडल करने के लिए और 3 डी बिंदुओं का एक बैग का एक सेट का वर्णन करने के लिए जो क्रिया रेखांकन में नोड्स का अनुरूप है। एकर अलावा, हम बस यक सरल, अउ प्रभावी प्रक्षेपण-आधारित नमूना योजना का प्रस्ताव करत हई, जवन कि गहराई मानचित्र से 3D बिंदुअन कय बोरे कय नमूना लेई सका जात है। प्रायोगिक परिणाम से पता चला है कि गहराई मानचित्रों से केवल 1% 3D बिंदुओं का नमूना लेने से 90% से अधिक की पहचान सटीकता प्राप्त की गई थी। 2D सिल्हूट आधारित मान्यता की तुलना में, मान्यता त्रुटियां आधी से कम हो गई हैं। एकरे अलावा हम देखब कि जड़ पदार्थन के सूत्रीकरण मा बैग पॉइंट्स पोस्चर मॉडल की क्षमता का बखान करेक अनुमति देई यक सिमुलेशन के माध्यम से होत है। |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | इ पेपर एआई रोबोट्स की कानूनी स्थिति पर आज की बहस का अध्ययन करता है, और अक्सर विद्वानों और नीति निर्माताओं का मानना है कि इन कृत्रिम एजेंटों की कानूनी एजेंसी कानूनी रूप से कानूनी रूप से कानूनी रूप से अलग है। इ क्षेत्र कय वर्तमान रुझान कय ध्यान में रखि के, कागज कय एक दुइ पंक्ति कय सुझाव देत अहै। सबसे पहिले, नीति निर्माता गंभीरता से विचार करेंगे कि क्या एआई रोबोट की गतिविधियों के लिए अनुबंध और व्यावसायिक कानून में जवाबदेही अउर उत्तरदायित्व के नए रूप का निर्माण करे जा सकता है, उदाहरण के लिए, जटिल वितरित जिम्मेदारी के मामलों में कानूनी एजेंसी का नया रूप। दूसर बात ई है कि कउनो भी एआई रोबोट का एकजुटता अउर कानूनी भागीदारी की उम्मीद ना कीन जाय काहे की इ एक ऐनी भविष्यवाणी कीन जाय सकत है। हालांकि, सोफिया से हम का निबटे, जे अक्टूबर 2017 मा सऊदी अरब की नागरिकता प्राप्त करे वाले पहले AI आवेदन में से एक है? सही कहा है. . . पर्यटन का अर्थ तभी है जब कुछ खोजा जाये कुछ समझा जाये. . . विवेक, मनमानी, अउर विचित्र निर्णय भी इन बातन मँ एक ठु भूमिका निभावत हीं। बहरहाल, वै वैधानिक कारण जवन कानूनी प्रणालि मनुष्य अउर कृत्रिम संस्था के, जइसे निगम, उनके स्थिति के अनुदान देत हैं, ऊ हमनीं के एआई रोबोट के कानूनी व्यक्तित्व के खोज में आज के समय में किन-किन ओर रूकने में मदद करत हैं। क्या नागरिक सोफिया वास्तव मा सचेत छ, या अपमानजनक विद्वानहरु को slings र तीर सहन सक्षम छ? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | हम प्रस्तावित क्रिया-प्रतिक्रिया सीखना मानव व्यवहार का विश्लेषण और संश्लेषण का एक तरीका है। इ परिदृश्य अतीत औ भविष्य की घटनाओं के बीच का कारण बताता है या फिर एक क्रिया अउर ओकर प्रतिक्रिया के बीच समय चक्र का अवलोकन करके। हम इ पद्धति का मानव बातचीत का विश्लेषण करने अउर फिर मानव व्यवहार का संश्लेषण करने के लिए लागू करत हई। अवधारण माप की एक समय श्रृंखला का उपयोग करके, एक प्रणाली स्वचालित रूप से एक मानव प्रतिभागी (एक कार्य) से इशारों के बीच एक मैपिंग का पता लगाता है और एक बाद के इशारा (एक प्रतिक्रिया) दूसरे प्रतिभागी से। एक संभाव्य मॉडल को मानव अन्तरक्रिया का डेटा से एक उपन्यास अनुमान तकनीक, सशर्त अपेक्षा अधिकतमीकरण (सीईएम) का उपयोग करके प्रशिक्षित किया जाता है। सिस्टम एक ग्राफिकल इंटरएक्टिव कैरेक्टर चलावत है जवन उपयोगकर्ता के व्यवहार का सबसे संभावित प्रतिक्रिया का अनुमान लगावत है अउर इंटरएक्टिव रूप से एकर परिनियोजन करत है। इ प्रकार, एक जोड़ी प्रतिभागी मा मानव बातचीत का विश्लेषण करने के बाद, प्रणाली उनमे से एक को बदलने और एक एकल शेष उपयोगकर्ता से बातचीत करने में सक्षम है। |
272216c1f097706721096669d85b2843c23fa77d | हम एडम, पहिले-क्रम ढाल-आधारित स्टोचैस्टिक उद्देश्य कार्यों का अनुकूलन, निचले-क्रम क्षणों के अनुकूली अनुमानों पर आधारित एक एल्गोरिथ्म का परिचय देते हैं। इ विधि लागू करय कय सरल अहै, कम्प्यूटेशनल रूप से कुशल अहै, मेमोरी कय कम आवश्यकता होत है, ग्रेडियंट्स कय विकर्णीय रीस्केलिंग कय लिए अपरिवर्तनीय अहै, औ ओन्हन समस्यान् खातिर अच्छी तरह से अनुकूल अहै जवन डेटा औ/या पैरामीटर के संदर्भ में बड़ी होत हैं। इ विधि गैर-स्थिर लक्ष्यन अउर बहुत जियादा शोर वाले अउर/या पतले ढाल वाले समस्या खातिर भी उपयुक्त अहै। हाइपर-पैरामीटर मा सहज व्याख्या है अउर आमतौर पय थोड़ा ट्यूनिंग की आवश्यकता होत है। संबंधित एल्गोरिदम से कुछ कनेक्शन, जिन पर एडम प्रेरित था, पर चर्चा की गई है। हम एल्गोरिथ्म की सैद्धांतिक अभिसरण गुणों का भी विश्लेषण करते हैं और अभिसरण दर पर एक खेद का बंधन प्रदान करते हैं जो ऑनलाइन उत्तल अनुकूलन ढांचे के तहत सबसे अच्छे ज्ञात परिणामों से तुलनीय है। अनुभवजन्य परिणाम से पता चलता है कि एडम व्यावहारिक रूप से अच्छी तरह से काम कर रहा है। अंत मा, हम AdaMax, अनंतता मापदण्ड मा आधारित आदम का एक प्रकार मा चर्चा। |
05aba481e8a221df5d8775a3bb749001e7f2525e | हम सब ग्रेडियंट विधियन कय एक नया परिवार प्रस्तुत करत हई जवन पहिले के पुनरावृत्तियन में अवलोकन करल डेटा कय ज्यामिति कय ज्ञान कय गतिशील रूप से शामिल करत अहै ताकि अधिक जानकारीपूर्ण ग्रेडियंट-आधारित सीखे कय सुविधा होइ। रूपक रूप से, अनुकूलन हमका बहुत पूर्वानुमानित लेकिन शायद ही कभी देखे गए सुविधाओं के रूप में haystacks मा n ईडल खोजने की अनुमति देता है। हमार प्रतिमान स्टोचस्टिक अनुकूलन अउर ऑनलाइन सीखना मा हालिया प्रगति से निकलत है जवन एल्गोरिदम के ग्रेडिएंट चरणों का नियंत्रित करे खातिर समीपवर्ती फलन का उपयोग करत है। हम समीप फलन का अनुकूलन रूप से संशोधित करे खातिर एक उपकरण का वर्णन अउर विश्लेषण करत हई, जवन कि एक सीखने की दर का सेट करेके आसान बना देत है अउर परिणाम में गारंटी देत है कि इ सब भी उतना ही अच्छा है जेतना कि सबसे अच्छा समीप फलन का चयन करल जा सकत है. हम कई प्रभावी एल्गोरिदम दे रहे हैं अनुभवजन्य जोखिम कम से कम करने के लिए सामान्य और महत्वपूर्ण नियमितकरण कार्यों और डोमेन बाधाओं के साथ समस्याएं। हम प्रयोगात्मक रूप से अपने सैद्धांतिक विश्लेषण का अध्ययन करें और दिखाएं कि अनुकूली सबग्रेडिएंट विधियां अत्याधुनिक से बेहतर हैं, फिर भी गैर-अनुकूली, सबग्रेडिएंट एल्गोरिदम। |
f2bc77fdcea85738d1062da83d84dfa3371d378d | ई कागज चिप-टू-चिप अनुप्रयोगों खातिर 90 एनएम सीएमओएस मा 6.25-जीबी/एस 14-एमडब्ल्यू ट्रांसीवर का वर्णन करत है। ट्रांसीवर बिजली खपत कम करैं खातिर कई सुविधा का इस्तेमाल करत है, जेहमा साझा एलसी-पीएलएल घड़ी गुणक, इंडक्टर-लोड्ड अनुनाद घड़ी वितरण नेटवर्क, कम-और प्रोग्रामयोग्य-स्विंग वोल्टेज-मोड ट्रांसमीटर, सॉफ्टवेयर नियंत्रित घड़ी अउर डेटा रिकवरी (सीडीआर) अउर रिसीवर के भीतर अनुकूली समकक्षीकरण, अउर सीडीआर खातिर एक नया पीएलएल-आधारित चरण रोटेटर शामिल है। "इलेक्ट्रॉनिक संकेतक" "इलेक्ट्रॉनिक संकेतक" "इलेक्ट्रॉनिक संकेतक" से या उससे कम "प्रमाणित क्षमता" से, या |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3D आकृतियों का गैर-कठोर पंजीकरण एक आवश्यक कार्य है, जिसका महत्व बढ़ रहा है क्योंकि कमोडिटी गहराई सेंसर गतिशील दृश्यों की स्कैनिंग के लिए अधिक व्यापक रूप से उपलब्ध हैं। गैर-कठोर पंजीकरण कठोर पंजीकरण से बहुत अधिक चुनौतीपूर्ण अहै काहे से की इ एक एकल वैश्विक परिवर्तन के बजाय स्थानीय परिवर्तन का एक सेट का अनुमान लगावत है, अउर यहिलिये ई अधूरेपन के कारण अति-फिटिंग समस्या से ग्रस्त अहै। पिछला तरीका मा आम ज्ञान स्थानीय परिवर्तन अंतर मा एक l2-मानक नियमितीकरण लागू करना है। हालांकि, l2-मानक नियमितकरण भारी-पूंछ वितरण के साथ समाधान और शोर की ओर पूर्वाग्रह का प्रवृत्ति है, जो रूपांतरण अंतर पर Gaussian वितरण की खराब अच्छाई-फिट द्वारा सत्यापित है। उलटा, लाप्लासियन वितरण रूपांतरण अंतर के साथ अच्छी तरह से फिट बैठता है, एक sparsity पूर्व का उपयोग का सुझाव देता है। हम रूपांतरण अनुमान के लिए एक l1-मानक नियमित मॉडल के साथ एक दुर्लभ गैर-कठोर पंजीकरण (SNR) विधि का प्रस्ताव करते हैं, जिसे संवर्धित Lagrangian ढांचे के तहत एक वैकल्पिक दिशा विधि (ADM) द्वारा प्रभावी ढंग से हल किया जाता है। हम भी एक मजबूत अउर निरंतर register का खातिर multi-resolution scheme तैयार कर रहे हैं. सार्वजनिक डाटासेट अउर स्कैन डाटासेट दुनो पर परिणाम हमरे विधि के श्रेष्ठता देखावेला, विशेष रूप से बड़ पैमाना के विरूपण के साथ-साथ आउटलाइर अउर शोर का भी निपटारा करे मा। |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | इ पत्र मा एक उपन्यास का-बैंड डबल-बैंड डबल-सर्कल रूप से ध्रुवीकृत एंटीना सरणी प्रस्तुत कीन गा है। एक डबल-बैंड एंटीना का बाएं हाथ का परिपत्र ध्रुवीकरण के लिए का-बैंड डाउनलिंक आवृत्तियों और का-बैंड अपलिंक आवृत्तियों के लिए दाएं हाथ का परिपत्र ध्रुवीकरण कॉम्पैक्ट एन्युलर रिंग स्लॉट के साथ महसूस किया जाता है। क्रमिक घूर्णन तकनीक का उपयोग करके, अच्छा प्रदर्शन के साथ एक 2 × 2 सबर्रे प्राप्त की जाती है। इ चिठ्ठी डिजाइन प्रक्रिया का वर्णन करत है अउर सिमुलेशन अउर माप परिणाम का प्रस्तुत करत है। |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | इ पेपर मा एलटीई नेटवर्क मा तैनात बैटरी संचालित यंत्रों की ऊर्जा खपत को कम करने के लिए अनुसूची और ट्रांसमिट पावर नियंत्रण की जांच की गइस है। मशीन-प्रकार क ग्राहकन की एक बड़ी संख्या का कुशल अनुसूचीकरण सक्षम करै के लिए, एक नया वितरित योजना प्रस्तावित कीन गवा है जेसे मशीन नोड्स स्थानीय क्लस्टर का गठन करें अउर क्लस्टर-हेड्स के माध्यम से बेस-स्टेशन से संचार करें। तब, एलटीई नेटवर्क मा अपलिंक शेड्यूलिंग और पावर कंट्रोल शुरू कीन गा है और जीवनकाल-जागरूक समाधानन की जांच कीन गा है, जवन क्लस्टर-हेड्स और बेस-स्टेशन के बीच संचार के लिए इस्तेमाल कीन जाये। सटीक समाधान के अलावा, कम जटिलता वाले उप-सकारात्मक समाधान भी इस काम में प्रस्तुत किए गए हैं, जो बहुत कम जटिल कम्प्यूटेशनल जटिलता वाले लगभग सभी कार्यक्षमता वाले कार्यों का उत्पादन कर सकते हैं। परफॉर्मेंस इवैल्यूएशन से पता चलता है कि प्रस्तावित प्रोटोकॉल का उपयोग करके नेटवर्क का जीवन काल काफी लंबा हो सकता है। |
6dc4be33a07c277ee68d42c151b4ee866108281f | कम्प्रेसिव माप से कोवैरिएन्स मैट्रिक्स का अनुमान हाल ही मा विज्ञान औ इंजीनियरिंग के विभिन्न क्षेत्रन मा काफी अनुसंधान प्रयासों का आकर्षित किहिन हैं। अवलोकन कय छोट संख्या के कारन, सह-विपरितता मैट्रिक्स कय अनुमान एक गम्भीर रूप से गलत समस्या अहै। इ सहसंबंध मैट्रिक्स की संरचना के बारे मा पूर्व जानकारी का शोषण करके दूर करल जा सकत है। ई कागज संपीड़ित माप के तहत उच्च आयामी सह-विचलन मैट्रिक्स अनुमान समस्या के उत्तल सूत्र अउर संबंधित समाधान का एक वर्ग प्रस्तुत करत है, सकारात्मक अर्ध-परिभाषितता के अलावा समाधान पर या तो टोपलिट्ज़, विरलता, शून्य-पैटर्न, कम रैंक, या कम परमिटेड रैंक संरचना लगावत है। इष्टतम समस्या का हल करने के लिए, हम Co-Variance by Augmented Lagrangian Shrinkage Algorithm (CoVALSA) का परिचय देते हैं, जो कि स्प्लिट ऑगमेंटेड लैग्रेंजियन सिकुड़न एल्गोरिथ्म (SALSA) का एक उदाहरण है। हम अपने अवधीय पद्धति का कास्ट करत हई जौन अत्याधुनिक एल्गोरिदम से मिलत जुलत अहै। |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | सब अधिकार सुरक्षित अहै (इच्छित प्रयोग कय खण्डन मा) इ किताब कय कउनो भी भाग का बिना प्रकाशक कय लिखित अनुमति के कउनो भी रूप मा कउनो भी इलेक्ट्रॉनिक या यांत्रिक साधन (फोटो कॉपी, रिकॉर्डिंग, या सूचना भंडारण अउर पुनर्प्राप्ति सहित) द्वारा पुनरुत्पादित नाहीं कीन जाय सकत है। |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | हम प्राकृतिक भाषा पेड़ संरचनाओं खातिर नया पीढ़ीगत मॉडल प्रस्तुत करत हैं जेहमा सिमेंटिक (लेक्सिकल निर्भरता) अउर वाक्यविन्यास संरचनाओं का अलग-अलग मॉडल से स्कोरिंग होत है। इ फैक्टराइजेशन वैचारिक सरलता प्रदान करत है, घटक मॉडल के अलग-अलग सुधार के लिए सीधा अवसर, अउर समान, गैर-फैक्टर मॉडल के समान प्रदर्शन का स्तर। सबसे महत्वपूर्ण बात, अन्य आधुनिक पार्सिंग मॉडल के विपरीत, फैक्टराइज्ड मॉडल एक बेहद प्रभावी पार्सिंग एल्गोरिथ्म का समर्थन करत है, जो एक कुशल, सटीक अनुमान संभव बनाता है। |
8f76334bd276a2b92bd79203774f292318f42dc6 | इ पेपर एक गोलाकार सींग एंटीना से संबंधित है, जे एक एल-आकार क जांच द्वारा संचालित है. ब्रॉडबैंड का 50 ओमेगा कोएक्सियल केबल से मिलान करने की डिजाइन प्रक्रिया, और अक्षीय अनुपात और लाभ में एंटीना प्रदर्शन प्रस्तुत की गई है। ई पेपर का सिमुलेशन परिणाम Ansoft HFSS 9.2 का उपयोग करके प्राप्त किया गया था। |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | परम्परागत दृष्टिकोण के विपरीत जवन नेटवर्क स्तर पर क्वांटिज़ेशन पर ध्यान केंद्रित करत ह, इ काम में हम टेंसर स्तर पर क्वांटिज़ेशन प्रभाव को कम से कम करे का प्रस्ताव करत ह. हम कम सटीकता वाले नेटवर्क मा क्वांटिज़ेशन शोर और क्लिपिंग विकृति के बीच व्यापार-बंद का विश्लेषण करते हैं। हम विभिन्न टेन्सर का आंकड़ा पहचानते हैं, और क्लिपिंग के कारण माध्य-वर्ग-त्रुटि क्षरण के लिए सटीक अभिव्यक्ति प्राप्त करते हैं। इ अभिव्यक्ति का अनुकूलन करके, हम मानक क्वांटिज़ेशन योजनाओं पर उल्लेखनीय सुधार दिखाते हैं जो सामान्य रूप से क्लिपिंग से बचते हैं। उदाहरण के लिए, सटीक क्लिपिंग मान का चयन करके, VGG16-BN का क्वांटिज़ेशन 4-बिट सटीकता के लिए 40% से अधिक सटीकता सुधार प्राप्त होता है। हमार परिणाम कई अनुप्रयोग हैं, दुनहु प्रशिक्षण अउर अनुमानित समय मा न्यूरल नेटवर्क क क्वांटिज़ेशन के लिए . एक तात्कालिक अनुप्रयोग न्यूरल नेटवर्क का कम सटीक त्वरक पर समय लेने वाले ठीक ट्यूनिंग या पूर्ण डेटासेट की उपलब्धता के बिना तेजी से तैनाती का है। |
1bde4205a9f1395390c451a37f9014c8bea32a8a | रेंज इमेजेज मा क्वेरी की गई वस्तुओं का पहचान और स्थानीयकरण रोबोटिक हेरफेर और नेविगेशन खातिर एक महत्वपूर्ण भूमिका निभाता है। यद्यपि एकर अध्ययन लगातार होत रहा है, ई अब भी बाह्य रूप से कठिन कार्य अहै, काहेकी इ फ़ुट औरु अव्यवस्थित छेत्र क खातिर नाही है । |
242caa8e04b73f56a8d4adae36028cc176364540 | हम प्रस्तावित मतदान-आधारित पोज अनुमान एल्गोरिथ्म लागू 3 डी सेंसर, जो तेजी से कई रोबोटिक्स, कंप्यूटर दृष्टि, और गेमिंग अनुप्रयोगों में अपने 2 डी समकक्षों की जगह ले रहे हैं। हाल ही मा इ दिखावा गवा है कि एक जोड़ी उन्मुख 3 डी बिंदुओं, जो सामान्य रूप से वस्तु की सतह पर बिंदु हैं, एक मतदान ढांचे मा तेजी से और मजबूत मुद्रा अनुमान को सक्षम बनाता है। यद्यपि उन्मुख सतह बिंदुओं का पर्याप्त वक्रता परिवर्तन वाले वस्तुओं खातिर भेदभावपूर्ण है, ऊ कई औद्योगिक और वास्तविक दुनिया वस्तुओं खातिर पर्याप्त रूप से कॉम्पैक्ट और भेदभावपूर्ण नहीं हैं, जो ज्यादातर समतल हैं। चूंकि किनारा 2D पंजीकरण मा महत्वपूर्ण भूमिका निभात है, 3D मा गहराई विसंगति महत्वपूर्ण छ। इ पेपर मा, हम जांच करें त poses अनुमान एल्गोरिदम का एक परिवार विकसित करें कि ई सीमा सूचना का बेहतर शोषण करें। उन्मुख सतह बिंदुओं के अलावा, हम दो अन्य आदिम का उपयोग करते हैंः दिशाओं के साथ सीमा बिंदुओं का उपयोग करें और सीमा रेखा खंडों का उपयोग करें। हमार प्रयोग से पता चलता है कि ई सब बहुत संदिग्ध हैं, खासकर जब से ई सब पर चर्चा कीन जात है। हम प्रस्तावित एल्गोरिथ्म अउर 3 डी सेंसर का उपयोग करके एक व्यावहारिक रोबोट कचरा-छोड़ प्रणाली का प्रदर्शन करत हैं। |
5df318e4aac5313124571ecc7e186cba9e84a264 | आधिकारिक मोबाइल एप बाजारन मा बार-बार घुसपैठ कय बढ़त संख्या अंत उपयोगकर्ता कय व्यक्तिगत अउर संवेदनशील जानकारी कय गोपनीयता अउर गोपनीयता खातिर एक उच्च सुरक्षा खतरा पैदा करत है। अंत उपयोगकर्ता उपकरणन का विरोधी अनुप्रयोगन का शिकार होए से बचावा जाय अकादमिक अउर उद्योग में सुरक्षा शोधकर्ता/इंजीनियरन खातिर तकनीकी अउर अनुसंधान चुनौती प्रस्तुत करत है। एप्लिकेशन बाजार पर तैनात सुरक्षा प्रथाओं अउर विश्लेषण जांच के बावजूद, मैलवेयर सुरक्षा के माध्यम से घुसपैठ करत हैं अउर उपयोगकर्ता डिवाइस का संक्रमित करत हैं। मालवेयर का विकास देखले है कि ई जटिल अऊर गतिशील रूप से बदलता हुआ सॉफ्टवेयर है, आमतौर पर वैध ऐप्स के रूप में भेस बदल रहा है. अत्यधिक उन्नत एवेसिव तकनीक का उपयोग, जैसे कि एन्क्रिप्टेड कोड, ओफसकेशन और डायनामिक कोड अपडेट, आदि, नए मैलवेयर में पाई जाने वाली सामान्य प्रथाएं हैं। गतिशील कोड अद्यतन का बचकर उपयोग करके, एक मैलवेयर एक सौम्य एप्लिकेशन के रूप में दिखा रहा है, विश्लेषण जांच को दरकिनार कर रहा है और उपयोगकर्ता के डिवाइस पर स्थापित होने पर ही अपनी दुर्भावनापूर्ण कार्यक्षमता का पता लगा रहा है। इ शोध प्रबंध एंड्रॉइड ऐप्लिकेशन मा गतिशील कोड अद्यतन का उपयोग अउर उपयोग विधि पर एक विस्तृत अध्ययन प्रदान करत है। एकर अलावा, हम एक हाइब्रिड विश्लेषण दृष्टिकोण का प्रस्ताव करत हैं, StaDART, जवन कि गतिशील कोड अद्यतनों की उपस्थिति में ऐप्स का विश्लेषण करने के लिए स्थिर विश्लेषण तकनीकों की अंतर्निहित खामियों को कवर करने के लिए स्थिर और गतिशील विश्लेषण का अंतराल है। वास्तविक दुनिया मा अनुप्रयोगों पर हमारे मूल्यांकन का परिणाम StaDART की प्रभावशीलता का प्रदर्शन करें। हालांकि, आमतौर पर गतिशील विश्लेषण, और हाइब्रिड विश्लेषण भी उसी मामले के लिए है, एप्लिकेशन का व्यवहार उत्तेजित करने की समस्या का कारण बनता है, जो स्वचालित रूप से विश्लेषणात्मक उपकरण का एक गैर-तुच्छ चुनौती है। इ उद्देश्य से, हम एक पीछे का टुकड़ा आधारित लक्षित इंटरकम्पोनेंट कोड पथ निष्पादन तकनीक, टीआईसीसी का प्रस्ताव करत हैं। TeICC एप्लिकेशन मा एक लक्ष्य बिंदु से शुरू कोड पथ निकाले खातिर एक बैकवर्ड स्लाइसिंग तंत्र का लाभ उठावत है। इ एक सिस्टम निर्भरता ग्राफ का उपयोग कोड पथ का निकाले खातिर करत है जौन अंतर-घटक संचार शामिल करत है। एक्स्ट्रेक्ट कोड पथ तब इंस्ट्रूमेंट्स अउर एप संदर्भ के भीतर निष्पादित होत हैं ताकि संवेदनशील गतिशील व्यवहार कैप्चर हो सके, गतिशील कोड अपडेट अउर अस्पष्टता का हल कर सके। TeICC कय हमार मूल्यांकन से पता चलत है कि इ का उपयोग अनौपचारिक एंड्रॉइड अनुप्रयोगन मा इंटर-कम्पोनेंट कोड पथ के लक्षित निष्पादन के लिए प्रभावी ढंग से करल जा सकत है। साथ ही, फिर भी विरोधी उपयोगकर्ता डिवाइस तक पहुंचने की संभावना से इंकार नहीं कर रहा है, हम एक ऑन-फोन एपीआई हुकिंग का प्रस्ताव |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | इ आलेख मा, हम ओ ऐस एजेंट क विकास करैं कै लक्ष्य की ओर काम करित है जवन जटिल दुनिया मा काम करैं सीख सकत हैं। हम एक संभाव्यता, संबंधपरक नियोजन नियम प्रतिनिधित्व विकसित करत हैं जउन कॉम्पैक्ट रूप से शोर, गैर-निर्धारक क्रिया प्रभाव का मॉडल करत है, अउर देखावा करत है कि ऐसन नियम का प्रभावी ढंग से सीखा जा सकत है। सरल योजना डोमेन मा प्रयोगों के माध्यम से और एक यथार्थवादी भौतिकी के साथ 3 डी सिमुलेटेड ब्लॉक दुनिया, हम दिखाते हैं कि ई सीखना एल्गोरिथ्म एजेंटों को प्रभावी रूप से दुनिया गतिशीलता का मॉडल करने की अनुमति देता है। |
55c769b5829ca88ba940e0050497f4956c233445 | दृश्य ओडोमेट्री गहिराई जानकारी से बढ़ाई जा सकत ह जइसे कि आरजीबी-डी कैमरा द्वारा प्रदान की गई, या कैमरा से जुड़े लिडार से। हालांकि, इ गहराई जानकारी सेंसर द्वारा सीमित कई जा सकता है, विजुअल छवियों में बड़े क्षेत्र छोड़ रहा है जहां गहराई उपलब्ध नहीं है। इ जगह, हम कैमरा गति की वसूली मा गहराई का उपयोग करे खातिर एक विधि का प्रस्ताव करत हैं, भले ही इ कम उपलब्ध होइ। एकर अलावा, विधि पहिले से अनुमानित गति का उपयोग करके गति से संरचना से गहराई का उपयोग करत है, और प्रमुख दृश्य सुविधाओं का उपयोग करत है, जिनके लिए गहराई उपलब्ध नहीं है। एहिसे, विधि आरजीबीडी दृश्य ओडोमीटर का विस्तार करे मा सक्षम है, बड़ा पैमाना, खुला वातावरण जहां गहराई अक्सर पर्याप्त रूप से अधिग्रहण नहीं कीन जा सकत है। हमार विधि का मूल एक बंडल समायोजन चरण है जउन गति अनुमानन का समानांतर रूप से चित्रों का एक क्रम का प्रसंस्करण करके, एक बैच अनुकूलन में परिष्कृत करता है। हम अपने पद्धति का तीन सेंसर सेटअप में मूल्यांकन किया है, एक RGB-D कैमरा का उपयोग कर, और एक कैमरा और एक 3D लीडर का संयोजन का उपयोग कर. हमार विधि के KITTI ओडोमेट्री बेंचमार्क मा # 4 रेटिंग दी गई है, चाहे सेंसर मोडलिटी की तुलना स्टीरियो विजुअल ओडोमेट्री विधियों से की जाय, जवन त्रिकोण द्वारा गहराई प्राप्त करत हैं। परिणामी औसत स्थिति त्रुटि 1.14% यात्रा दूरी का है। |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | शैक्षिक डेटा खनन के माध्यम से कई शैक्षिक उन्मुख समस्या का समाधान करा जात है, जवन कि डेटा खनन का सबसे प्रचलित अनुप्रयोग है। ई पेपर का एक महत्वपूर्ण लक्ष्य ई डी एम पर हाल ही में किए गए काम का अध्ययन करना है और उनके गुण और हानि का विश्लेषण करना है। इ पेपर मा भी विभिन्न डाटा माइनिंग प्रथाओं औ तकनीक का संचयी परिणामों पर प्रकाश डाला गवा है, जौन सर्वेक्षण वाले लेखों मा लागू होत है, औ इस प्रकार ईडीएम पर भविष्य की दिशाओं पर शोधकर्ताओं का सुझाव देत है। एकर अतिरिक्त, भविष्य की खोज के लिए सबसे विश्वसनीय एल्गोरिदम का अवलोकन करें। |
197a7fc2f8d57d93727b348851b59b34ce990afd | SRILM C++ लाइब्रेरी, निष्पादन योग्य प्रोग्राम, अउर सहायक स्क्रिप्ट कय संग्रह होय जवन भाषण मान्यता अउर अन्य अनुप्रयोगन कय लिए सांख्यिकीय भाषा मॉडल कय उत्पादन अउर प्रयोग कय अनुमति देवेक खातिर डिज़ाइन किन्ह गवा है। गैर-वाणिज्यिक प्रयोजन खातिर SRILM मुक्त रूप से उपलब्ध अहै। ई टूलकिट एन-ग्राम आँकड़ा के आधार पर कई तरह के भाषा मॉडल प्रकार के निर्माण अउर मूल्यांकन के साथ-साथ कई संबंधित कार्य, जइसे कि सांख्यिकीय टैगिंग अउर एन-सर्वश्रेष्ठ सूची अउर शब्द जाली के हेरफेर के समर्थन करत है। इ पेपर टूलकिट की कार्यक्षमता का सारांश देत है और एकर डिजाइन और कार्यान्वयन पर चर्चा करत है, तेजी से प्रोटोटाइप की आसानी, पुनः प्रयोज्यता, और टूल की संयोज्यता पर प्रकाश डालते हुए। |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | सांख्यिकीय भाषा मॉडल भाषण मान्यता अउर अन्य भाषा प्रौद्योगिकि के प्रयोजन के लिए विभिन्न प्राकृतिक भाषा घटनाओं के वितरण का अनुमान लगावत है। जबसे 1980 मा पहिले महत्वपूर्ण मॉडल का प्रस्ताव रखा ग रहा, तबसे कई मॉडल अब पूरी तरह से आधुनिक हैं। हम उनकर समीक्षा करें, कुछ आशाजनक दिशा-निर्देश बताएं, अउर डेटा के साथ भासाई सिद्धांतों का एकीकरण करने के लिए एक बेयसी दृष्टिकोण का तर्क दें। |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | सीएमयू सांख्यिकीय भाषा मॉडलिंग टूलकिट का निर्माण अउर परीक्षण के सुविधा खातिर भाड़ा पर दिहल गइल रहे. ई वर्तमान में अकादमिक, सरकारी अउर औद्योगिक प्रयोगशालाओं में उपयोग में बा. ई कागज टूलकिट का एक नया संस्करण प्रस्तुत करत बा. हम टूलकिट में लागू पारंपरिक भाषा मॉडलिंग तकनीक का रूपरेखा देत बानी अउर इ अतिरिक्त दक्षता अउर कार्यक्षमता का वर्णन करत बानी जवन कि नया टूलकिट प्रदान करत बा. |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | हम सिलिकॉन से भरे एकीकृत वेव गाइड का निर्माण के लिए एक प्रौद्योगिकी प्रस्तुत करत हैं, जो कम-हानि वाले उच्च-प्रदर्शन मिलीमीटर-तरंग निष्क्रिय घटकों और उच्च लाभ सरणी एंटेना की प्राप्ति को सक्षम करत हैं, जिससे अत्यधिक एकीकृत मिलीमीटर-तरंग प्रणालियों की प्राप्ति की सुविधा मिलती है। प्रस्तावित तकनीक उच्च ज्यामितीय सटीकता और निरंतर धातु की ओर दीवारों वाले आयताकार वेव गाइड को एकीकृत करने के लिए एल्यूमीनियम धातुकरण चरणों के साथ गहरी प्रतिक्रियाशील आयन उत्कीर्णन (डीआरआईई) तकनीकों का उपयोग करती है। एकीकृत आयताकार वेव गाइड का माप परिणाम 0.15 dB/ λg का 105 GHz पर नुकसान प्रदर्शित कर रहा है। एकर अलावा, अल्ट्रा वाइडबैंड कॉप्लेनार से वेव गाइड संक्रमण का वर्णन और विशेषता है, जो 0.6 डीबी सम्मिलन हानि के साथ 105 गीगाहर्ट्ज पर और रिटर्न हानि 15 डीबी से बेहतर 80 से 110 गीगाहर्ट्ज पर है। आवृत्ति स्कैनिंग स्लॉट-वेव गाइड एरे एंटीना का डिजाइन, एकीकरण और मापा प्रदर्शन रिपोर्ट किया जाता है, जो कि 23 गीगाहर्ट्ज के बैंड के भीतर 82 डिग्री की मापी गई बीम स्टीयरिंग क्षमता और 96 गीगाहर्ट्ज पर 8.5 डिग्री की आधा पावर बीम-चौड़ाई (एचपीबीडब्ल्यू) प्राप्त करता है। अंत मा, कम लागत पर मिमी-लहर प्रणाली स्तर एकीकरण को सुविधा को लागी यस टेक्नोलोजी को क्षमता को प्रदर्शन गर्न को लागी, एक आवृत्ति मा मोडुलन निरंतर तरंग (एफएमसीडब्ल्यू) इमेजिंग राडार अनुप्रयोगहरु को लागी एक आईसी फ्लिप-चिप माउन्ट गरीएको छ कि एकीकृत सरणी मा सीधा छ र प्रयोगात्मक विशेषता। |
31864e13a9b3473ebb07b4f991f0ae3363517244 | इ पेपर किनारे का पता लगावे खातिर एक कम्प्यूटेशनल तरीका का वर्णन करत है. दृष्टिकोण की सफलता किनारा बिंदुओं की गणना के लिए लक्ष्यों का एक व्यापक सेट की परिभाषा पर निर्भर करती है। इ लक्ष्य डिटेक्टर के वांछित व्यवहार का सीमित करेक लिए पर्याप्त सटीकता होय, जबकि समाधान का आकार अपेक्षित रूप से कम से कम एक बार होवे । हम किनारों की एक वर्ग के लिए पता लगाने और स्थानीयकरण मानदंड परिभाषित करते हैं, और इन मानदंडों के लिए गणितीय रूपों का परिचय देते हैं, जैसा कि ऑपरेटर आवेग प्रतिक्रिया पर कार्यात्मक है। एक तीसर मापदण्ड तब जोडा जात है ताकि सुनिश्चित कीन जाय कि डिटेक्टर कय एक्कय किनारा पे केवल एक ही प्रतिक्रिया होत है। हम संख्यात्मक अनुकूलन मा मानदंडों का उपयोग कई आम छवि सुविधाओं, कदम किनारों सहित के लिए डिटेक्टरों का व्युत्पन्न करने के लिए करते हैं। चरण किनारों मा विश्लेषण मा विशेषज्ञता मा, हम पाते हैं कि पता लगाने और स्थानीयकरण प्रदर्शन, जो दुई मुख्य लक्ष्य हो, के बीच एक प्राकृतिक अनिश्चितता सिद्धांत छ। इ सिद्धांत के साथ हम एक एकल ऑपरेटर आकार का निष्कर्स करत हैं जवन कि कौनो भी पैमाना पर सबसे अच्छा है. इष्टतम डिटेक्टर का एक सरल अनुमानित कार्यान्वयन है, जौन कि गॉसियन-सुचारू छवि का ग्रेडिएंट परिमाण में अधिकतम पर किनारों का चिह्नित करता है. हम इ साधारण डिटेक्टर का विस्तार कई चौड़ाई वाले ऑपरेटर का उपयोग कइके कइला कि इमेज में अलग-अलग सिग्नल-टू-शोर अनुपात का सामना करे. हम एक सामान्य विधि प्रस्तुत करत हैं, जेकर विशेषता संश्लेषण कहलावत है, विभिन्न पैमाना पर संचालकों से सूचना का बारीक-से-मोटा-मोटा एकीकरण के लिए। अंत मा हम देखब कि स्टेप एज डिटेक्टर प्रदर्शन मा काफी सुधार ह्वे जांद कि ऑपरेटर बिंदु फैलाव समारोह किनारा के साथ विस्तारित ह्वे जांद। |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | चेहरा जटिल, बहुआयामी, सार्थक दृश्य उत्तेजना का प्रतिनिधित्व करत हैं अउर चेहरा पहचान के लिए एक कम्प्यूटेशनल मॉडल विकसित करना मुश्किल है [42]। हम एक हाइब्रिड न्यूरल नेटवर्क समाधान प्रस्तुत करत अही जउन दूसर विधिअन से तुलना करै मँ अनुकूल होत ह। इ प्रणाली स्थानीय छवि नमूनाकरण, एक स्व-संगठित मानचित्र तंत्रिका नेटवर्क, और एक convolutional तंत्रिका नेटवर्क का संयोजन करती है। स्वयं-संगठित मानचित्र एक टोपोलॉजिकल स्पेस मा छवि नमूना का एक क्वांटिज़ेशन प्रदान करत है जहां मूल स्थान मा निकटतम इनपुट भी आउटपुट स्पेस मा पास मा हैं, इ प्रकार छवि नमूना मा मामूली बदलाव को आयामियता लाल रंग और अपरिवर्तनीयता प्रदान करत हैं, और संवहन तंत्रिका नेटवर्क अनुवाद, रोटेशन, पैमाने, और विरूपण को आंशिक अपरिवर्तनीयता प्रदान करता है। संवहन जाल कार्य परतों का एक पदानुक्रमित सेट मा क्रमिक रूप से बड़ी सुविधाओं को निकालता है। हम परिणाम प्रस्तुत करत हैं Karhunen-Loève परिवर्तन का उपयोग करके स्वयं-संगठित मानचित्र के जगह पर, और एक बहु-परत perceptron के जगह पर convolutional नेटवर्क. Karhunen-Loève transform लगभग भी अच्छा प्रदर्शन कर रहा है (5.3% त्रुटि बनाम 3.8%) । बहु-परत पर्सपट्रॉन बहुत खराब रूप से काम करता है (40% त्रुटि बनाम 3.8%) । इ पद्धति का तेजी से वर्गीकरण का क्षमता है, केवल तेज, अनुमानित सामान्यीकरण अउर पूर्व-प्रसंस्करण की आवश्यकता है, अउर लगातार बेहतर वर्गीकरण प्रदर्शन का प्रदर्शन करता है eigenfaces दृष्टिकोण [42] पर विचार डेटाबेस पर क्योंकि प्रशिक्षण डेटाबेस में प्रति व्यक्ति छवियों की संख्या 1 से 5 तक भिन्न है। प्रति व्यक्ति 5 इमेजेज के साथ प्रस्तावित विधि अउर स्वयं अंक क्रमशः 3.8% अउर 10.5% त्रुटि का कारण बनत हैं। पहचानकर्ता आपन आउटपुट पर भरोसा का माप प्रदान करत है अउर जब केवल 10% उदाहरणों का अस्वीकार करत है, तब वर्गीकरण त्रुटि शून्य से आ जात है। हम ४० लोगन कय ४०० चित्रन कय डाटाबेस कय उपयोग करत है जेहमा बहुतै उच्च स्तर कय अभिव्यक्ति, मुद्रा, अउर चेहरे कय विवरण शामिल है। हम कम्प्यूटेशनल जटिलता का विश्लेषण करत रहे अउर चर्चा करत रहे कि कइसे प्रशिक्षित मान्यताकर्ता का नई श्रेणियां जोड़ा जा सकत हैं। |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | पारी रजिस्टर एक प्रकार का अनुक्रमिक तर्क सर्किट है जेकर ज्यादातर डिजिटल डेटा भंडारण या बाइनरी नंबरों के रूप मा डेटा के हस्तांतरण खातिर उपयोग कइल जाला, रेडियो फ्रीक्वेंसी पहचान (आरएफआईडी) अनुप्रयोगों में सिस्टम की सुरक्षा में सुधार के लिए। इ लेख मा एक नई फ्लिप-फ्लॉप का उपयोग कर ऊर्जा-कुशल पारी का रजिस्टर एक निहित पल्स-ट्रिगर संरचना के साथ प्रस्तुत किया गवा है। प्रस्तावित फ्लिप-फ्लॉप मा उच्च प्रदर्शन अउर कम बिजली के सुविधा हव। ई पांच ट्रांजिस्टर, एगो सी-एलिमेंट (ऊपर उठाव और नीचे गिराव के रास्ता) और एगो कीपर स्टेज से बनल नमूना सर्किट से बनल बा. गति चार घडी ट्रांजिस्टर का एक साथ संक्रमण स्थिति तकनीक के साथ निष्पादित करके बढ़ाई गई है। सिमुलेशन परिणाम ई पुष्टि करत है कि प्रस्तावित टोपोलॉजी क्रमशः 22.97 माइक्रोन वर्ग मीटर चिप क्षेत्र को कवर करने वाले समानांतर-समानांतर-बाहर (पीआईपीओ) और सीरियल-सीरियल-आउट (एसआईएसओ) शिफ्ट रजिस्टर के लिए क्रमशः 30.1997 और 22.7071 एनडब्ल्यू की सबसे कम मात्रा में बिजली का उपभोग करता है। कुल डिजाइन मा केवल 16 ट्रांजिस्टर शामिल ह्वे अर 130 एनएम पूरक-धातु-ऑक्साइड-सेमीकंडक्टर (सीएमओएस) प्रौद्योगिकी मा 1.2 वी पावर सप्लाई के साथ सिमुलेट कीन गा है। |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | वायु सेना अनुसंधान प्रयोगशाला ने दो मस्तिष्क-कंप्यूटर इंटरफेस (बीसीआई) का कार्यान्वयन और मूल्यांकन किया है जो स्थिर-राज्य दृश्य उत्तेजित प्रतिक्रिया का एक भौतिक डिवाइस या कंप्यूटर प्रोग्राम का संचालन करने के लिए एक नियंत्रण संकेत में अनुवादित करता है। एक दृष्टिकोण मा, संचालक मस्तिष्क प्रतिक्रिया को स्व-विनियमित; अन्य दृष्टिकोण मा बहु-उत्प्रेरित प्रतिक्रियाओं का उपयोग गर्दछ। |
8a65dc637d39c14323dccd5cbcc08eed2553880e | इ लेख दक्षिण अफ्रीका मा जिला प्रबंधन का समर्थन करेक खातिर स्वास्थ्य सूचना प्रणाली विकसित करैं खातिर चलै वाले एक कार्य अनुसंधान परियोजना की प्रारंभिक अवधि (1994-2001) का वर्णन करत है। दक्षिण अफ्रीका मा पोस्टपार्टिहाइड स्वास्थ्य क्षेत्र को पुनर्निर्माण स्वास्थ्य सेवा वितरण मा समानता को लागी प्रयास र स्वास्थ्य जिल्ला मा आधारित एक विकेन्द्रीकृत संरचना को निर्माण। सूचना प्रणाली (आईएस) विकास के संदर्भ मा, इ सुधार प्रक्रिया सूचना प्रबंधन के स्थानीय नियंत्रण अउर एकीकरण के माध्यम से नए दक्षिण अफ्रीका के लक्ष्य का पालन करे वाले तरीका से स्वास्थ्य डेटा का मानकीकरण मा अनुवाद करत है। हम कार्रवाई अनुसंधान के लिए आपन दृष्टिकोण का वर्णन करें और मामला सामग्री का विश्लेषण करने में अभिनेता-नेटवर्क और संरचना सिद्धांतों से अवधारणाओं का उपयोग करें। आईएस विकास की प्रक्रिया का विस्तृत विवरण और विश्लेषण प्रदान करता है, हम मानकीकरण और स्थानीय एक्सीबिलिटी (स्थानीयकरण) के बीच संतुलन की आवश्यकता पर ध्यान केंद्रित करते हैं; मानकीकरण को एथेरोजेनिक अभिनेताओं की एक सरणी का नीचे से ऊपर संरेखण के रूप में देखा जाता है। सूचना प्रणाली का एक सामाजिक प्रणाली मॉडल पर निर्माण, हम आईएस डिजाइन रणनीति का विकास और उपयोग प्रक्रियाओं की खेती के रूप में उपयोग करते हैं, जहां ये खिलाड़ी अपनी रुचि का अनुवाद और संरेखित कर रहे हैं। हम वैश्विक अउर स्थानीय डाटासेट का एक मॉड्यूलर पदानुक्रम विकसित करत अहन जवन एक ढांचा के रूप मा मानकीकरण अउर स्थानीयकरण के बीचे तनाव का समझे अउर निपटावे खातिर इस्तेमाल कै सका जात अहय। अंत मा हम अपने अवधी ग्राम-गाथा से कुछ यक ठॊ टिप्पणियॉ का अध्ययन करित हन औ अपने अवधी ग्राम-गाथा से कुछ यक टिप्पणियॉ का अनुवाद भी करित हन। |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | रैंडम फ़ॉरेस्ट एक कम्प्यूटेशनल रूप से कुशल तकनीक है जवन कि बड़ी डेटासेट पर जल्दी से काम कर सकत है। ई हाल कई रिसर्च प्रोजेक्ट्स कय मेन अउर वास्तविक दुनिया कय अनुप्रयोगऽन् कय एक विस्तृत श्रृंखला मा प्रयोग होत है। हालांकि, संबंधित साहित्य लगभग उसी समय बना रहा है, जब से इ काव्य मा लिखा ग रहा है। इ शोध इ बतावेला कि का एक रैंडम वन के भीतर सबसे ज्यादा पेड़ है, यानी एक ऊपरी सीमा जहां पेड़ की संख्या बढ़ रही है, ऊपरी सीमा से ज्यादा पेड़ का प्रदर्शन नहीं होता है, और केवल गणना लागत बढ़ रही है। हमार मुख्य निष्कर्ष इ रहा: जद्यपि वृक्षा की संख्या बढ़ रही है, तब भी ई बुआई पहिले की तुलना में जादा होत जा रही है (जदपि कछू भी पुरान नाहीं हय), अउर पेड़न क बढ़त बहाव क कारण फसल क दाम भी बढ़ रहा है । इ भी संभव अहै कि ई बतियाय सकित है कि एक विक्षेप है, जेकरे बाद कौनो ख़ास लाभ नाहीं है, जब तक की बड़ी कम्प्यूटेशनल वातावरन उपलब्ध न होये। एकर अतिरिक्त, जब कौनो वन मा पेड़ की संख्या की दोगुनी होवे, तब एयूसी वृद्धि के लिए एक प्रयोगात्मक संबंध पाया गवा हय। एकर अलावा, जब पेड़न क संख्या बढ़त रही तबउ ओकरे गुणन क एक विस्तृत श्रृंखला बना जात रही, जउने मँ आज कभउँ-कभउँ "आकस्मिक" वन नाहीं रहा। एकर अतिरिक्त, डेटसैटस का घनत्व-आधारित मीट्रिकस जउन इहौ प्रस्तावित कीन गवा हय, संभवतः निर्णय पेड़ों पे वीसी आयाम के कुछ पहलुओं का पकड़ सका जात हय, औ कम-घनत्व वाले डेटसैटस के लिए बड़ी क्षमता वाली मशीनन क आवश्यकता हो सकत हय, जबकि एकर विपरीत भी सच होइ सकत हय। |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | पिछले कई साल से तकनीक की प्रगति के बाद से, छोटे सेंसर नोड्स पर इंटरनेट का बाकी हिस्सा वायरलेस रूप से संवाद करने का काम हो रहा है। इ उपलब्धि के साथ, आईपी-सक्षम वायरलेस सेंसर नेटवर्क (आईपी-डब्ल्यूएसएन) के बारे में जानकारी प्राप्त की गई, अउर तब से इ एक प्रमुख खोज विषय बन गयल ह। इ थीसिस मा हम कन्टीकी ऑपरेटिंग सिस्टम खातिर पूर्व-साझा कुंजी सिफर सूट (टीएलएस पीएसके एईएस 128 सीसीएम 8) का उपयोग करके टीएलएस अउर डीटीएलएस प्रोटोकॉल के कार्यान्वयन पर चर्चा करत हैं। कॉन्टिकी ओएस द्वारा समर्थित प्रोटोकॉल के सेट में एक नया प्रोटोकॉल जोड़ने के अलावा, यह परियोजना हमें यह मूल्यांकन करने की अनुमति देती है कि ट्रांसपोर्ट-लेयर सुरक्षा और पूर्व-साझा कुंजी प्रबंधन योजनाएं आईपी-डब्ल्यूएसएन के लिए कितनी उपयुक्त हैं। |
0ab99aa04e3a8340a7552355fb547374a5604b24 | कई निदान कार्यन खातिर असामान्यताओं का पता लगावे, अउर समय के साथे माप और परिवर्तन क मात्रा मापने क खातिर एक प्रारंभिक खोज प्रक्रिया क आवश्यकता होत है। कम्प्यूटरीकृत उपकरण, विशेष रूप से छवि विश्लेषण और मशीन लर्निंग, निदान में सुधार का प्रमुख समर्थक हैं, जिससे उपचार की आवश्यकता वाले निष्कर्षों की पहचान की जा सके और विशेषज्ञ के काम के प्रवाह का समर्थन किया जा सके। इन यन्त्रन कय बीच, गहन शिक्षा तेजी से अत्याधुनिक नींव साबित होत अहै, जवन कि बेहतर सटीकता की ओर ले जात अहै। इ डाटा विश्लेषण मा भी नवा सिरा खोले हौ जउन पहिले देखि नै नाही देखा गा रहा. ईईपी सीखना सामान्य डेटा विश्लेषण मा एक बढ्दो प्रवृत्ति हो र यो 2013 मा 10 सफलता टेक्नोलोजीहरु मा एक को रूप मा संदर्भित गरीएको छ। [1] गहरी सीखना कृत्रिम तंत्रिका नेटवर्क का एक सुधार है, जौन अधिक परतों से बना अहै, जौन उच्च स्तर के अमूर्तता अउर डेटा से बेहतर भविष्यवाणियां क अनुमति देत है। आज तक, ई सामान्य रूप से फोटोइलेक्ट्रिक आयनन अउर कंप्यूटर दृष्टि के क्षेत्र में सबसे महत्वपूर्ण मशीन-सीखीं उपकरण के रूप मा उभरत अहै। विशेष रूप से, कन्वोलुशनल न्यूरल नेटवर्क (सीएनएन) कंप्यूटर विजन कार्यों की एक विस्तृत श्रृंखला के लिए शक्तिशाली उपकरण साबित हुए हैं। डीप सीएनएन स्वचालित रूप से कच्चे डेटा (जैसे, छवियां) से प्राप्त मध्य-स्तरीय और उच्च-स्तरीय अमूर्त सीखते हैं। हाल के परिणाम से पता चलता है कि सीएनएन से निकाले गए जेनेरिक डिस्क्रिप्टर्स प्राकृतिक छवियों में ऑब्जेक्ट की पहचान और स्थानीयकरण में बेहद प्रभावी हैं। दुनिया भर मा चिकित्सा छवि विश्लेषण समूह तेजी से क्षेत्र मा प्रवेश कर रहा है और सीएनएन और अन्य गहरी सीखने की पद्धति का एक विस्तृत विविधता मा आवेदन मा लागू कर रहा है। एकर से बहुत लाभ होथे । चिकित्सा इमेजिंग मा, एक रोग को सटीक निदान र/या आकलन छवि अधिग्रहण र छवि व्याख्या दुवै मा निर्भर गर्दछ। हाल के वर्षों मा इमेज अधिग्रहण मा काफी सुधार ह्वे, यक उपकरण तेजी से डेटा अधिग्रहण कर रहा है और वियतनाम मा उच्च रिज़ॉल्यूशन। हालांकि, हाल ही में, कुछ शोधकर्ता एक अर्मेनियाई कंपनी का निर्माण कर रहे हैं, हालांकि जांच के बाद ज्यादातर इस खतरे से बाहर पाई गईं। चिकित्सा छवियन क ज्यादातर व्याख्या डॉक्टरन द्वारा कीन जात है; हालांकि, लोगन द्वारा छवियों की व्याख्या कीन जाय वाली छवियों का स्पष्ट रूप से सीमित करल गवा है काहे से की इनहिन कय विषमता, दुभाषियन के बीच बड़ा अंतर, अउर थकान है। |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | बिना देखरेख वाले चित्र अनुवाद, जवन कि चित्रन कय दू स्वतंत्र सेट कय अनुवाद करय कय उद्देश्य से है, बिना जुड़ा हुआ डेटा कय सही पत्राचार खोजय मा चुनौतीपूर्ण अहै। मौजूदा काम जेनरेटिव एडवेंसरील नेटवर्क (GANs) पर आधारित हैं, ताकि अनुवादित छवियों का वितरण लक्ष्य सेट के वितरण से अलग न हो सके। हालांकि, इ तरह के सेट-लेवल प्रतिबंध इंस्टेंस-लेवल पत्राचार (उदाहरण के लिए, ईपीएस) का अध्ययन नहीं कर सकते हैं। ऑब्जेक्ट ट्रांसफिगरेशन कार्य मा समन्वित अर्थिक भाग) । इ सीमा अक्सर झूठे सकारात्मक मा परिणाम देत है (जैसे कि ज्यामितीय या अर्थिक कलाकृतियां), अउर आगे मोड पतन समस्या का कारण बनत है। उपरोक्त मुद्दों का समाधान करने के लिए, हम डीप अटेंशन GAN (DA-GAN) द्वारा उदाहरण-स्तर छवि अनुवाद के लिए एक नया ढांचा प्रस्तावित करते हैं। ई तरह कय डिजाइन DA-GAN कय दू सेट कय सैंपल कय अनुवाद करय कय कार्य कय एक उच्च-संरचित लुप्त स्थान कय अनुवाद करय मा सक्षम करत है। विशेष रूप से, हम संयुक्त रूप से एक गहरी ध्यान एन्कोडर सीखते हैं, अउर तदनुसार, सीखे हुए उदाहरणों पर ध्यान केंद्रित करके उदाहरण-स्तर पत्राचार का आविष्कार किया जा सकता है। इ प्रकार से, ई प्रतिबंधों का सेट-लेवल और instance-लेवल पर भी फायदा उठाया जा सकता है. कई अत्याधुनिक तकनीक से तुलना करके हमार दृष्टिकोण के श्रेष्ठता का प्रदर्शन, अउर व्यापक अनुप्रयोग क्षमता, उदा, पोज मॉर्फिंग, डेटा एग्ग्मेंटेशन, आदि, डोमेन अनुवाद समस्या का सीमा का धक्का देत है। |
f1526054914997591ffdb8cd523bea219ce7a26e | इ साल मार्च मा, अमेरिकन स्टैटिस्टिकल एसोसिएशन (एएसए) ने पी-मूल्यन के सही उपयोग पर एक बयान पोस्ट कीन, एक बढ़ती हुई चिंता का जवाब देत हुए कि पी-मूल्य आमतौर पर गलत उपयोग अउर गलत व्याख्या की जा रही है। हमार मकसद एएसए द्वारा दिहल गइल इ चेतावनी के अनुवाद एगो भाषा में करल बा जवन कि क्लिनिक और शोधकर्ता द्वारा बिना गहन पृष्ठभूमि के सांख्यिकी में अधिक आसानी से समझल जा सकेला. एकर अलावा, हम इकरे सीमाओं का चित्रण करेक क इरादा रखत अहय कि जब पी-मूल्यन का सही ढंग से उपयोग और व्याख्या कीन जात है, तो भी, और अधिक सावधानी से अध्ययन निष्कर्षों की नैदानिक प्रासंगिकता का ध्यान रखे, जौन हाल ही में रिपोर्ट की गई दो अध्ययनन का उदाहरण देत है। हम कहनी कि पी-वैल्यू का गलत मतलब लगावा जात है। एक आम गलती इ कहत है कि P < 0.05 का मतलब है कि शून्य परिकल्पना गलत है, अउर P ≥ 0.05 का मतलब है कि शून्य परिकल्पना सत्य है। 0.05 का एक पी-मूल्य की सही व्याख्या इ है कि अगर शून्य परिकल्पना वास्तव मा सही है, एक समान या अधिक चरम परिणाम एक समान नमूना मा अध्ययन को दोहराने मा समय का 5% मा उत्पन्न होगा। दूसर सब्द में, P-value शून्य परिकल्पना के हिसाब से डेटा की संभावना के बारे मा सूचित करत है अउर न कि दूसर तरीका से। पी-मूल्य से संबंधित एक संभावित विकल्प विश्वसनीय अंतराल (CI) है। इ एक प्रभाव क परिमाण अउ अप्रत्याशितता पइ अधिक जानकारी प्रदान करत ह जेसे इ प्रभाव क अंदाजा लगावा गवा रहा । हालांकि, पी-मूल्यन का बदलने अउर वैज्ञानिक परिणामों की गलत व्याख्या को रोकने खातिर कउनो जादू की गोली नहीं है। वैज्ञानिक अउर पाठक समान रूप से सांख्यिकीय परीक्षण, पी-मूल्य अउर सीआई के सही, बारीक व्याख्या से खुद के परिचित करावै। |
50ca90bc847694a7a2d9a291f0d903a15e408481 | हम मानव इशारा पहचान के लिए एक सामान्य दृष्टिकोण का प्रस्ताव करत हैं, जवन कि कई डेटा मोडलिटीज पर आधारित है, जैसे गहराई वीडियो, स्पष्ट मुद्रा अउर भाषण। हमरे सिस्टम मा, हर इशारा बड़े पैमाना पर शरीर गति मा विघटित होत है और स्थानीय सूक्ष्म गति जैसे हाथ की अभिव्यक्ति। कई पैमाना पर सीख का विचार भी अस्थायी आयाम पर लागू होत है, जैसे कि एक इशारा का विशिष्ट गति आवेग, या गतिशील मुद्राओं का एक सेट माना जात है। प्रत्येक मोडलिटी पहिले छोट स्थानिक-समय ब्लॉक मा अलग से संसाधित कीन जात है, जहां भेदभावपूर्ण डेटा-विशिष्ट सुविधा या तो मैन्युअल रूप से निकाला जात है या सीखा जात है। अंत मा, हम एक आवर्ती तंत्रिका नेटवर्क का उपयोग करित है बडे पैमाने पर अस्थायी निर्भरता का मॉडलिंग करैं, डाटा का संलयन करैं औ अंत मा हाव-भाव वर्गीकरण करैं। 2013 मल्टिमोडल जेस्ट रिकॉग्निशन डेटासेट पर चैलेंज पर हमार प्रयोग से पता चला है कि कई स्थानिक अउर temporal पैमाना पर कई मोडलिटी का उपयोग से प्रदर्शन में काफी वृद्धि होत है, जिससे मॉडल को अलग-अलग वर्गीकरणकर्ता के गलतियों के साथ-साथ अलग-अलग चैनलों में शोर की भरपाई की अनुमति मिलती है। |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | हम एक अनसुनी विधि प्रस्तुत करत हई जेइसे विरल सुविधा डिटेक्टरन कय एक पदानुक्रम सीखे जाय जे छोट बदलाव अउर विकृति से अपरिवर्तनीय होत हैं। परिणामी विशेषता निष्कर्षक मा कई संवहन फिल्टर शामिल छ, एक सुविधा-पूलिंग परत पछि कि आसन्न विन्डोज भित्र प्रत्येक फिल्टर आउटपुट को अधिकतम गणना गर्दछ, र एक बिन्दु-वार sigmoid गैर-रैखिकता। पहिला स्तर से सुविधाओं के पैच पर एक ही एल्गोरिथ्म का प्रशिक्षण देके बड़ों अउर अधिक अपरिवर्तनीय सुविधाओं का एक दूसरा स्तर प्राप्त होत है। इन सुविधाओं पर एक पर्यवेक्षित वर्गीकरणकर्ता का प्रशिक्षण MNIST पर 0.64% त्रुटि, और कैलिफ़ोर्निया प्रौद्योगिकी संस्थान पर 54% औसत मान्यता दर का उत्पादन करता है। जबकि परिणामी वास्तुकला संवहन नेटवर्क के समान है, परत-वार अनसुरीक्षित प्रशिक्षण प्रक्रिया विशुद्ध रूप से पर्यवेक्षित सीखने की प्रक्रियाओं का प्रकोप करने वाले अति-पैरामीटरकरण समस्याओं का समाधान करती है, और बहुत कम लेबल वाले प्रशिक्षण नमूनों के साथ अच्छा प्रदर्शन देती है। |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT प्रोसेस टेक्नोलॉजी का उपयोग कर दो उच्च दक्षता Ka-बैंड पावर एम्पलीफायर MMICs का डिजाइन और प्रदर्शन प्रस्तुत है। मापा गया इन-फिक्स्चर निरंतर तरंग (सीडब्ल्यू) परिणाम 3-चरण संतुलित एम्पलीफायर के लिए 11W तक का आउटपुट पावर और 30GHz पर 30% पावर एडेड दक्षता (पीएई) का प्रदर्शन करता है। तीन चरण एकल-अंत डिजाइन 6W से अधिक उत्पादन शक्ति और 34% PAE का उत्पादन किया। संतुलित अउर एकल-अंत वाले MMICs खातिर मिनी आकार क्रमशः 3.24 × 3.60mm2 अउर 1.74 × 3.24mm2 है। |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | आवर्ती तंत्रिका नेटवर्क (RNNs) स्वाभाविक रूप से भाषण मान्यता के लिए उपयुक्त हैं क्योंकि उनके पास गतिशील रूप से बदलती समय की जानकारी का उपयोग करने की क्षमता है। डीप आरएनएन क विभिन्न समय क बारीकियन पे समय संबंधी सम्बन्धन का मॉडल करेक के खातिर तर्क दिहल गयल ह, लेकिन इ गायब होखे वालन ढाल समस्या से ग्रस्त ह. इ पेपर मा, हम ग्रिड LSTM ब्लॉक का उपयोग करके स्टैक्ड लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) RNNs का विस्तार करत हैं जउन गणना को न केवल समय आयाम, बल्कि गहराई आयाम के साथ तैयार करत हैं, ताकि इ समस्या का कम कर सकें। एकरे अलावा हम गहिराई पैमाना का भी प्राथमिकता देत हई ताकि समय पैमाना का भी ज्यादा अद्यतन जानकारी मिल सके, काहे से की एकर आउटपुट वर्गीकरण खातीर प्रयोग होई। हम इ मॉडल का प्राथमिकता ग्रिड LSTM (pGLSTM) कहत हैं। चार बड़े डाटासेट (एएमआई, एचकेयूएसटी, जीएएलई, और एमजीबी) पर व्यापक प्रयोग से पता चलता है कि पीजीएलएसटीएम वैकल्पिक गहरी एलएसटीएम मॉडल से बेहतर है, स्टैक्ड एलएसटीएम को 4% से 7% सापेक्ष सुधार के साथ हरा रहा है, और सभी डेटासेट पर एक-दिशात्मक मॉडल के बीच नए बेंचमार्क प्राप्त कर रहा है। |
Subsets and Splits