Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_hi

like 0

2f991be8d35e4c1a45bfb0d646673b1ef5239a1f

यह समझना कि मशीन लर्निंग मॉडल जिस तरह से व्यवहार करते हैं, वह कई तरीकों से सिस्टम डिजाइनरों और अंतिम उपयोगकर्ताओं दोनों को सशक्त बनाता हैः मॉडल चयन में, सुविधा इंजीनियरिंग में, भविष्यवाणियों पर भरोसा करने और कार्य करने के लिए, और अधिक सहज उपयोगकर्ता इंटरफेस में। इस प्रकार, व्याख्यात्मकता मशीन सीखने में एक महत्वपूर्ण चिंता बन गई है, और व्याख्यात्मक मॉडल के क्षेत्र में काम करने में नई रुचि मिली है। कुछ अनुप्रयोगों में, ऐसे मॉडल गैर-व्याख्या योग्य लोगों के रूप में सटीक होते हैं, और इस प्रकार उनकी पारदर्शिता के लिए पसंद किए जाते हैं। जब वे सटीक नहीं होते हैं तब भी जब व्याख्या की योग्यता सर्वोपरि महत्व की हो तब भी उन्हें पसंद किया जा सकता है। हालांकि, व्याख्या करने योग्य मॉडल तक मशीन लर्निंग को सीमित करना अक्सर एक गंभीर सीमा होती है। इस पेपर में हम मॉडल-अज्ञेयवादी दृष्टिकोणों का उपयोग करके मशीन सीखने की भविष्यवाणियों को समझाने के लिए तर्क देते हैं। मशीन लर्निंग मॉडल को ब्लैकबॉक्स फंक्शंस के रूप में मानकर, ये दृष्टिकोण मॉडल, स्पष्टीकरण और प्रतिनिधित्व के चयन में महत्वपूर्ण लचीलापन प्रदान करते हैं, जिससे डिबगिंग, तुलना और विभिन्न प्रकार के उपयोगकर्ताओं और मॉडल के लिए इंटरफेस में सुधार होता है। हम इस तरह के तरीकों के लिए मुख्य चुनौतियों की रूपरेखा भी देते हैं, और हाल ही में पेश किए गए मॉडल-अज्ञेय व्याख्या दृष्टिकोण (एलआईएमई) की समीक्षा करते हैं जो इन चुनौतियों का समाधान करता है।

546add32740ac350dda44bab06f56d4e206622ab

गहरे तंत्रिका नेटवर्क ने छवि वर्गीकरण में प्रभावशाली प्रयोगात्मक परिणाम प्राप्त किए हैं, लेकिन विरोधी गड़बड़ी के संबंध में आश्चर्यजनक रूप से अस्थिर हो सकते हैं, अर्थात, इनपुट छवि में न्यूनतम परिवर्तन जो नेटवर्क को इसे गलत वर्गीकृत करने का कारण बनते हैं। इस प्रकार सेल्फ ड्राइविंग कारों के लिए पर्सेप्शन मॉड्यूल और एंड-टू-एंड कंट्रोलर सहित संभावित अनुप्रयोगों के साथ, यह उनकी सुरक्षा के बारे में चिंताएं पैदा करता है। हम संतोषजनकता मॉड्यूल सिद्धांत (एसएमटी) पर आधारित फीड-फॉरवर्ड बहु-परत तंत्रिका नेटवर्क के लिए एक उपन्यास स्वचालित सत्यापन ढांचा विकसित करते हैं। हम छवि हेरफेर पर ध्यान केंद्रित करते हैं, जैसे कि खरोंच या कैमरा कोण या प्रकाश की स्थिति में परिवर्तन, और छवि वर्गीकरण निर्णय के लिए सुरक्षा को परिभाषित करते हैं जो कि छवियों के एक क्षेत्र के भीतर मूल छवि के हेरफेर के संबंध में वर्गीकरण के अपरिवर्तनीयता के संदर्भ में है जो इसके करीब हैं। हम विभेद का उपयोग करके क्षेत्र की गहन खोज को सक्षम करते हैं, और विश्लेषण को परत दर परत प्रसारित करते हैं। हमारी विधि सीधे नेटवर्क कोड के साथ काम करती है और, मौजूदा तरीकों के विपरीत, यह गारंटी दे सकती है कि यदि वे मौजूद हैं, तो दिए गए क्षेत्र और हेरफेर के परिवार के लिए विरोधी उदाहरण पाए जाते हैं। यदि पाया जाता है, तो मानव परीक्षकों को प्रतिकूल उदाहरण दिखाए जा सकते हैं और/या नेटवर्क को ठीक करने के लिए उपयोग किया जा सकता है। हम Z3 का उपयोग करके तकनीकों को लागू करते हैं और नियमित और गहरी सीखने वाले नेटवर्क सहित अत्याधुनिक नेटवर्क पर उनका मूल्यांकन करते हैं। हम प्रतिद्वंद्वी उदाहरणों की खोज करने और नेटवर्क की मजबूती का अनुमान लगाने के लिए मौजूदा तकनीकों के साथ तुलना भी करते हैं।

8db9df2eadea654f128c1887722c677c708e8a47

यह प्रासंगिक जानकारी पर ध्यान केंद्रित करने के लिए ध्यान मॉडल पर हालिया काम को भी एकीकृत करता है, जिससे एम्बेडेड हार्डवेयर पर तैनाती के लिए कम्प्यूटेशनल जटिलता कम हो जाती है। इस फ्रेमवर्क का परीक्षण TORCS नामक एक ओपन सोर्स 3डी कार रेसिंग सिम्युलेटर में किया गया था। हमारे सिमुलेशन परिणाम जटिल सड़क वक्रता और अन्य वाहनों की सरल बातचीत के परिदृश्य में स्वायत्त युद्धाभ्यास के सीखने का प्रदर्शन करते हैं। परिचय एक रोबोट कार जो स्वायत्त रूप से ड्राइव करती है, कृत्रिम बुद्धिमत्ता का एक लंबे समय से लक्ष्य है। वाहन चलाना एक ऐसा कार्य है जिसके लिए एक मानव चालक से उच्च स्तर के कौशल, ध्यान और अनुभव की आवश्यकता होती है। हालांकि कंप्यूटर मनुष्यों की तुलना में निरंतर ध्यान और ध्यान केंद्रित करने में अधिक सक्षम हैं, पूरी तरह से स्वायत्त ड्राइविंग के लिए एक स्तर की बुद्धि की आवश्यकता होती है जो कि एआई एजेंटों द्वारा अब तक प्राप्त की गई है। स्वायत्त ड्राइविंग एजेंट बनाने में शामिल कार्यों को 3 श्रेणियों में विभाजित किया जा सकता है, जैसा कि चित्र 1: 1 में दिखाया गया है। इसके उदाहरण हैं पैदल यात्री का पता लगाना, यातायात संकेत पहचान आदि। हालांकि तुच्छ से दूर, मान्यता आज के समय में डीप लर्निंग (डीएल) एल्गोरिदम में प्रगति के लिए एक अपेक्षाकृत आसान कार्य है, जो कई ऑब्जेक्ट डिटेक्शन और वर्गीकरण समस्याओं में मानव स्तर की मान्यता या उससे ऊपर तक पहुंच गया है [1] [2]। डीप लर्निंग मॉडल कच्चे इनपुट डेटा से जटिल सुविधा प्रतिनिधित्व सीखने में सक्षम हैं, हाथ से तैयार सुविधाओं की आवश्यकता को छोड़ देते हैं [1] [2] [3]। इस संबंध में, Convolutional Neural Networks (CNNs) शायद सबसे सफल डीप लर्निंग मॉडल हैं, और AlexNet [8] के बाद से ImageNet चुनौती पर हर जीतने वाले प्रविष्टि का आधार बने हैं। इस सफलता को स्वचालित ड्राइविंग के लिए लेन और वाहन का पता लगाने में दोहराया गया है। 2) पूर्वानुमानः यह एक स्वायत्त ड्राइविंग एजेंट के लिए अपने पर्यावरण को पहचानने के लिए पर्याप्त नहीं है; यह भी आंतरिक मॉडल है कि भविष्य के वातावरण की स्थिति की भविष्यवाणी का निर्माण करने में सक्षम होना चाहिए। इस वर्ग की समस्या के उदाहरणों में पर्यावरण का नक्शा बनाना या किसी वस्तु का पता लगाना शामिल है। भविष्य की भविष्यवाणी करने में सक्षम होने के लिए, अतीत की जानकारी को एकीकृत करना महत्वपूर्ण है। इस प्रकार, आवर्ती तंत्रिका नेटवर्क (आरएनएन) इस वर्ग की समस्या के लिए आवश्यक हैं। लॉन्ग-शॉर्ट टर्म मेमोरी (एलएसटीएम) नेटवर्क [5] आरएनएन की ऐसी श्रेणी में से एक है जिसका उपयोग एंड-टू-एंड सीन लेबलिंग सिस्टम में किया गया है। हाल ही में, डीपट्रैकिंग मॉडल में ऑब्जेक्ट ट्रैकिंग प्रदर्शन में सुधार के लिए आरएनएन का भी उपयोग किया गया है [13]। 3) योजनाः एक कुशल मॉडल का निर्माण जो भविष्य में ड्राइविंग क्रियाओं के अनुक्रम की योजना बनाने के लिए पहचान और भविष्यवाणी को शामिल करता है जो वाहन को सफलतापूर्वक नेविगेट करने में सक्षम करेगा। योजना बनाना तीनों में सबसे कठिन कार्य है। कठिनाई पर्यावरण (मान्यता) और इसकी गतिशीलता (पूर्वानुमान) को समझने के लिए मॉडल की क्षमता को एकीकृत करने में निहित है, जिससे यह भविष्य के कार्यों की योजना बनाने में सक्षम हो ताकि यह अवांछित स्थितियों (दंड) से बच सके और सुरक्षित रूप से अपने गंतव्य (पुरस्कार) तक जा सके। चित्र 1: उच्च स्तर के स्वायत्त ड्राइविंग कार्य Reinforcement Learning (RL) फ्रेमवर्क [17] [20] का उपयोग लंबे समय से नियंत्रण कार्यों में किया जाता रहा है। RL और DL का मिश्रण मानव स्तर पर नियंत्रण प्राप्त करने के लिए सबसे आशाजनक दृष्टिकोणों में से एक बताया गया था [9]. [12] और [11] में इस मानव स्तर के नियंत्रण को डीप क्यू नेटवर्क्स (डीक्यूएन) मॉडल का उपयोग करते हुए अटारी गेम पर प्रदर्शित किया गया था, जिसमें आरएल योजना भाग के लिए जिम्मेदार है जबकि डीएल प्रतिनिधित्व सीखने के हिस्से के लिए जिम्मेदार है। बाद में आंशिक अवलोकन योग्य परिदृश्यों [4] के लिए आरएनएन को मिश्रण में एकीकृत किया गया। स्वायत्त ड्राइविंग के लिए सूचनाओं के एकीकरण की आवश्यकता होती है। 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 कई सेंसरों से। उनमें से कुछ कम आयामी हैं, जैसे कि LIDAR, जबकि अन्य उच्च आयामी हैं, जैसे कैमरे। इस विशेष उदाहरण में यह ध्यान देने योग्य है कि हालांकि कच्चे कैमरा चित्र उच्च आयामी हैं, स्वायत्त ड्राइविंग कार्य को प्राप्त करने के लिए आवश्यक उपयोगी जानकारी बहुत कम आयाम की है। उदाहरण के लिए, दृश्य के महत्वपूर्ण भाग जो ड्राइविंग निर्णयों को प्रभावित करते हैं, वे चलती वाहन, आगे की सड़क पर खाली जगह, कर्ब की स्थिति आदि तक सीमित हैं। वाहनों के बारीक विवरण भी महत्वपूर्ण नहीं हैं, क्योंकि समस्या के लिए केवल उनकी स्थानिक स्थिति ही वास्तव में आवश्यक है। इसलिए प्रासंगिक जानकारी के लिए मेमोरी बैंडविड्थ बहुत कम है। यदि इस प्रासंगिक जानकारी को निकाला जा सके, जबकि अन्य गैर-प्रासंगिक भागों को फ़िल्टर किया जाता है, तो यह स्वायत्त ड्राइविंग प्रणालियों की सटीकता और दक्षता दोनों में सुधार करेगा। इसके अलावा, यह सिस्टम की गणना और स्मृति आवश्यकताओं को कम करेगा, जो एम्बेडेड सिस्टम पर महत्वपूर्ण बाधाएं हैं जिनमें स्वायत्त ड्राइविंग नियंत्रण इकाई शामिल होगी। इस प्रकार की सूचना फ़िल्टरिंग प्रक्रिया के लिए ध्यान मॉडल एक स्वाभाविक फिट हैं। हाल ही में, इन मॉडलों को छवि मान्यता के लिए [23] और [10] में सफलतापूर्वक तैनात किया गया था, जिसमें आरएल को आरएनएन के साथ मिश्रित किया गया था ताकि छवि के भागों को ध्यान में रखा जा सके। ऐसे मॉडल आसानी से डीक्यूएन [11] और डीप रिकर्सिव क्यू नेटवर्क (डीआरक्यूएन) [4] मॉडल में विस्तारित और एकीकृत किए जाते हैं। यह एकीकरण [16] में किया गया था। ध्यान मॉडल की सफलता हमें उन्हें प्रस्तावित करने के लिए प्रेरित करती है स्वायत्त ड्राइविंग करने के लिए कच्चे संवेदी जानकारी से निम्न स्तर की जानकारी का निष्कर्षण। इस पेपर में, हम एक एंड-एंड स्वायत्त ड्राइविंग मॉडल के लिए एक ढांचा प्रस्तावित करते हैं जो कच्चे सेंसर इनपुट और ड्राइविंग क्रियाओं के आउटपुट में लेता है। मॉडल आंशिक रूप से अवलोकन योग्य परिदृश्यों को संभालने में सक्षम है। इसके अलावा, हम ध्यान मॉडल में हालिया प्रगति को एकीकृत करने का प्रस्ताव करते हैं ताकि प्राप्त सेंसर डेटा से केवल प्रासंगिक जानकारी निकाली जा सके, जिससे यह वास्तविक समय के एम्बेडेड सिस्टम के लिए उपयुक्त हो जाए। इस पेपर के मुख्य योगदानः 1) गहरी सुदृढीकरण सीखने की हालिया प्रगति का एक सर्वेक्षण प्रस्तुत करना और 2) ऑटोमोटिव समुदाय को गहरी सुदृढीकरण सीखने का उपयोग करके स्वायत्त ड्राइविंग को समाप्त करने के लिए एक ढांचा पेश करना। शेष पेपर दो भागों में विभाजित है। पहला भाग डीप रेनफोर्समेंट लर्निंग एल्गोरिदम का सर्वेक्षण प्रदान करता है, जो पारंपरिक एमडीपी ढांचे और क्यू-लर्निंग से शुरू होता है, इसके बाद डीक्यूएन, डीआरक्यूएन और डीप अटेंशन रिकर्सिव क्यू नेटवर्क (डीएआरक्यूएन) होता है। पेपर के दूसरे भाग में प्रस्तावित ढांचे का वर्णन किया गया है जो गहरी सुदृढीकरण सीखने में हालिया प्रगति को एकीकृत करता है। अंत में, हम निष्कर्ष निकालते हैं और भविष्य के काम के लिए दिशा-निर्देश देते हैं। पुनरावर्ती शिक्षा की समीक्षा पुनरावर्ती शिक्षा के व्यापक अवलोकन के लिए, कृपया रिच सटन की पाठ्यपुस्तक के दूसरे संस्करण को देखें [18]। हम इस खंड में महत्वपूर्ण विषयों का संक्षिप्त अवलोकन प्रदान करते हैं। सुदृढीकरण सीखने की रूपरेखा को [17] में एक मॉडल के रूप में तैयार किया गया था ताकि एक एजेंट को सबसे अच्छी नीति प्रदान की जा सके (एक दी गई स्थिति में लेने के लिए सबसे अच्छी कार्रवाई), ताकि कुल संचित पुरस्कार अधिकतम हो जाए जब एजेंट वर्तमान से उस नीति का पालन करता है और जब तक कि एक टर्मिनल राज्य तक नहीं पहुंच जाता है। आरएल प्रतिमान ड्राइविंग के लिए प्रेरणा एक बहु-एजेंट बातचीत समस्या है। एक मानव चालक के रूप में, भारी यातायात में लेन बदलने की तुलना में अन्य कारों के साथ किसी भी बातचीत के बिना लेन के भीतर रहना बहुत आसान है। बाद वाला अधिक कठिन है क्योंकि अन्य चालकों के व्यवहार में अंतर्निहित अनिश्चितता है। परस्पर क्रिया करने वाले वाहनों की संख्या, उनकी ज्यामितीय विन्यास और ड्राइवरों के व्यवहार में बड़ी भिन्नता हो सकती है और सभी परिदृश्यों के संपूर्ण कवरेज के साथ पर्यवेक्षित सीखने के डेटासेट को डिजाइन करना चुनौतीपूर्ण है। मानव ड्राइवर अन्य ड्राइवरों के व्यवहार को समझने के लिए किसी प्रकार के ऑनलाइन सुदृढीकरण सीखने का उपयोग करते हैं जैसे कि वे रक्षात्मक या आक्रामक हैं, अनुभवी या अनुभवहीन हैं, आदि। यह विशेष रूप से उन परिदृश्यों में उपयोगी है जिनमें बातचीत की आवश्यकता होती है, अर्थात् एक चक्रीय में प्रवेश करना, ट्रैफिक लाइट के बिना जंक्शन को नेविगेट करना, भारी यातायात के दौरान लेन परिवर्तन आदि। स्वायत्त ड्राइविंग में मुख्य चुनौती उन मामलों से निपटना है जो मानव चालक के लिए भी अप्रत्याशित हैं, जैसे कि जीपीएस के बिना अज्ञात क्षेत्र में खो जाने से उबरना या बाढ़ या जमीन पर एक सिंकहोल की उपस्थिति जैसी आपदा की स्थितियों से निपटना। आरएल प्रतिमान अज्ञात क्षेत्र को मॉडल करता है और कार्रवाई करके अपने स्वयं के अनुभव से सीखता है। इसके अतिरिक्त, आरएल गैर-विभेदी लागत कार्यों को संभालने में सक्षम हो सकता है जो पर्यवेक्षित सीखने की समस्याओं के लिए चुनौतियां पैदा कर सकता है। वर्तमान में, स्वायत्त ड्राइविंग के लिए मानक दृष्टिकोण प्रणाली को अलग-अलग उप-समस्याओं में विभाजित करना है, आमतौर पर पर्यवेक्षित-शिक्षण-जैसे ऑब्जेक्ट का पता लगाने, दृश्य ओडोमेट्री, आदि और फिर पिछले चरणों के सभी परिणामों को जोड़ने के लिए एक पोस्ट प्रोसेसिंग परत है। इस दृष्टिकोण के साथ दो मुख्य मुद्दे हैं: पहला, जो उप-समस्याएं हल की जाती हैं वे स्वायत्त ड्राइविंग से अधिक कठिन हो सकती हैं। उदाहरण के लिए, कोई व्यक्ति अर्थिक विभाजन द्वारा वस्तु का पता लगाने का समाधान कर सकता है जो चुनौतीपूर्ण और अनावश्यक दोनों है। मानव ड्राइवर ड्राइविंग के दौरान सभी दृश्य वस्तुओं का पता नहीं लगाता और वर्गीकृत नहीं करता है, केवल सबसे प्रासंगिक। दूसरा, अलग-अलग उप-समस्याएं एक साथ मिलकर सुसंगत रूप से प्राप्त नहीं हो सकती हैं सुदृढीकरण सीखने को एक मजबूत एआई प्रतिमान माना जाता है जिसका उपयोग मशीनों को पर्यावरण के साथ बातचीत के माध्यम से और उनकी गलतियों से सीखने के लिए किया जा सकता है। इसके कथित उपयोगिता के बावजूद, इसे अभी तक ऑटोमोटिव अनुप्रयोगों में सफलतापूर्वक लागू नहीं किया गया है। अटारी गेम्स और गूगल डीपमाइंड द्वारा गो के सफल प्रदर्शनों से प्रेरित होकर, हम गहरी सुदृढीकरण सीखने का उपयोग करके स्वायत्त ड्राइविंग के लिए एक ढांचा प्रस्तावित करते हैं। यह विशेष रूप से प्रासंगिक है क्योंकि अन्य वाहनों, पैदल चलने वालों और सड़क निर्माण सहित पर्यावरण के साथ मजबूत बातचीत के कारण स्वायत्त ड्राइविंग को पर्यवेक्षित सीखने की समस्या के रूप में पेश करना मुश्किल है। चूंकि यह स्वायत्त ड्राइविंग के लिए अनुसंधान का एक अपेक्षाकृत नया क्षेत्र है, हम गहरी सुदृढीकरण सीखने का एक संक्षिप्त अवलोकन प्रदान करते हैं और फिर हमारे प्रस्तावित ढांचे का वर्णन करते हैं। इसमें सूचना एकीकरण के लिए आवर्ती तंत्रिका नेटवर्क शामिल हैं, जो कार को आंशिक रूप से अवलोकन योग्य परिदृश्यों को संभालने में सक्षम बनाता है।

a4d513cfc9d4902ef1a80198582f29b8ba46ac28

इस रिपोर्ट में एआई के दुर्भावनापूर्ण उपयोग से संभावित सुरक्षा खतरों के परिदृश्य का सर्वेक्षण किया गया है और इन खतरों की बेहतर भविष्यवाणी, रोकथाम और कम करने के तरीके प्रस्तावित किए गए हैं। एआई के डिजिटल, भौतिक और राजनीतिक क्षेत्रों में खतरे के परिदृश्य को प्रभावित करने के तरीकों का विश्लेषण करने के बाद, हम एआई शोधकर्ताओं और अन्य हितधारकों के लिए चार उच्च-स्तरीय सिफारिशें करते हैं। हम आगे के शोध के लिए कई आशाजनक क्षेत्रों का भी सुझाव देते हैं जो रक्षा के पोर्टफोलियो का विस्तार कर सकते हैं, या हमलों को कम प्रभावी या निष्पादित करने के लिए कठिन बना सकते हैं। अंत में हम चर्चा करते हैं, लेकिन निर्णायक रूप से हल नहीं करते हैं, हमलावरों और रक्षकों के दीर्घकालिक संतुलन पर।

b5a047dffc3d70dce19de61257605dfc8c69535c

गहरे तंत्रिका नेटवर्क जटिल, वास्तविक दुनिया की समस्याओं से निपटने के लिए व्यापक रूप से उपयोग किए जाने वाले और प्रभावी साधन के रूप में उभरे हैं। हालांकि, सुरक्षा-महत्वपूर्ण प्रणालियों पर इन्हें लागू करने में एक प्रमुख बाधा उनके व्यवहार के बारे में औपचारिक गारंटी प्रदान करने में बड़ी कठिनाई है। हम गहरे तंत्रिका नेटवर्क के गुणों (या काउंटर-उदाहरण प्रदान करने) की पुष्टि करने के लिए एक उपन्यास, स्केलेबल और कुशल तकनीक प्रस्तुत करते हैं। यह तकनीक सिंप्लेक्स विधि पर आधारित है, जिसे गैर-उपमंडलीय सुधारित रैखिक इकाई (ReLU) सक्रियण फ़ंक्शन को संभालने के लिए विस्तारित किया गया है, जो कई आधुनिक तंत्रिका नेटवर्क में एक महत्वपूर्ण घटक है। सत्यापन प्रक्रिया तंत्रिका नेटवर्क को एक पूरे के रूप में संबोधित करती है, बिना किसी सरलीकृत धारणा के। हमने मानव रहित विमानों के लिए अगली पीढ़ी की हवाई टकराव से बचाव प्रणाली (एसीएएस एक्सयू) के प्रोटोटाइप गहरे तंत्रिका नेटवर्क कार्यान्वयन पर अपनी तकनीक का मूल्यांकन किया। परिणाम बताते हैं कि हमारी तकनीक उन नेटवर्क के गुणों को सफलतापूर्वक साबित कर सकती है जो मौजूदा तरीकों का उपयोग करके सत्यापित सबसे बड़े नेटवर्क की तुलना में परिमाण के एक आदेश से अधिक हैं।

b4bd9fab8439da4939a980a950838d1299a9b030

उपयोग की पूर्ण शर्तें और शर्तें: http://pubsonline.informs.org/page/terms-and-conditions इस लेख का उपयोग केवल अनुसंधान, शिक्षण और/या निजी अध्ययन के उद्देश्यों के लिए किया जा सकता है। जब तक अन्यथा उल्लेख नहीं किया जाता है, प्रकाशक की स्पष्ट स्वीकृति के बिना वाणिज्यिक उपयोग या व्यवस्थित डाउनलोड (रोबोट या अन्य स्वचालित प्रक्रियाओं द्वारा) निषिद्ध है। अधिक जानकारी के लिए, permissions@informs.org पर संपर्क करें। प्रकाशक लेख की सटीकता, पूर्णता, व्यापारिकता, किसी विशेष उद्देश्य के लिए उपयुक्तता या गैर-उल्लंघन की गारंटी या गारंटी नहीं देता है। इस लेख में उत्पादों या प्रकाशनों के वर्णन, या उनके संदर्भ, या किसी विज्ञापन का समावेश, न तो किसी गारंटी का गठन करता है और न ही उस उत्पाद, प्रकाशन या सेवा के बारे में किए गए दावों का समर्थन करता है। © 1990 INFORMS

5288d14f6a3937df5e10109d4e23d79b7ddf080f

c9946fedf333df0c6404765ba6ccbf8006779753

स्वायत्त ड्राइविंग ने ड्राइवर को सुविधा प्रदान करने और सुरक्षा बढ़ाने की क्षमता दिखाई है। हमारे वर्तमान यातायात प्रणाली में स्वायत्त ड्राइविंग को पेश करते समय, एक महत्वपूर्ण मुद्दा यह है कि स्वायत्त वाहन को वास्तविक मानव ड्राइवरों के समान प्रतिक्रिया करने में सक्षम बनाना है। यह सुनिश्चित करने के लिए कि भविष्य का एक स्वायत्त वाहन मानव ड्राइवरों की तरह काम करेगा, यह पेपर एक वाहन गति योजना मॉडल का प्रस्ताव करता है, जो यह दर्शा सकता है कि वास्तविक सिग्नल वाले चौराहे में यातायात वातावरण के मूल्यांकन के आधार पर ड्राइवर वाहनों को कैसे नियंत्रित करते हैं। प्रस्तावित गति नियोजन मॉडल में पैदल यात्री के इरादे का पता लगाने, अंतर का पता लगाने और वाहन गतिशील नियंत्रण के कार्य शामिल हैं। तीनों कार्य वास्तविक यातायात वातावरण से एकत्रित वास्तविक डेटा के विश्लेषण के आधार पर बनाए गए हैं। अंत में, यह पेपर हमारे मॉडल के व्यवहारों की तुलना वास्तविक पैदल यात्रियों और मानव ड्राइवरों के व्यवहारों के साथ करके प्रस्तावित विधि के प्रदर्शन को प्रदर्शित करता है। प्रयोगात्मक परिणामों से पता चलता है कि हमारे प्रस्तावित मॉडल पैदल यात्री के क्रॉसिंग इरादे के लिए 85% पहचान दर प्राप्त कर सकते हैं। इसके अलावा प्रस्तावित गति नियोजन मॉडल द्वारा नियंत्रित वाहन और वास्तविक मानव-चालित वाहन चौराहों में अंतराल स्वीकृति के संबंध में अत्यधिक समान हैं।

061356704ec86334dbbc073985375fe13cd39088

इस कार्य में हम बड़े पैमाने पर छवि पहचान सेटिंग में इसकी सटीकता पर संवहन नेटवर्क गहराई के प्रभाव की जांच करते हैं। हमारा मुख्य योगदान बढ़ते गहरे नेटवर्क का गहन मूल्यांकन है, जो दिखाता है कि पूर्व-कला विन्यासों पर एक महत्वपूर्ण सुधार गहरे को 16-19 वजन परतों तक धकेलने से प्राप्त किया जा सकता है। ये निष्कर्ष हमारे इमेजनेट चैलेंज 2014 के सबमिशन का आधार थे, जहां हमारी टीम ने क्रमशः स्थानीयकरण और वर्गीकरण ट्रैक में पहला और दूसरा स्थान हासिल किया। हम यह भी दिखाते हैं कि हमारे प्रतिनिधित्व अन्य डेटासेट के लिए अच्छी तरह से सामान्यीकृत हैं, जिससे अत्याधुनिक परिणाम प्राप्त होते हैं। महत्वपूर्ण बात यह है कि हमने अपने दो बेस्ट-परफॉर्मिंग ConvNet मॉडल को सार्वजनिक रूप से उपलब्ध कराया है ताकि कंप्यूटर विजन में गहरी दृश्य प्रतिनिधित्व के उपयोग पर आगे के शोध की सुविधा हो सके।

14318685b5959b51d0f1e3db34643eb2855dc6d9

हम एक गहरी संवहन तंत्रिका नेटवर्क वास्तुकला का प्रस्ताव करते हैं जिसका कोड नाम इंसेप्शन है जो इमेजनेट लार्ज-स्केल विजुअल रिकग्निशन चैलेंज 2014 (आईएलएसवीआरसी 14) में वर्गीकरण और पता लगाने के लिए कला की नई स्थिति प्राप्त करता है। इस वास्तुकला की मुख्य विशेषता नेटवर्क के भीतर कंप्यूटिंग संसाधनों का बेहतर उपयोग है। सावधानीपूर्वक तैयार किए गए डिजाइन के द्वारा, हमने गणनात्मक बजट को स्थिर रखते हुए नेटवर्क की गहराई और चौड़ाई को बढ़ाया। गुणवत्ता को अनुकूलित करने के लिए, वास्तुशिल्प निर्णय हेबियन सिद्धांत और बहु-स्केल प्रसंस्करण की अंतर्ज्ञान पर आधारित थे। ILSVRC14 के लिए हमारे प्रस्तुत में उपयोग किए जाने वाले एक विशेष अवतार को GoogLeNet कहा जाता है, जो 22 परतों वाला गहरा नेटवर्क है, जिसकी गुणवत्ता का मूल्यांकन वर्गीकरण और पता लगाने के संदर्भ में किया जाता है।

1827de6fa9c9c1b3d647a9d707042e89cf94abf0

गहरे तंत्रिका नेटवर्क का प्रशिक्षण इस तथ्य से जटिल है कि प्रशिक्षण के दौरान प्रत्येक परत के इनपुट का वितरण बदल जाता है, क्योंकि पिछली परतों के पैरामीटर बदलते हैं। इससे कम सीखने की दर और सावधानीपूर्वक पैरामीटर आरंभिकरण की आवश्यकता होती है, और यह संतृप्त गैर-रैखिकता वाले मॉडल को प्रशिक्षित करने के लिए कुख्यात रूप से कठिन बनाता है। हम इस घटना को आंतरिक सह-परिवर्तनीय बदलाव के रूप में संदर्भित करते हैं, और परत इनपुट को सामान्य करके समस्या को संबोधित करते हैं। हमारी विधि अपनी ताकत को सामान्यीकरण को मॉडल वास्तुकला का एक हिस्सा बनाने और प्रत्येक प्रशिक्षण मिनी-बैच के लिए सामान्यीकरण करने से प्राप्त करती है। बैच सामान्यीकरण हमें बहुत अधिक सीखने की दर का उपयोग करने और आरंभिकरण के बारे में कम सावधान रहने की अनुमति देता है, और कुछ मामलों में ड्रॉपआउट की आवश्यकता को समाप्त करता है। अत्याधुनिक छवि वर्गीकरण मॉडल पर लागू किया गया, बैच नॉर्मलाइजेशन 14 गुना कम प्रशिक्षण चरणों के साथ समान सटीकता प्राप्त करता है, और मूल मॉडल को महत्वपूर्ण मार्जिन से हराता है। बैच-सामान्यीकृत नेटवर्क के एक समूह का उपयोग करके, हम इमेजनेट वर्गीकरण पर सबसे अच्छा प्रकाशित परिणाम में सुधार करते हैंः 4.82% शीर्ष-5 परीक्षण त्रुटि तक पहुंचते हुए, मानव रेटर की सटीकता से अधिक।

6e80768219b2ab5a3247444cfb280e8d33d369f0

इस पेपर में एक अल्ट्रा-वाइडबैंड (UWB) पावर डिवाइडर को डिजाइन किया गया है। इस शक्ति विभाजक का यूडब्ल्यूबी प्रदर्शन एक कॉनियर माइक्रोस्ट्रिप लाइन का उपयोग करके प्राप्त किया जाता है जिसमें घातीय और अण्डाकार खंड होते हैं। मोटे दानेदार समानांतर सूक्ष्म आनुवंशिक एल्गोरिथ्म (पीएमजीए) और सीएसटी माइक्रोवेव स्टूडियो को एक स्वचालित समानांतर डिजाइन प्रक्रिया प्राप्त करने के लिए संयुक्त किया गया है। इस विधि का उपयोग यूडब्ल्यूबी पावर डिवाइडर को अनुकूलित करने के लिए किया जाता है। अनुकूलित शक्ति विभाजक का निर्माण और मापन किया जाता है। मापा परिणामों में अपेक्षाकृत कम सम्मिलन हानि, अच्छा वापसी हानि और पूरे यूडब्ल्यूबी (3.1-10.6 गीगाहर्ट्ज) में आउटपुट पोर्ट के बीच उच्च अलगाव दिखाई देता है।

2532d0567c8334e4cadf282a73ffe399c1c32476

तब प्रदर्शन माप प्राप्त पुरस्कारों का योग होता है। उदाहरण के लिए, जब एक भौंरा भोजन करता है, तो प्रत्येक समय चरण में इनाम फ़ंक्शन उड़ान भरी गई दूरी (नकारात्मक भारित) और निगलने वाले अमृत का कुछ संयोजन हो सकता है। सुदृढीकरण सीखने (आरएल) विधियां अनिवार्य रूप से मार्कोव निर्णय प्रक्रियाओं (एमडीपी) को हल करने के लिए ऑनलाइन एल्गोरिदम हैं। एक एमडीपी को इनाम फलन और एक मॉडल द्वारा परिभाषित किया जाता है, अर्थात, प्रत्येक संभावित क्रिया पर शर्त राज्य संक्रमण संभावनाएं। आरएल एल्गोरिदम मॉडल-आधारित हो सकते हैं, जहां एजेंट एक मॉडल सीखता है, या मॉडल-मुक्त-जैसे, क्यू-लर्निंग उद्धरण वाटकिंसः 1989, जो केवल एक फ़ंक्शन क्यू ((s) सीखता है, ए) राज्य में कार्रवाई करने के दीर्घकालिक मूल्य को निर्दिष्ट करता है और उसके बाद इष्टतम रूप से कार्य करता है। अपनी सफलताओं के बावजूद, आरएल विधियां काफी हद तक पूरी तरह से अवलोकन योग्य एमडीपी तक ही सीमित रही हैं, जिसमें प्रत्येक राज्य में संवेदी इनपुट राज्य की पहचान करने के लिए पर्याप्त है। जाहिर है, वास्तविक दुनिया में, हमें अक्सर आंशिक रूप से अवलोकन योग्य एमडीपी (पीओएमडीपी) से निपटना पड़ता है। एस्ट्रोम (1965) ने साबित किया कि पीओएमडीपी में इष्टतम निर्णय समय के प्रत्येक बिंदु पर विश्वास की स्थिति बी पर निर्भर करते हैं, अर्थात, सभी संभावित वास्तविक राज्यों पर बाद की संभावना वितरण, आज तक के सभी साक्ष्य दिए गए। Parr and Russell (1995) एक बहुत ही सरल POMDP RL एल्गोरिथ्म का वर्णन करते हैं जो b के स्पष्ट प्रतिनिधित्व का उपयोग करके संभावनाओं के वेक्टर के रूप में करता है, और McCallum (1993) हाल ही में धारणा अनुक्रमों का उपयोग करके विश्वास की स्थिति का अनुमान लगाने का एक तरीका दिखाता है। किसी भी दृष्टिकोण के लिए बड़ी संख्या में राज्य चर और दीर्घकालिक समय निर्भरता के साथ स्थितियों को बढ़ाने की संभावना नहीं है। जो आवश्यक है वह है मॉडल को संक्षिप्त रूप से प्रस्तुत करने का एक तरीका और मॉडल और प्रत्येक नए अवलोकन को देखते हुए विश्वास की स्थिति को कुशलतापूर्वक अद्यतन करना। डायनामिक बेयसियन नेटवर्क (डीन और कानाजावा, 1989) में कुछ आवश्यक गुण प्रतीत होते हैं; विशेष रूप से, उनके पास अन्य दृष्टिकोणों जैसे कि कलमन फिल्टर और छिपे हुए मार्कोव मॉडल पर महत्वपूर्ण फायदे हैं। हमारी आधार रेखा वास्तुकला, चित्र 1 में दिखाया गया है, नए सेंसर सूचना के आगमन के रूप में विश्वास राज्य का प्रतिनिधित्व करने और अद्यतन करने के लिए डीबीएन का उपयोग करता है। b के लिए एक प्रतिनिधित्व को देखते हुए, इनाम संकेत का उपयोग Q-फंक्शन को सीखने के लिए किया जाता है जिसका प्रतिनिधित्व कुछ ब्लैक-बॉक्स फ़ंक्शन अनुमानक जैसे कि तंत्रिका नेटवर्क द्वारा किया जाता है। बशर्ते हम हाइब्रिड (डि- यह व्याख्यान एक सीखने वाले एजेंट के लिए एक बहुत ही सरल "आधारभूत वास्तुकला" का प्रस्ताव करता है जो स्टोकास्टिक, आंशिक रूप से अवलोकन योग्य वातावरण को संभाल सकता है। वास्तुकला में आंशिक प्रक्रियाओं को ग्राफिकल मॉडल के रूप में प्रस्तुत करने के लिए एक विधि के साथ सुदृढीकरण सीखने का उपयोग किया जाता है। मैं संवेदी इनपुट से ऐसे प्रतिनिधित्वों के मापदंडों और संरचना को जानने के लिए और पछाड़ी संभावनाओं की गणना के लिए तरीकों पर चर्चा करूंगा। पूर्ण एजेंट का परीक्षण करने से पहले कुछ खुली समस्याएं बनी रहती हैं; जब हम बड़े पैमाने पर विचार करते हैं तो अधिक उत्पन्न होती हैं। भाषण का दूसरा विषय यह होगा कि क्या सुदृढीकरण सीखना पशु और मानव सीखने का एक अच्छा मॉडल प्रदान कर सकता है। इस प्रश्न का उत्तर देने के लिए, हमें उलटा सुदृढीकरण सीखना होगा: अवलोकन व्यवहार को देखते हुए, क्या इनाम संकेत, यदि कोई हो, अनुकूलित किया जा रहा है? यह COLT, UAI और ML समुदायों के लिए एक बहुत ही दिलचस्प समस्या प्रतीत होती है, और मार्कोव निर्णय प्रक्रियाओं के संरचनात्मक अनुमान के शीर्षक के तहत अर्थशास्त्र में संबोधित किया गया है। 1 अनिश्चित वातावरण में सीखना एआई बुद्धिमान एजेंटों के निर्माण के बारे में है, अर्थात, सिस्टम जो पर्यावरण में प्रभावी ढंग से (कुछ प्रदर्शन उपाय के अनुसार) महसूस करते हैं और कार्य करते हैं। मैंने कहीं और तर्क दिया है रसेल और नॉर्विग (1995) कि अधिकांश एआई अनुसंधान उन वातावरणों पर केंद्रित है जो स्थिर, निर्धारक, असतत और पूरी तरह से अवलोकन योग्य हैं। जब वास्तविक दुनिया में पर्यावरण गतिशील, स्थैतिक, निरंतर और आंशिक रूप से अवलोकन योग्य हो, तब क्या किया जाना चाहिए? यह पेपर एनएसएफ @I-9634215), ओएनआर (N00014-97-l-0941) और एआर0 (DAAH04-96-1-0341) द्वारा समर्थित विभिन्न शोध प्रयासों पर आधारित है। इस रचना की सभी या भागों की डिजिटल या हार्ड कॉपी निजी या कक्षा उपयोग के लिए निःशुल्क बनाई जाती है, बशर्ते कि कॉपी प्रोलिट या वाणिज्यिक लाभ के लिए नहीं बनाई जाए या वितरित की जाए और कॉपी पर यह नोटिस और पहले पृष्ठ पर पूर्ण उद्धरण हो। अन्यथा नकल करने के लिए। पुनः प्रकाशित करने, सर्वर पर पोस्ट करने या सूचियों में पुनः वितरित करने के लिए, पूर्व विशिष्ट अनुमति और/या शुल्क की आवश्यकता होती है। COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 हाल के वर्षों में, सुदृढीकरण सीखने (जिसे न्यूरोडायनामिक प्रोग्रामिंग भी कहा जाता है) ने स्वचालित रूप से एजेंटों के निर्माण के लिए एक दृष्टिकोण के रूप में तेजी से प्रगति की है (सटन, 1988; केलबलिंग एट अल., 1996; बर्ट्सकेस और त्सिकलिस, 1996) । मूल विचार यह है कि प्रदर्शन माप एजेंट को एक इनाम फ़ंक्शन के रूप में उपलब्ध कराया जाता है जो प्रत्येक राज्य के लिए इनाम निर्दिष्ट करता है जो एजेंट से गुजरता है।

6f20506ce955b7f82f587a14301213c08e79463b

d14ddc01cff72066c6655aa39f3e207e34fb8591

यह पत्र माइक्रोइलेक्ट्रोमैकेनिकल सिस्टम (एमईएमएस) पर आधारित रेडियो-फ्रिक्वेंसी (आरएफ) प्रौद्योगिकी के एक अपेक्षाकृत नए क्षेत्र से संबंधित है। आरएफ एमईएमएस नए उपकरणों और घटकों की एक श्रेणी प्रदान करता है जो पारंपरिक (आमतौर पर अर्धचालक) उपकरणों के सापेक्ष बेहतर उच्च आवृत्ति प्रदर्शन प्रदर्शित करते हैं, और जो नई प्रणाली क्षमताओं को सक्षम करते हैं। इसके अतिरिक्त, एमईएमएस उपकरणों को बहुत बड़े पैमाने पर एकीकरण के समान तकनीकों द्वारा डिजाइन और निर्मित किया जाता है, और पारंपरिक बैच-प्रसंस्करण विधियों द्वारा निर्मित किया जा सकता है। इस पेपर में, एकमात्र उपकरण जिसे संबोधित किया गया है वह है इलेक्ट्रोस्टैटिक माइक्रोस्विच-शायद प्रतिमान आरएफ-एमईएमएस उपकरण। इसके बेहतर प्रदर्शन विशेषताओं के कारण, माइक्रो स्विच को कई मौजूदा सर्किटों और प्रणालियों में विकसित किया जा रहा है, जिसमें रेडियो फ्रंट-एंड, कैपेसिटर बैंक और समय-विलंब नेटवर्क शामिल हैं। अति-कम-शक्ति अपव्यय और बड़े पैमाने पर एकीकरण के साथ संयुक्त बेहतर प्रदर्शन से नई प्रणाली कार्यक्षमता भी संभव हो सकेगी। यहां दो संभावनाओं को संबोधित किया गया है अर्ध-ऑप्टिकल बीम स्टीयरिंग और विद्युत रूप से पुनः विन्यास योग्य एंटेना।

9d5f36b92ac155fccdae6730660ab44d46ad501a

जोखिम समता एक आवंटन विधि है जिसका उपयोग विविध पोर्टफोलियो बनाने के लिए किया जाता है जो अपेक्षित रिटर्न की किसी भी धारणा पर निर्भर नहीं करता है, इस प्रकार जोखिम प्रबंधन को रणनीति के केंद्र में रखता है। यह बताता है कि 2008 में वैश्विक वित्तीय संकट के बाद जोखिम समानता एक लोकप्रिय निवेश मॉडल क्यों बन गई। हालांकि, जोखिम समता की भी आलोचना की गई है क्योंकि यह पोर्टफोलियो प्रदर्शन के बजाय जोखिम एकाग्रता के प्रबंधन पर केंद्रित है, और इसलिए सक्रिय प्रबंधन की तुलना में निष्क्रिय प्रबंधन के करीब माना जाता है। इस लेख में, हम दिखाएंगे कि जोखिम समता पोर्टफोलियो में अपेक्षित रिटर्न की धारणाओं को कैसे पेश किया जाए। ऐसा करने के लिए, हम एक सामान्यीकृत जोखिम उपाय पर विचार करते हैं जो पोर्टफोलियो रिटर्न और अस्थिरता दोनों को ध्यान में रखता है। हालांकि, प्रदर्शन और अस्थिरता योगदान के बीच व्यापार-ऑफ कुछ कठिनाई पैदा करता है, जबकि जोखिम बजट समस्या को स्पष्ट रूप से परिभाषित किया जाना चाहिए। ऐसे जोखिम बजट पोर्टफोलियो के सैद्धांतिक गुणों को प्राप्त करने के बाद, हम इस नए मॉडल को परिसंपत्ति आवंटन पर लागू करते हैं। सबसे पहले, हम दीर्घकालिक निवेश नीति और रणनीतिक परिसंपत्ति आवंटन के निर्धारण पर विचार करते हैं। फिर हम गतिशील आवंटन पर विचार करते हैं और दिखाते हैं कि कैसे जोखिम समानता निधि का निर्माण किया जाए जो अपेक्षित रिटर्न पर निर्भर करता है।

006df3db364f2a6d7cc23f46d22cc63081dd70db

एक तदर्थ नेटवर्क, किसी स्थापित अवसंरचना या केंद्रीकृत प्रशासन की सहायता के बिना एक अस्थायी नेटवर्क बनाने वाले वायरलेस मोबाइल मेजबानों का एक संग्रह है। ऐसे वातावरण में, प्रत्येक मोबाइल होस्ट के वायरलेस प्रसारण की सीमित सीमा के कारण, एक पैकेट को उसके गंतव्य तक भेजने में एक मोबाइल होस्ट के लिए अन्य मेजबानों की सहायता लेना आवश्यक हो सकता है। यह कागज एड हॉक नेटवर्क में रूटिंग के लिए एक प्रोटोकॉल प्रस्तुत करता है जो गतिशील स्रोत रूटिंग का उपयोग करता है। प्रोटोकॉल रूटिंग परिवर्तनों के लिए जल्दी से अनुकूलित होता है जब होस्ट आंदोलन अक्सर होता है, फिर भी उन अवधि के दौरान कम या कोई ओवरहेड की आवश्यकता होती है जिसमें मेजबान कम बार चलते हैं। एक तदर्थ नेटवर्क में संचालित मोबाइल मेजबानों के पैकेट-स्तर के सिमुलेशन के परिणामों के आधार पर, प्रोटोकॉल विभिन्न प्रकार की पर्यावरणीय स्थितियों जैसे कि मेजबान घनत्व और आंदोलन दरों पर अच्छी तरह से प्रदर्शन करता है। सभी सिमुलेटेड मेजबान आंदोलन की उच्चतम दरों के अलावा, प्रोटोकॉल का ओवरहेड काफी कम है, जो 24 मोबाइल मेजबानों के नेटवर्क में मध्यम आंदोलन दरों के लिए प्रेषित कुल डेटा पैकेटों का केवल 1% है। सभी मामलों में, उपयोग किए जाने वाले मार्गों और इष्टतम मार्गों की लंबाई के बीच लंबाई में अंतर नगण्य है, और ज्यादातर मामलों में, मार्गों की लंबाई औसतन 1.01 के कारक के भीतर होती है।

25a26b86f4a2ebca2b154effbaf894aef690c03c

हाल ही में पर्यवेक्षित सीखने के एल्गोरिदम में महत्वपूर्ण रुचि रही है जो पाठ सीखने के कार्यों के लिए लेबल किए गए और अनलेबल किए गए डेटा को जोड़ती है। सह-प्रशिक्षण सेटिंग [1] उन डेटासेट पर लागू होता है जिनके पास दो असंबद्ध सेटों में अपनी विशेषताओं का प्राकृतिक अलगाव होता है। हम यह प्रदर्शित करते हैं कि लेबल किए गए और बिना लेबल किए गए डेटा से सीखने पर, एल्गोरिदम स्पष्ट रूप से सुविधाओं के प्राकृतिक स्वतंत्र विभाजन का लाभ उठाते हुए एल्गोरिदम को बेहतर बनाते हैं जो नहीं करते हैं। जब एक प्राकृतिक विभाजन मौजूद नहीं होता है, तो सह-प्रशिक्षण एल्गोरिदम जो एक सुविधा विभाजन का निर्माण करते हैं, विभाजन का उपयोग नहीं करने वाले एल्गोरिदम से बेहतर प्रदर्शन कर सकते हैं। ये परिणाम यह समझाने में मदद करते हैं कि सह-प्रशिक्षण एल्गोरिदम प्रकृति में भेदभावपूर्ण और उनके एम्बेडेड वर्गीकरणकर्ताओं की धारणाओं के लिए मजबूत क्यों हैं।

78beead3a05f7e8f2dc812298f813c5bacdc3061

1d6889c44e11141cc82ef28bba1afe07f3c0a2b4

पिछले कुछ वर्षों में इंटरनेट ऑफ थिंग्स (आईओटी) का व्यापक रूप से उपयोग किया गया है और इसे हर क्षेत्र में पाया जा सकता है। उपकरणों के बीच सुरक्षित संचार को सक्षम करने के लिए आईओटी के संदर्भ में प्रमाणीकरण और अभिगम नियंत्रण महत्वपूर्ण और महत्वपूर्ण कार्यक्षमताएं हैं। IoT नेटवर्क में कम बिजली वाले उपकरणों की गतिशीलता, गतिशील नेटवर्क टोपोलॉजी और कमजोर भौतिक सुरक्षा सुरक्षा के संभावित स्रोत हैं। यह संसाधन सीमित और वितरित आईओटी वातावरण में प्रमाणीकरण और अभिगम नियंत्रण हमले प्रतिरोधी और हल्का बनाने का वादा करता है। यह पत्र प्रोटोकॉल मूल्यांकन और प्रदर्शन विश्लेषण के साथ पहचान प्रमाणीकरण और क्षमता आधारित अभिगम नियंत्रण (आईएसीएसी) मॉडल प्रस्तुत करता है। मैन-इन-द-मिडिल, रिप्ले और सेवा से इनकार (डीओएस) हमलों से आईओटी की रक्षा के लिए, अभिगम नियंत्रण के लिए क्षमता की अवधारणा पेश की जाती है। इस मॉडल की नवीनता यह है कि यह आईओटी उपकरणों के लिए प्रमाणीकरण और अभिगम नियंत्रण का एक एकीकृत दृष्टिकोण प्रस्तुत करता है। हमारे निष्कर्षों को मान्य और समर्थन देने के लिए अन्य संबंधित अध्ययनों के परिणामों का भी विश्लेषण किया गया है। अंत में, प्रस्तावित प्रोटोकॉल का मूल्यांकन सुरक्षा प्रोटोकॉल सत्यापन उपकरण का उपयोग करके किया जाता है और सत्यापन परिणामों से पता चलता है कि आईएसीएसी उपरोक्त हमलों के खिलाफ सुरक्षित है। इस पत्र में अन्य जर्नल ऑफ साइबर सिक्योरिटी एंड मोबिलिटी, वॉल्यूम की तुलना में कम्प्यूटेशनल समय के संदर्भ में प्रोटोकॉल के प्रदर्शन विश्लेषण पर भी चर्चा की गई है। 1, 309-348 c © 2013 नदी प्रकाशक। सभी अधिकार सुरक्षित 310 पी.एन. महले व अन्य मौजूदा समाधान। इसके अलावा, इस पेपर में आईओटी में चुनौतियों को संबोधित किया गया है और आईओटी नेटवर्क का वास्तविक दृश्य देने के लिए उपयोग के मामलों के साथ सुरक्षा हमलों का मॉडल बनाया गया है।

310b72fbc3d384ca88ca994b33476b8a2be2e27f

हम भावना विश्लेषक (एसए) प्रस्तुत करते हैं जो ऑनलाइन पाठ दस्तावेजों से किसी विषय के बारे में भावना (या राय) को निकालता है। किसी विषय के बारे में पूरे दस्तावेज़ की भावनाओं को वर्गीकृत करने के बजाय, एसए दिए गए विषय के सभी संदर्भों का पता लगाता है, और प्राकृतिक भाषा प्रसंस्करण (एनएलपी) तकनीकों का उपयोग करके प्रत्येक संदर्भ में भावनाओं को निर्धारित करता है। हमारे भावना विश्लेषण में 1) एक विषय विशिष्ट विशेषता शब्द निष्कर्षण, 2) भावना निष्कर्षण, और 3) (विषय, भावना) संबंध विश्लेषण द्वारा संघ शामिल हैं। एसए विश्लेषण के लिए दो भाषाई संसाधनों का उपयोग करता हैः भावना शब्दकोश और भावना पैटर्न डेटाबेस। एल्गोरिदम के प्रदर्शन की जांच ऑनलाइन उत्पाद समीक्षा लेखों (डिजिटल कैमरा और संगीत समीक्षा) और सामान्य वेबपेजों और समाचार लेखों सहित अधिक सामान्य दस्तावेजों पर की गई।

59d9160780bf3eac8c621983a36ff332a3497219

स्वचालित भावना विश्लेषण के कई दृष्टिकोण शब्दों के एक बड़े शब्दकोश के साथ शुरू होते हैं जो उनकी पूर्व ध्रुवीयता (जिसे अर्थ संबंधी अभिविन्यास भी कहा जाता है) के साथ चिह्नित होते हैं। हालांकि, उस वाक्यांश की संदर्भ ध्रुवीयता जिसमें किसी शब्द का एक विशेष उदाहरण दिखाई देता है, वह शब्द की पूर्व ध्रुवीयता से काफी भिन्न हो सकता है। सकारात्मक शब्दों का प्रयोग नकारात्मक भावनाओं को व्यक्त करने वाले वाक्यांशों में किया जाता है, या इसके विपरीत। इसके अलावा, अक्सर ऐसे शब्द जो संदर्भ से बाहर सकारात्मक या नकारात्मक होते हैं, संदर्भ में तटस्थ होते हैं, जिसका अर्थ है कि वे भावना व्यक्त करने के लिए भी उपयोग नहीं किए जा रहे हैं। इस कार्य का लक्ष्य पूर्व और प्रासंगिक ध्रुवीयता के बीच स्वचालित रूप से भेद करना है, इस कार्य के लिए कौन सी विशेषताएं महत्वपूर्ण हैं, इस पर ध्यान केंद्रित करना है। चूंकि समस्या का एक महत्वपूर्ण पहलू यह पहचान रहा है कि ध्रुवीय शब्दों का उपयोग तटस्थ संदर्भों में कब किया जा रहा है, इसलिए तटस्थ और ध्रुवीय उदाहरणों के बीच अंतर करने के लिए विशेषताओं का मूल्यांकन किया जाता है, साथ ही सकारात्मक और नकारात्मक प्रासंगिक ध्रुवीयता के बीच अंतर करने के लिए विशेषताओं का भी मूल्यांकन किया जाता है। मूल्यांकन में कई मशीन लर्निंग एल्गोरिदम में सुविधाओं के प्रदर्शन का आकलन करना शामिल है। एक को छोड़कर सभी सीखने वाले एल्गोरिदम के लिए, सभी विशेषताओं का संयोजन एक साथ सबसे अच्छा प्रदर्शन देता है। मूल्यांकन का एक और पहलू यह विचार करता है कि तटस्थ उदाहरणों की उपस्थिति सकारात्मक और नकारात्मक ध्रुवीयता के बीच अंतर करने के लिए सुविधाओं के प्रदर्शन को कैसे प्रभावित करती है। ये प्रयोग दिखाते हैं कि तटस्थ उदाहरणों की उपस्थिति इन विशेषताओं के प्रदर्शन को बहुत कम करती है, और शायद सभी ध्रुवीयता वर्गों में प्रदर्शन में सुधार करने का सबसे अच्छा तरीका यह है कि सिस्टम की पहचान करने की क्षमता में सुधार किया जाए जब कोई उदाहरण तटस्थ हो।

7c89cbf5d860819c9b5e5217d079dc8aafcba336

इस पेपर में, हम एक वाक्य-स्तर वर्गीकरण के एक केस स्टडी का वर्णन करते हैं जिसमें टैगिंग निर्देशों को विकसित किया जाता है और चार न्यायाधीशों द्वारा वॉल स्ट्रीट जर्नल के खंडों को व्यक्तिपरक या उद्देश्य के रूप में वर्गीकृत करने के लिए उपयोग किया जाता है। चार न्यायाधीशों के बीच सहमति का विश्लेषण किया जाता है और उस विश्लेषण के आधार पर प्रत्येक खंड को अंतिम वर्गीकरण दिया जाता है। वर्गीकरण के लिए अनुभवजन्य समर्थन प्रदान करने के लिए, व्यक्तिपरक श्रेणी और क्विर्क एट अल द्वारा निर्धारित एक बुनियादी अर्थशास्त्र वर्ग के बीच डेटा में सहसंबंधों का मूल्यांकन किया जाता है। (1985).

9141d85998eadb1bca5cca027ae07670cfafb015

भावनाओं (मतों के भावनात्मक भागों) की पहचान करना एक चुनौतीपूर्ण समस्या है। हम एक प्रणाली प्रस्तुत करते हैं जो, एक विषय दिया जाता है, स्वचालित रूप से उन लोगों को पाता है जो उस विषय के बारे में राय रखते हैं और प्रत्येक राय की भावना। इस प्रणाली में शब्द भावना का निर्धारण करने के लिए एक मॉड्यूल और एक वाक्य के भीतर भावनाओं को जोड़ने के लिए एक और मॉड्यूल है। हम शब्द और वाक्य स्तर पर भावनाओं को वर्गीकृत करने और संयोजित करने के विभिन्न मॉडलों के साथ प्रयोग करते हैं, आशाजनक परिणामों के साथ।

c2ac213982e189e4ad4c7f60608914a489ec9051

एनोटेटेड अरबी पाठ के एक बड़े पैमाने पर कॉर्पस के विकास के हमारे तीन साल के अनुभव से, हमारे पेपर निम्नलिखित को संबोधित करेंगे: (ए) प्रासंगिक अरबी भाषा के मुद्दों की समीक्षा करें क्योंकि वे पद्धति के विकल्पों से संबंधित हैं, (बी) पेन इंग्लिश ट्रीबैंक शैली के दिशानिर्देशों का उपयोग करने के लिए हमारी पसंद की व्याख्या करें, (अरबी बोलने वाले एनोटेटर्स को एक नए व्याकरणिक के साथ काम करने की आवश्यकता है) (ग) मानव एनोटेशन महत्वपूर्ण है और स्वचालित विश्लेषण मुश्किल है, जिसमें कई तरीकों से दिखाया गया है जिसमें वर्णमाला विश्लेषक और मानव एनोटेटर दोनों द्वारा वर्तनी संबंधी अस्पष्टता का प्रबंधन शामिल है; (घ) मानव एनोटेटरों द्वारा वर्णनात्मक विश्लेषक और मानव एनोटेटरों द्वारा वर्तनी संबंधी अस्पष्टता का प्रबंधन सहित; अरबी ट्रीबैंक पद्धति, जो आकृति विज्ञान विश्लेषण और टैगिंग और वाक्यविन्यास विश्लेषण दोनों में एक विशेष निर्माण पर ध्यान केंद्रित करती है और पूरी एनोटेशन प्रक्रिया के माध्यम से इसे विस्तार से देखती है, और अंत में, (ई) अब तक जो हासिल किया गया है और क्या करना बाकी है, उसके साथ निष्कर्ष निकालें।

e33a3487f9b656631159186db4b2aebaed230b36

जैसे-जैसे डिजिटल प्लेटफॉर्म आज लगभग हर उद्योग को बदल रहे हैं, वे धीरे-धीरे मुख्यधारा के सूचना प्रणाली (आईएस) साहित्य में अपना रास्ता खोज रहे हैं। डिजिटल प्लेटफॉर्म एक चुनौतीपूर्ण अनुसंधान वस्तु हैं क्योंकि वे वितरित प्रकृति के हैं और संस्थानों, बाजारों और प्रौद्योगिकियों के साथ परस्पर जुड़े हुए हैं। प्लेटफॉर्म नवाचार के तेजी से बढ़ते पैमाने, प्लेटफॉर्म आर्किटेक्चर की बढ़ती जटिलता और कई अलग-अलग उद्योगों में डिजिटल प्लेटफार्मों के प्रसार के परिणामस्वरूप नई अनुसंधान चुनौतियां उत्पन्न होती हैं। इस पत्र में आईएस में डिजिटल प्लेटफार्मों के अनुसंधान के लिए एक शोध एजेंडा विकसित किया गया है। हम शोधकर्ताओं को यह सलाह देते हैं कि (1) विश्लेषण की इकाई, डिजिटलीकरण की डिग्री और डिजिटल प्लेटफार्मों की सामाजिक-तकनीकी प्रकृति को निर्दिष्ट करने वाली स्पष्ट परिभाषाएं प्रदान करके वैचारिक स्पष्टता को आगे बढ़ाएं; (2) विभिन्न वास्तुशिल्प स्तरों और विभिन्न उद्योग सेटिंग्स में प्लेटफार्मों का अध्ययन करके डिजिटल प्लेटफॉर्म अवधारणाओं के उचित स्कोपिंग को परिभाषित करें; और (3) एम्बेडेड केस स्टडी, अनुदैर्ध्य अध्ययन, डिजाइन अनुसंधान, डेटा-संचालित मॉडलिंग और विज़ुअलाइज़ेशन तकनीकों को नियोजित करके पद्धतिगत कठोरता को आगे बढ़ाएं। व्यापार क्षेत्र में वर्तमान विकास को ध्यान में रखते हुए, हम आगे की शोध के लिए छह प्रश्नों का सुझाव देते हैंः (1) क्या प्लेटफॉर्म यहां रहने के लिए हैं? (2) प्लेटफार्मों को कैसे डिजाइन किया जाना चाहिए? डिजिटल प्लेटफॉर्म उद्योगों को कैसे बदलते हैं? ; (4) डेटा-संचालित दृष्टिकोण डिजिटल प्लेटफार्मों के अनुसंधान को कैसे सूचित कर सकते हैं? ; (5) शोधकर्ताओं को डिजिटल प्लेटफार्मों के लिए सिद्धांत कैसे विकसित करना चाहिए? और (6) डिजिटल प्लेटफॉर्म रोजमर्रा की जिंदगी को कैसे प्रभावित करते हैं?

1be8cab8701586e751d6ed6d186ca0b6f58a54e7

किसी सिस्टम विनिर्देश की उपयोगिता आंशिक रूप से आवश्यकताओं की पूर्णता पर निर्भर करती है। हालांकि, सभी आवश्यक आवश्यकताओं को सूचीबद्ध करना मुश्किल है, खासकर जब आवश्यकताएं अप्रत्याशित वातावरण के साथ बातचीत करती हैं। आदर्श पर्यावरण दृष्टिकोण के साथ निर्मित विनिर्देश अधूरा है यदि इसमें गैर-आदर्श व्यवहार को संभालने के लिए आवश्यकताएं शामिल नहीं हैं। अक्सर अपूर्ण आवश्यकताओं का पता तब तक नहीं चलता जब तक कि कार्यान्वयन, परीक्षण, या इससे भी बदतर, तैनाती के बाद नहीं हो जाता। आवश्यकता विश्लेषण के दौरान किए जाने पर भी अपूर्ण आवश्यकताओं का पता लगाना आमतौर पर त्रुटि के लिए प्रवण, थकाऊ और मैन्युअल कार्य होता है। इस पेपर में एरेस का परिचय दिया गया है, जो पदानुक्रमित आवश्यकताओं के मॉडल के प्रतीकात्मक विश्लेषण का उपयोग करके अपूर्ण आवश्यकताओं के विघटन का पता लगाने के लिए एक डिजाइन-समय दृष्टिकोण है। हम उद्योग आधारित ऑटोमोटिव अनुकूली क्रूज नियंत्रण प्रणाली के आवश्यकताओं के मॉडल पर एरेस को लागू करके अपने दृष्टिकोण को स्पष्ट करते हैं। एरेस डिजाइन-समय पर अपूर्ण आवश्यकताओं के अपघटन के विशिष्ट उदाहरणों का स्वचालित रूप से पता लगाने में सक्षम है, जिनमें से कई सूक्ष्म हैं और मैन्युअल रूप से या परीक्षण के साथ पता लगाना मुश्किल होगा।

155ed7834a8a44a195b80719985a8b4ca11e6fdc

बहु-प्रवेश बहु-उत्पादन (एमआईएमओ) रडार पारंपरिक चरणबद्ध-सरणी रडार प्रणालियों की तुलना में तरंगरूप विविधता के माध्यम से बेहतर प्रदर्शन प्राप्त कर सकता है। जब एक एमआईएमओ रडार ऑर्थोगोनल तरंगों को प्रसारित करता है, तो स्कैटर से प्रतिबिंबित संकेत एक दूसरे से रैखिक रूप से स्वतंत्र होते हैं। इसलिए, अनुकूलन प्राप्त फिल्टर, जैसे कैपोन और आयाम और चरण अनुमान (एपीईएस) फिल्टर, सीधे एमआईएमओ रडार अनुप्रयोगों में नियोजित किए जा सकते हैं। हालांकि, उच्च स्तर के शोर और मजबूत अव्यवस्था के कारण डेटा-निर्भर बीमफॉर्मर का पता लगाने का प्रदर्शन काफी खराब हो जाता है। पुनरावर्ती अनुकूली दृष्टिकोण (आईएए), एक गैर-पैरामीटरिक और उपयोगकर्ता पैरामीटर-मुक्त भारित न्यूनतम-वर्ग एल्गोरिथ्म, हाल ही में कई निष्क्रिय और सक्रिय संवेदन अनुप्रयोगों में बेहतर संकल्प और हस्तक्षेप अस्वीकृति प्रदर्शन प्रदान करने के लिए दिखाया गया था। इस पेपर में, हम दिखाते हैं कि कैसे IAA को MIMO रडार इमेजिंग में विस्तारित किया जा सकता है, दोनों नगण्य और गैर-अ नगण्य इंट्रापल्से डॉपलर मामलों में, और हम IAA के कुछ सैद्धांतिक अभिसरण गुण भी स्थापित करते हैं। इसके अतिरिक्त, हम एक नियमित IAA एल्गोरिथ्म का प्रस्ताव करते हैं, जिसे IAA-R के रूप में संदर्भित किया जाता है, जो सिग्नल मॉडल में अप्रतिपादित योज्य शोर शर्तों के लिए लेखांकन करके IAA से बेहतर प्रदर्शन कर सकता है। एकल-इनपुट बहु-आउटपुट (एसआईएमओ) रडार पर एमआईएमओ रडार के बेहतर प्रदर्शन को प्रदर्शित करने के लिए संख्यात्मक उदाहरण प्रस्तुत किए गए हैं, और लक्ष्य इमेजिंग के लिए प्रस्तावित आईएए-आर विधि के साथ प्राप्त बेहतर प्रदर्शन को और उजागर किया गया है।

0cfe588996f1bc319f87c6f75160d1cf1542d9a9

20efcba63a0d9f12251a5e5dda745ac75a6a84a9

ccaab0cee02fe1e5ffde33b79274b66aedeccc65

परिवहन के भविष्य के रूप में, स्व-ड्राइविंग कारों पर सामाजिक, आर्थिक, इंजीनियरिंग, कंप्यूटर विज्ञान, डिजाइन और नैतिकता सहित विभिन्न दृष्टिकोणों से चर्चा की जा रही है। एक ओर, स्व-चालक कारें नई इंजीनियरिंग समस्याओं को प्रस्तुत करती हैं जिन्हें धीरे-धीरे सफलतापूर्वक हल किया जा रहा है। दूसरी ओर, सामाजिक और नैतिक समस्याओं को आमतौर पर एक आदर्श रूप से अनसुलझी निर्णय लेने की समस्या के रूप में प्रस्तुत किया जा रहा है, जिसे ट्रॉली समस्या कहा जाता है, जो कि भ्रामक है। हम तर्क देते हैं कि नई तकनीक के विकास के लिए एक लागू इंजीनियरिंग नैतिक दृष्टिकोण की आवश्यकता है; दृष्टिकोण को लागू किया जाना चाहिए, जिसका अर्थ है कि इसे जटिल वास्तविक दुनिया इंजीनियरिंग समस्याओं के विश्लेषण पर ध्यान केंद्रित करना चाहिए। स्व-चालित कारों के नियंत्रण के लिए सॉफ्टवेयर एक महत्वपूर्ण भूमिका निभाता है; इसलिए, सॉफ्टवेयर इंजीनियरिंग समाधानों को नैतिक और सामाजिक विचारों को गंभीरता से संभालना चाहिए। इस पत्र में हम नियामक उपकरणों, मानकों, डिजाइन और घटकों, प्रणालियों और सेवाओं के कार्यान्वयन पर करीब से नज़र डालते हैं और हम व्यावहारिक सामाजिक और नैतिक चुनौतियों को प्रस्तुत करते हैं जिन्हें पूरा करना होगा, साथ ही सॉफ्टवेयर इंजीनियरिंग के लिए नई अपेक्षाएं भी।

288c67457f09c0c30cadd7439040114e9c377bc3

अग्रवाल, इमेलिंस्की और स्वामी द्वारा प्रस्तुत संघ नियम, संबंध की 90% पंक्तियों के लिए के रूप के नियम हैं, यदि पंक्ति में सेट W के स्तंभों में 1 मान है, तो इसमें स्तंभ B में भी 1 है। बड़े डेटा संग्रहों से संघ नियम खोजने के लिए कुशल विधियां मौजूद हैं। हालांकि, खोजे गए नियमों की संख्या इतनी अधिक हो सकती है कि नियम सेट को ब्राउज़ करना और इसमें से दिलचस्प नियम ढूंढना उपयोगकर्ता के लिए काफी मुश्किल हो सकता है। हम दिखाते हैं कि कैसे नियम टेम्पलेट्स का एक सरल औपचारिकता दिलचस्प नियमों की संरचना का आसानी से वर्णन करना संभव बनाता है। हम नियमों के दृश्यीकरण के उदाहरण भी देते हैं, और दिखाते हैं कि कैसे एक दृश्य उपकरण नियम टेम्पलेट्स के साथ इंटरफेस करता है।

384bb3944abe9441dcd2cede5e7cd7353e9ee5f7

47f0f6a2fd518932734cc90936292775cc95aa5d

b336f946d34cb427452517f503ada4bbe0181d3c

वीडियो समझ में हालिया प्रगति और वर्षों के दौरान अस्थायी कार्रवाई स्थानीयकरण में सुधार की निरंतर दर के बावजूद, यह अभी भी स्पष्ट नहीं है कि कितनी दूर (या करीब? हम समस्या को हल करने के लिए कर रहे हैं. इस उद्देश्य के लिए, हम वीडियो में अस्थायी क्रिया डिटेक्टरों के प्रदर्शन का विश्लेषण करने और एक एकल स्केलर मीट्रिक से परे विभिन्न तरीकों की तुलना करने के लिए एक नया नैदानिक उपकरण पेश करते हैं। हम अपने टूल के उपयोग का उदाहरण देते हैं नवीनतम एक्टिविटीनेट एक्शन स्थानीयकरण चुनौती में शीर्ष पुरस्कृत प्रविष्टियों के प्रदर्शन का विश्लेषण करके। हमारे विश्लेषण से पता चलता है कि सबसे प्रभावशाली क्षेत्रों पर काम करने के लिए हैंः उदाहरणों के आसपास समय के संदर्भ को बेहतर ढंग से संभालने के लिए रणनीतियाँ, w.r.t. की मजबूती में सुधार उदाहरण पूर्ण और सापेक्ष आकार, और स्थानीयकरण त्रुटियों को कम करने के लिए रणनीतियाँ। इसके अलावा, हमारे प्रयोगात्मक विश्लेषण में पाया गया है कि एनोटेटर के बीच सहमति का अभाव क्षेत्र में प्रगति प्राप्त करने के लिए एक प्रमुख बाधा नहीं है। हमारा निदान उपकरण सार्वजनिक रूप से उपलब्ध है अन्य शोधकर्ताओं के दिमाग को ईंधन देने के लिए उनके एल्गोरिदम के बारे में अतिरिक्त अंतर्दृष्टि के साथ।

160404fb0d05a1a2efa593c448fcb8796c24b873

प्रतिनिधित्व के अनुकरण सिद्धांत को एक ढांचे के रूप में विकसित और अन्वेषित किया जाता है जो मस्तिष्क के विभिन्न प्रकार के प्रतिनिधित्व कार्यों को संश्लेषित कर सकता है। यह ढांचा नियंत्रण सिद्धांत (फॉरवर्ड मॉडल) और सिग्नल प्रोसेसिंग (कल्मान फिल्टर) से निर्मित है। विचार यह है कि शरीर और पर्यावरण के साथ बस संलग्न होने के अलावा, मस्तिष्क तंत्रिका सर्किट बनाता है जो शरीर और पर्यावरण के मॉडल के रूप में कार्य करते हैं। स्पष्ट संवेदी-मोटर जुड़ाव के दौरान, इन मॉडलों को संवेदी प्रतिक्रिया की अपेक्षाएं प्रदान करने और संवेदी जानकारी को बढ़ाने और संसाधित करने के लिए शरीर और पर्यावरण के समानांतर प्रभाव प्रतियों द्वारा संचालित किया जाता है। इन मॉडलों को चित्रों का उत्पादन करने, विभिन्न कार्यों के परिणामों का अनुमान लगाने और मोटर योजनाओं का मूल्यांकन और विकास करने के लिए ऑफ-लाइन भी चलाया जा सकता है। इस ढांचे को शुरू में मोटर नियंत्रण के संदर्भ में विकसित किया गया है, जहां यह दिखाया गया है कि शरीर के समानांतर चलने वाले आंतरिक मॉडल प्रतिक्रिया देरी की समस्याओं के प्रभावों को कम कर सकते हैं। एक ही तंत्र मोटर इमेजरी के लिए कारण हो सकता है जैसे कि एमुलेटर के ऑफ-लाइन ड्राइविंग के माध्यम से इफ्रेन्स प्रतियां। ढांचे को मोटर-विजुअल लूप के एमुलेटर के ऑफ-लाइन ड्राइविंग के रूप में दृश्य इमेजरी के लिए विस्तारित किया गया है। मैं यह भी दिखाता हूं कि ऐसी प्रणालियां कैसे अमोडल स्थानिक इमेजरी प्रदान कर सकती हैं। दृश्य धारणा सहित धारणा, संवेदी इनपुट की अपेक्षाओं को बनाने और व्याख्या करने के लिए ऐसे मॉडलों के उपयोग से उत्पन्न होती है। मैं संक्षेप में अन्य संज्ञानात्मक कार्यों की रूपरेखा तैयार करके समाप्त करता हूं जो इस ढांचे के भीतर संश्लेषित किए जा सकते हैं, जिसमें तर्क, मन की घटनाओं का सिद्धांत और भाषा शामिल हैं।

65c85498be307ee940976db668dae4546943a4c8

761f2288b1b0cea385b0b9a89bb068593d94d6bd

3डी चेहरे की पहचान उद्योग और अकादमिक दोनों क्षेत्रों में एक रुझान अनुसंधान दिशा बन गई है। यह पारंपरिक 2 डी चेहरे की पहचान से लाभ प्राप्त करता है, जैसे कि प्राकृतिक पहचान प्रक्रिया और अनुप्रयोगों की एक विस्तृत श्रृंखला। इसके अलावा, 3डी फेस रिकग्निशन सिस्टम मंद रोशनी में और चेहरे की विभिन्न स्थितियों और अभिव्यक्तियों के साथ भी मानव चेहरों को सही ढंग से पहचान सकता है, ऐसी परिस्थितियों में 2डी फेस रिकग्निशन सिस्टम को संचालित करने में भारी कठिनाई होगी। यह पत्र 3 डी चेहरे की पहचान अनुसंधान क्षेत्र में इतिहास और सबसे हालिया प्रगति का सारांश देता है। सीमांत अनुसंधान के परिणामों को तीन श्रेणियों में प्रस्तुत किया गया हैः स्थिति-अपरिवर्तनीय मान्यता, अभिव्यक्ति-अपरिवर्तनीय मान्यता और आवरण-अपरिवर्तनीय मान्यता। भविष्य के अनुसंधान को बढ़ावा देने के लिए, यह पत्र सार्वजनिक रूप से उपलब्ध 3 डी चेहरे डेटाबेस के बारे में जानकारी एकत्र करता है। इस पत्र में महत्वपूर्ण खुली समस्याओं की भी सूची दी गई है।

2d2b1f9446e9b4cdb46327cda32a8d9621944e29

सोशल नेटवर्किंग साइट्स पर पिछले कुछ वर्षों में लोगों की भागीदारी में काफी वृद्धि हुई है। फ्रेंडस्टर, ट्राइब या फेसबुक जैसी सेवाएं लाखों लोगों को ऑनलाइन प्रोफाइल बनाने और दोस्तों के विशाल नेटवर्क के साथ व्यक्तिगत जानकारी साझा करने की अनुमति देती हैं - और अक्सर, अज्ञात संख्या में अजनबियों के साथ। इस पेपर में हम ऑनलाइन सोशल नेटवर्क में सूचना के प्रकटीकरण के पैटर्न और उनके गोपनीयता निहितार्थ का अध्ययन करते हैं। हमने चार हज़ार से अधिक कार्नेगी मेलन यूनिवर्सिटी के छात्रों के ऑनलाइन व्यवहार का विश्लेषण किया जो एक लोकप्रिय सोशल नेटवर्किंग साइट में शामिल हुए जो कॉलेजों के लिए है। हम उनकी जानकारी का मूल्यांकन करते हैं और साइट की गोपनीयता सेटिंग्स के उनके उपयोग का अध्ययन करते हैं। हम उनकी गोपनीयता के विभिन्न पहलुओं पर संभावित हमलों को उजागर करते हैं, और हम दिखाते हैं कि उपयोगकर्ताओं का केवल एक न्यूनतम प्रतिशत अत्यधिक पारगम्य गोपनीयता वरीयताओं को बदलता है।

e9c525679fed4dad85699d09b5ce1ccaffe8f11d

192687300b76bca25d06744b6586f2826c722645

इस लेख में हम गहरी गॉसियन प्रक्रिया (जीपी) मॉडल का परिचय देते हैं। गहरे जीपी गहरे विश्वास नेटवर्क हैं जो गॉसी प्रक्रिया मैपिंग पर आधारित हैं। डेटा को बहु-परिवर्तनीय जीपी के आउटपुट के रूप में मॉडलिंग किया जाता है। उस गॉसियन प्रक्रिया के लिए इनपुट तब एक और जीपी द्वारा शासित होते हैं। एक एकल परत मॉडल एक मानक जीपी या जीपी लुप्त चर मॉडल (जीपी-एलवीएम) के बराबर है। हम अनुमानित भिन्नता मार्जिन द्वारा मॉडल में अनुमान लगाते हैं। इससे मॉडल की सीमांत संभावना पर एक सख्त निचली सीमा होती है जिसका उपयोग हम मॉडल चयन के लिए करते हैं (प्रति परत परतों और नोड्स की संख्या) । गहरी विश्वास नेटवर्क आमतौर पर अनुकूलन के लिए स्टोचैस्टिक ग्रेडिएंट वंश का उपयोग करते हुए अपेक्षाकृत बड़े डेटा सेट पर लागू होते हैं। हमारा पूर्ण बेयसियन उपचार डेटा दुर्लभ होने पर भी गहरे मॉडल के अनुप्रयोग की अनुमति देता है। हमारे परिवर्तनशील बाउंड द्वारा मॉडल चयन से पता चलता है कि केवल 150 उदाहरणों वाले अंक डेटा सेट को मॉडलिंग करते समय भी पांच परतों का पदानुक्रम उचित है।

2cac0942a692c3dbb46bcf826d71d202ab0f2e02

हम एक मान्यता मॉडल के साथ गहरी गॉसी प्रक्रियाओं को बढ़ाकर एक स्केलेबल गहरी गैर-पैरामीटर जनरेटिव मॉडल विकसित करते हैं। अनुमान एक उपन्यास स्केलेबल वैरिएशनल फ्रेमवर्क में किया जाता है जहां वैरिएशनल पाश्चात्य वितरण को बहुपरत पर्सेप्ट्रॉन के माध्यम से पुनः पैरामीटर किया जाता है। इस पुनर्गठन का मुख्य पहलू यह है कि यह परिवर्तनशील मापदंडों के प्रसार को रोकता है जो अन्यथा नमूना आकार के अनुपात में रैखिक रूप से बढ़ते हैं। हम भिन्नता के निचले सीमा के एक नए सूत्र को प्राप्त करते हैं जो हमें अधिकांश गणना को इस तरह से वितरित करने की अनुमति देता है जो मुख्यधारा के गहरे सीखने के कार्यों के आकार के डेटासेट को संभालने में सक्षम बनाता है। हम विभिन्न प्रकार की चुनौतियों पर विधि की प्रभावशीलता दिखाते हैं जिसमें गहरी अनसुर्क्षित शिक्षा और गहरी बेयसियन अनुकूलन शामिल हैं।

722fcc35def20cfcca3ada76c8dd7a585d6de386

कैफे मल्टीमीडिया वैज्ञानिकों और चिकित्सकों को अत्याधुनिक गहरी सीखने के एल्गोरिदम और संदर्भ मॉडल के संग्रह के लिए एक स्वच्छ और संशोधित ढांचे के साथ प्रदान करता है। फ्रेमवर्क बीएसडी-लाइसेंस प्राप्त सी ++ लाइब्रेरी है जिसमें पाइथन और मैटलाब बाइंडिंग्स हैं जो कमोडिटी आर्किटेक्चर पर कुशलता से सामान्य-उद्देश्य वाले संवहन तंत्रिका नेटवर्क और अन्य गहरे मॉडल को प्रशिक्षित करने और तैनात करने के लिए हैं। कैफे उद्योग और इंटरनेट-स्केल मीडिया की जरूरतों को CUDA GPU कंप्यूटेशन द्वारा पूरा करता है, जो एक ही K40 या टाइटन GPU (प्रति छवि लगभग 2 ms) पर एक दिन में 40 मिलियन से अधिक छवियों को संसाधित करता है। मॉडल प्रतिनिधित्व को वास्तविक कार्यान्वयन से अलग करके, कैफे प्रयोग और विकास की आसानी के लिए प्लेटफार्मों के बीच निर्बाध स्विचिंग और प्रोटोटाइप मशीनों से क्लाउड वातावरण में तैनाती की अनुमति देता है। कैफे को बर्कले विजन एंड लर्निंग सेंटर (बीवीएलसी) द्वारा गिटहब पर योगदानकर्ताओं के सक्रिय समुदाय की मदद से बनाए रखा और विकसित किया गया है। यह चल रही अनुसंधान परियोजनाओं, बड़े पैमाने पर औद्योगिक अनुप्रयोगों और दृष्टि, भाषण और मल्टीमीडिया में स्टार्टअप प्रोटोटाइप को शक्ति प्रदान करता है।

fd50fa6954e1f6f78ca66f43346e7e86b196b137

शहरीकरण की बढ़ती प्रक्रिया के साथ, शहरी स्थान में लोगों की गतिविधियों को व्यवस्थित रूप से मॉडलिंग करना एक महत्वपूर्ण सामाजिक-आर्थिक कार्य के रूप में पहचाना जा रहा है। विश्वसनीय डेटा स्रोतों की कमी के कारण यह कार्य वर्षों पहले लगभग असंभव था, फिर भी भू-टैग किए गए सोशल मीडिया (जीटीएसएम) डेटा का उदय इस पर नई रोशनी डालता है। हाल ही में, जीटीएसएम डेटा से भौगोलिक विषयों की खोज करने पर फलदायी अध्ययन हुए हैं। हालांकि, उनकी उच्च गणना लागत और छिपे हुए विषयों के बारे में मजबूत वितरण मान्यताओं ने उन्हें जीटीएसएम की शक्ति को पूरी तरह से जारी करने से रोक दिया है। इस अंतर को पाटने के लिए, हम क्रॉसमैप प्रस्तुत करते हैं, जो एक उपन्यास क्रॉसमोडल प्रतिनिधित्व सीखने की विधि है जो बड़े पैमाने पर जीटीएसएम डेटा के साथ शहरी गतिशीलता को उजागर करती है। क्रॉसमैप पहले लोगों की गतिविधियों के अंतर्गत आने वाले स्थानिक-समयिक हॉटस्पॉट का पता लगाने के लिए एक त्वरित मोड खोज प्रक्रिया का उपयोग करता है। इन पता लगाए गए हॉटस्पॉट न केवल स्थानिक-समयिक भिन्नताओं को संबोधित करते हैं, बल्कि जीटीएसएम डेटा की विरलता को भी काफी हद तक कम करते हैं। पता लगाए गए हॉटस्पॉट के साथ, क्रॉसमैप फिर संयुक्त रूप से सभी स्थानिक, सामयिक और पाठ्य इकाइयों को दो अलग-अलग रणनीतियों का उपयोग करके एक ही स्थान में एम्बेड करता हैः एक पुनर्निर्माण-आधारित है और दूसरा ग्राफ-आधारित है। दोनों रणनीतियाँ इकाइयों के बीच सहसंबंध को उनके सह-घटना और पड़ोस संबंधों को एन्कोड करके पकड़ती हैं, और ऐसे सहसंबंधों को संरक्षित करने के लिए निम्न आयामी प्रतिनिधित्व सीखती हैं। हमारे प्रयोगों से पता चलता है कि क्रॉसमैप न केवल गतिविधि वसूली और वर्गीकरण के लिए अत्याधुनिक तरीकों से काफी बेहतर है, बल्कि बहुत बेहतर दक्षता भी प्राप्त करता है।

ce8d99e5b270d15dc09422c08c500c5d86ed3703

मानव चाल का विश्लेषण एक अंतर्निहित चाल हस्ताक्षर खोजने में मदद करता है जिसके माध्यम से व्यापक स्पेक्ट्रम में सर्वव्यापी मानव पहचान और चिकित्सा विकार समस्याओं की जांच की जा सकती है। पैदल चलने की बायोमेट्रिक एक ऐसी सुविधा प्रदान करती है जिसके द्वारा वीडियो पैदल चलने के आंकड़ों को विषय की पूर्व जागरूकता के बिना अधिक दूरी पर कैप्चर किया जा सकता है। इस पेपर में, एक नई तकनीक का अध्ययन किया गया है किनेट एक्सबॉक्स डिवाइस के साथ मानव पैदल का विश्लेषण। यह हमें स्वचालित पृष्ठभूमि घटाव तकनीक के साथ विभाजन त्रुटियों को कम करने के लिए सुनिश्चित करता है। निकट से समान मानव कंकाल मॉडल को पृष्ठभूमि से घटाए गए पैदल चित्रों से उत्पन्न किया जा सकता है, जो सह-परिवर्तित स्थितियों से बदलते हैं, जैसे चलने की गति में परिवर्तन और कपड़ों के प्रकार में भिन्नता। पैदल चलने के संकेतों को विषय के कंकाल मॉडल के बाएं कूल्हे, बाएं घुटने, दाएं कूल्हे और दाएं घुटने के संयुक्त कोण के प्रक्षेपवक्र से कैप्चर किया जाता है। किनेक्ट पैदल चलने के आंकड़ों पर प्रयोगात्मक सत्यापन की तुलना हमारे इन-हाउस विकास के सेंसर आधारित बायोमेट्रिक सूट, इंटेलिजेंट पैदल चलने वाला ऑसिलेशन डिटेक्टर (आईजीओडी) से की गई है। इस सेंसर आधारित बायोमेट्रिक सूट को मजबूत चाल पहचान प्रणाली के प्रसार के लिए किनेक्ट डिवाइस के साथ बदला जा सकता है या नहीं, इसकी जांच करने का प्रयास किया गया है। फीचर वेक्टर की भेदभाव शक्ति को देखने के लिए प्रशिक्षण पैदल हस्ताक्षर पर फिशर भेदभाव विश्लेषण लागू किया गया है। नैव बेयसियन वर्गीकरणकर्ता Kinect सेंसर द्वारा कैप्चर किए गए सीमित डेटासेट पर त्रुटियों के अनुमान के साथ एक उत्साहजनक वर्गीकरण परिणाम प्रदर्शित करता है।

582ea307db25c5764e7d2ed82c4846757f4e95d7

फलन अनुमान को पैरामीटर स्थान के बजाय फलन स्थान में संख्यात्मक अनुकूलन के दृष्टिकोण से देखा जाता है। चरणबद्ध योजक विस्तार और सबसे अधिक खड़ी अवरोही न्यूनतमकरण के बीच एक संबंध बनाया गया है। किसी भी मानदंड के आधार पर एक सामान्य ढाल (अधिकतर ढाल) वृद्धि के लिए एक सामान्य ढाल विकसित किया गया है। विशिष्ट एल्गोरिदम न्यूनतम वर्गों, न्यूनतम पूर्ण विचलन और ह्यूबर एम हानि कार्यों के लिए प्रतिगमन के लिए प्रस्तुत किए जाते हैं, और वर्गीकरण के लिए बहु-वर्ग रसद संभावना। विशेष संवर्द्धन विशेष मामले के लिए व्युत्पन्न किया जाता है जहां व्यक्तिगत योजक घटक निर्णय वृक्ष होते हैं, और ऐसे "ट्रीबूस्ट" मॉडल की व्याख्या के लिए उपकरण प्रस्तुत किए जाते हैं। निर्णय पेड़ों के ढालदार वृद्धि से प्रतिगमन और वर्गीकरण के लिए प्रतिस्पर्धी, अत्यधिक मजबूत, व्याख्या करने योग्य प्रक्रियाएं उत्पन्न होती हैं, जो विशेष रूप से स्वच्छ डेटा से कम खनन के लिए उपयुक्त होती हैं। इस दृष्टिकोण और फ्रॉइड और शेपियर 1996 और फ्राइडमैन, हस्टी और टिबशिरानी 1998 की उत्तेजना विधियों के बीच संबंधों पर चर्चा की गई है। 1 फलन अनुमान फलन अनुमान समस्या में एक प्रणाली है जिसमें एक यादृच्छिक \आउटपुट" या \प्रतिक्रिया" चर y और यादृच्छिक \इनपुट" या \व्याख्यात्मक" चरों का एक सेट x = fx1;; xng है। ज्ञात (y;x) {मानों का एक \training" नमूना fyi;xig N 1 दिया गया है, लक्ष्य एक फ़ंक्शन F (x) को n करना है जो x को y से मैप करता है, इस प्रकार कि सभी (y;x) {मानों के संयुक्त वितरण पर, कुछ निर्दिष्ट हानि फ़ंक्शन (y; F (x)) का अपेक्षित मूल्य कम से कम हो जाता है F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) अक्सर प्रयुक्त हानि फ़ंक्शंस (y; F) में y 2 R (रिग्रेशन) के लिए squared{error (y F ) और पूर्ण त्रुटि jy j F शामिल हैं, और नकारात्मक द्विआधारी लॉगॉमी {likelihood, log1 + e 2y F), जब y 2 f 1 g (वर्गीकरण 1) । एक सामान्य प्रक्रिया यह है कि F (x) को F (x;P) फलनों के एक पैरामीटर वर्ग का सदस्य माना जाए, जहां P = fP1; P2; g पैरामीटर का एक सेट है। इस लेख में हम इस रूप के "संकलन" विस्तार पर ध्यान केंद्रित करेंगे

6a7c63a73724c0ca68b1675e256bb8b9a35c94f4

JSTOR संग्रह का आपका उपयोग JSTOR के उपयोग के नियम और शर्तों की आपकी स्वीकृति को दर्शाता है, जो http://www.jstor.org/about/terms.html पर उपलब्ध है। JSTOR के उपयोग के नियम और शर्तें, भाग में, प्रदान करती हैं कि जब तक आपने पूर्व अनुमति प्राप्त नहीं की है, आप किसी पत्रिका के पूरे अंक या लेखों की कई प्रतियां डाउनलोड नहीं कर सकते हैं, और आप JSTOR संग्रह में सामग्री का उपयोग केवल अपने व्यक्तिगत, गैर-व्यावसायिक उपयोग के लिए कर सकते हैं। कृपया इस काम के किसी भी आगे के उपयोग के बारे में प्रकाशक से संपर्क करें। प्रकाशकों की संपर्क जानकारी http://www.jstor.org/journals/econosoc.html पर प्राप्त की जा सकती है। जेएसटीओआर प्रसारण के किसी भी भाग की प्रत्येक प्रति में उसी कॉपीराइट नोटिस को शामिल करना होगा जो इस तरह के प्रसारण की स्क्रीन या मुद्रित पृष्ठ पर दिखाई देता है।

8eca169f19425c76fa72078824e6a91a5b37f470

कम लागत और उच्च प्रदर्शन वाली रडार प्रणालियों के सफल डिजाइन के लिए सटीक और कुशल प्रणाली सिमुलेशन एक प्रमुख आवश्यकता है। इस लेख में हम आवृत्ति-संचालित निरंतर-तरंग रडार प्रणालियों के लिए एक नया बहुमुखी सिमुलेशन वातावरण प्रस्तुत करते हैं। सामान्य हार्डवेयर सिमुलेशन के अलावा इसमें सिग्नल संश्लेषण से लेकर बेसबैंड तक एकीकृत प्रणाली सिमुलेशन और अवधारणा विश्लेषण शामिल है। इसमें एक लचीला परिदृश्य जनरेटर, सटीक शोर मॉडलिंग शामिल है, और सिग्नल प्रोसेसिंग एल्गोरिदम के विकास और परीक्षण के लिए कुशलतापूर्वक सिमुलेशन डेटा प्रदान करता है। एक एकीकृत 77-जीएचजेड रडार प्रोटोटाइप के लिए सिमुलेशन और माप परिणामों की तुलना दो अलग-अलग परिदृश्यों पर सिम्युलेटर की क्षमताओं को दर्शाती है।

71337276460b50a2cb37959a2d843e593dc4fdcc

एक नवीन गैर-पृथक तीन-पोर्ट कनवर्टर (एनआई-टीपीसी) प्रस्तावित है जो एक पीवी पोर्ट, एक द्विदिश बैटरी पोर्ट और एक लोड पोर्ट को जोड़ता है। तीनों बंदरगाहों में से किसी दो के बीच एकल चरण शक्ति रूपांतरण प्राप्त किया जाता है। टोपॉलजी को पारंपरिक संरचना के द्विदिश विद्युत प्रवाह पथ को दो एकदिश में विच्छेदित करके प्राप्त किया जाता है। तीनों में से दो पोर्टों को पीवी के लिए अधिकतम बिजली की कटाई या बैटरी के लिए चार्ज नियंत्रण प्राप्त करने के लिए कसकर विनियमित किया जा सकता है, और एक ही समय में लोड वोल्टेज को स्थिर बनाए रखा जा सकता है, जबकि तीसरे पोर्ट को कनवर्टर के पावर असंतुलन की भरपाई के लिए लचीला छोड़ दिया जाता है। संचालन की स्थिति का विश्लेषण किया जाता है। बहु-विनियमन प्रतियोगिता नियंत्रण रणनीति प्रस्तुत की जाती है ताकि PV इनपुट पावर में उतार-चढ़ाव होने पर स्वायत्त और सुचारू राज्य स्विचिंग प्राप्त किया जा सके। विश्लेषण का प्रयोगात्मक परिणामों द्वारा सत्यापन किया जाता है।

ac8877b0e87625e26f52ab75e84c534a576b1e77

डिजिटल दुनिया में, व्यवसाय के अधिकारियों को अपनी कंपनियों के मूल्य सृजन के लिए सूचना और सूचना प्रबंधन के रणनीतिक महत्व के बारे में अधिक जागरूकता है। यह सीआईओ के लिए नेतृत्व के अवसर और चुनौतियां दोनों पेश करता है। सीआईओ पद को हाशिए पर आने से रोकने और व्यावसायिक मूल्य सृजन में सीआईओ के योगदान को बढ़ाने के लिए, उन्हें सक्षम आईटी उपयोगिता प्रबंधकों से आगे बढ़कर अपनी कंपनियों को एक मजबूत सूचना उपयोग संस्कृति बनाने में मदद करने में सक्रिय भूमिका निभानी चाहिए। इस लेख का उद्देश्य उन नेतृत्व के दृष्टिकोणों की बेहतर समझ प्रदान करना है जो सीआईओ और व्यवसाय के कार्यकारी अपने कंपनियों की सूचना उन्मुखीकरण में सुधार के लिए अपना सकते हैं। चार केस स्टडीज के निष्कर्षों के आधार पर हमने चार क्वाड्रंट्स का नेतृत्व-स्थिति ढांचा बनाया है। यह ढांचा सीआईओ के दृष्टिकोण से बनाया गया है और यह दर्शाता है कि एक सीआईओ अपने रणनीतिक फोकस को प्राप्त करने के लिए कंपनी के सूचना अभिविन्यास को विकसित करने में एक नेता, अनुयायी या एक गैर-खिलाड़ी के रूप में कार्य कर सकता है। लेख के अंत में दिशानिर्देश दिए गए हैं जिनका उपयोग सीआईओ अपनी कंपनियों की सूचना उन्मुखीकरण पहल को शुरू करने या बनाए रखने में अपनी नेतृत्व चुनौतियों को स्थापित करने में मदद करने के लिए कर सकते हैं और सीआईओ की विशेष स्थितियों के आधार पर विशिष्ट नेतृत्व दृष्टिकोण की सिफारिश करते हैं।

5c6b51bb44c9b2297733b58daaf26af01c98fe09

इस पेपर में व्यवस्थित रूप से दो फीचर निष्कर्षण एल्गोरिदम की तुलना ग्राहकों की समीक्षाओं में टिप्पणी की गई खनन उत्पाद विशेषताओं से की गई है। पहला दृष्टिकोण [17] पीओएस पैटर्न के एक सेट को लागू करके और लॉग संभावना अनुपात परीक्षण के आधार पर उम्मीदवार सेट को छंटनी करके उम्मीदवार सुविधाओं की पहचान करता है। दूसरा दृष्टिकोण [11] अक्सर होने वाली विशेषताओं की पहचान करने के लिए संघ नियम खनन और दुर्लभ विशेषताओं की पहचान करने के लिए भावनात्मक शब्दों की उपस्थिति पर आधारित एक heuristic लागू करता है। हम उपभोक्ता इलेक्ट्रॉनिक उपकरणों के बारे में पांच उत्पाद विशिष्ट दस्तावेज़ संग्रह पर एल्गोरिदम के प्रदर्शन का मूल्यांकन करते हैं। हम त्रुटियों का विश्लेषण करते हैं और एल्गोरिदम के फायदे और सीमाओं पर चर्चा करते हैं।

623fd6adaa5585707d8d7339b5125185af6e3bf1

वर्तमान अध्ययन इंटरनेट गेमिंग विकार (आईजीडी) के लिए हस्तक्षेपों का एक अर्ध-प्रयोगात्मक, भावी अध्ययन है। एक सौ चार माता-पिता और उनके किशोर बच्चों को चार उपचार समूहों में से एक में नामांकित किया गया और आवंटित किया गया; 7 दिन का सिरीराज थेरेप्यूटिक रेजिडेंशियल कैंप (एस-टीआरसी) अकेले, 8 सप्ताह का गेम एडिक्शन (पीएमटी-जी) के लिए अभिभावक प्रबंधन प्रशिक्षण अकेले, संयुक्त एस-टीआरसी और पीएमटी-जी, और बुनियादी मनोशिक्षा (नियंत्रण) । आईजीडी की गंभीरता को गेमिंग एडिक्शन स्क्रीनिंग टेस्ट (जीएएसटी) द्वारा मापा गया। समूहों के बीच GAST स्कोर में औसत अंतर सांख्यिकीय रूप से महत्वपूर्ण था, जिसमें क्रमशः 1, 3, और 6 महीने बाद P मान < 0. 001, 0. 002, और 0. 005 था। सभी समूहों में नियंत्रण समूह की तुलना में सुधार दिखाया गया। उन किशोरों का प्रतिशत जो नशे की लत या नशे की लत होने की संभावना वाले समूहों में बने रहे, एस-टीआरसी, पीएमटी-जी और संयुक्त समूहों में 50% से कम था। निष्कर्ष में, एस-टीआरसी और पीएमटी-जी दोनों आईजीडी के लिए प्रभावी मनोसामाजिक हस्तक्षेप थे और अकेले बुनियादी मनोशिक्षा से बेहतर थे।

aca437e9e2a453c84a38d716ca9a7a7683ae58b6

यह पेपर सहज ज्ञान युक्त यांत्रिकी का उपयोग करके वस्तु की स्थिरता और सुरक्षा का तर्क देकर 3 डी दृश्य की समझ के लिए एक नया परिप्रेक्ष्य प्रस्तुत करता है। हमारा दृष्टिकोण एक साधारण अवलोकन का उपयोग करता है कि, मानव डिजाइन द्वारा, स्थैतिक दृश्यों में वस्तुओं को गुरुत्वाकर्षण क्षेत्र में स्थिर होना चाहिए और मानव गतिविधियों जैसे विभिन्न भौतिक गड़बड़ी के संबंध में सुरक्षित होना चाहिए। यह धारणा सभी दृश्य श्रेणियों पर लागू होती है और दृश्य समझ में संभावित व्याख्याओं (पार्स) के लिए उपयोगी बाधाएं डालती है। गहराई कैमरों द्वारा स्थिर दृश्य के लिए कैप्चर किए गए एक 3 डी बिंदु बादल को देखते हुए, हमारी विधि में तीन चरण शामिल हैंः (i) वोक्सल से ठोस 3 डी वॉल्यूमेट्रिक आदिमों को पुनर्प्राप्त करना; (ii) स्थिरता और दृश्य पूर्व का अनुकूलन करके अस्थिर आदिमों को शारीरिक रूप से स्थिर वस्तुओं में समूहीकृत करके तर्क स्थिरता; और (iii) मानव गतिविधि, हवा या भूकंप जैसे भौतिक गड़बड़ी के तहत वस्तुओं के लिए भौतिक जोखिमों का मूल्यांकन करके तर्क सुरक्षा। हम एक उपन्यास सहज ज्ञान युक्त भौतिकी मॉडल को अपनाते हैं और दृश्य में प्रत्येक आदिम और वस्तु के ऊर्जा परिदृश्य को एक विच्छेदन ग्राफ (डीजी) द्वारा दर्शाते हैं। हम एक संपर्क ग्राफ का निर्माण करते हैं जिसमें नोड्स 3 डी वॉल्यूमेट्रिक आदिम होते हैं और किनारों का समर्थन करने वाले संबंधों का प्रतिनिधित्व करते हैं। फिर हम एक स्वेंडसन-वांग कटौती एल्गोरिथ्म को अपनाने के लिए समूहों में संपर्क ग्राफ विभाजन, जिनमें से प्रत्येक एक स्थिर वस्तु है। स्थिर दृश्य में असुरक्षित वस्तुओं का पता लगाने के लिए, हमारी विधि दृश्य में छिपे हुए और स्थित कारणों (परेशानियों) को और अधिक अनुमानित करती है, और फिर संभावित प्रभावों (जैसे, गिरने) की भविष्यवाणी करने के लिए सहज भौतिक यांत्रिकी पेश करती है। प्रयोगों में, हम प्रदर्शित करते हैं कि एल्गोरिथ्म (i) ऑब्जेक्ट सेगमेंटेशन, (ii) 3 डी वॉल्यूमेट्रिक रिकवरी, और (iii) दृश्य समझ के लिए अन्य अत्याधुनिक तरीकों के संबंध में काफी बेहतर प्रदर्शन प्राप्त करता है। हम भी तुलना सुरक्षा भविष्यवाणी से सहज ज्ञान युक्त यांत्रिकी मॉडल के साथ मानव निर्णय.

7e9507924ceebd784503fd25128218a7119ff722

हमारा दृष्टिकोण प्रत्येक पाठ्य को विषय ग्राफ के रूप में मॉडल करता है। इन ग्राफों को एक सुसंगत ग्राफ मिलान विधि का उपयोग करके मेल दिया जाता है। इसके बाद, हम एक स्तर-की-विवरण (एलओडी) दृश्य विकसित करते हैं जो पठनीयता और स्थिरता दोनों को संतुलित करता है। तदनुसार, परिणामी दृश्यता उपयोगकर्ताओं की क्षमता को कई दृष्टिकोणों से मिलान किए गए ग्राफ को समझने और विश्लेषण करने में सुधार करती है। मीट्रिक लर्निंग और फीचर सिलेक्शन को ग्राफ मिलान एल्गोरिथ्म में शामिल करके, हम उपयोगकर्ताओं को उनकी सूचना की जरूरतों के आधार पर ग्राफ मिलान परिणाम को इंटरैक्टिव रूप से संशोधित करने की अनुमति देते हैं। हमने समाचार लेखों, ट्वीट्स और ब्लॉग डेटा सहित विभिन्न प्रकार के डेटा पर अपना दृष्टिकोण लागू किया है। मात्रात्मक मूल्यांकन और वास्तविक दुनिया के केस स्टडी हमारे दृष्टिकोण के वादे को प्रदर्शित करते हैं, विशेष रूप से विभिन्न स्तरों पर विस्तार के विषय-ग्राफ-आधारित पूर्ण तस्वीर की जांच के समर्थन में। यह पत्र समाचार, ब्लॉग या माइक्रो-ब्लॉग जैसे कई स्रोतों में चर्चा किए गए प्रासंगिक विषयों की पूरी तस्वीर का विश्लेषण करने के लिए एक दृश्य विश्लेषण दृष्टिकोण प्रस्तुत करता है। पूर्ण चित्र में कई स्रोतों द्वारा कवर किए गए कई सामान्य विषयों के साथ-साथ प्रत्येक स्रोत से विशिष्ट विषय शामिल हैं।

b04a503487bc6505aa8972fd690da573f771badb

गहरी तंत्रिका धारणा और नियंत्रण नेटवर्क सेल्फ ड्राइविंग वाहनों का एक प्रमुख घटक होने की संभावना है। इन मॉडलों को समझाया जा सकता है - वे उनके व्यवहार के लिए तर्कसंगत व्याख्या करने के लिए आसान प्रदान करना चाहिए - ताकि यात्री, बीमा कंपनियां, कानून प्रवर्तन, डेवलपर्स आदि, समझ सकते हैं कि एक विशेष व्यवहार को ट्रिगर किया गया था। यहाँ हम दृश्य व्याख्याओं के उपयोग का पता लगाते हैं। ये स्पष्टीकरण वास्तविक समय में एक छवि के हाइलाइट किए गए क्षेत्रों के रूप में होते हैं जो नेटवर्क के आउटपुट (स्टीयरिंग कंट्रोल) को प्रभावित करते हैं। हमारा दृष्टिकोण दो चरणों का है। पहले चरण में, हम एक दृश्य ध्यान मॉडल का उपयोग कर एक संवहन नेटवर्क को चित्रों से स्टीयरिंग कोण तक अंत-से-अंत तक प्रशिक्षित करते हैं। ध्यान मॉडल उन छवि क्षेत्रों को उजागर करता है जो संभावित रूप से नेटवर्क के आउटपुट को प्रभावित करते हैं। इनमें से कुछ प्रभाव वास्तविक हैं, लेकिन कुछ झूठे हैं। फिर हम एक कारण फिल्टरिंग चरण लागू करने के लिए निर्धारित करने के लिए जो इनपुट क्षेत्रों वास्तव में उत्पादन को प्रभावित करते हैं। इससे अधिक संक्षिप्त दृश्य स्पष्टीकरण प्राप्त होते हैं और नेटवर्क के व्यवहार को अधिक सटीक रूप से उजागर किया जाता है। हम 16 घंटे की ड्राइविंग के तीन डेटासेट पर हमारे मॉडल की प्रभावशीलता का प्रदर्शन करते हैं। हम पहले यह दिखाते हैं कि ध्यान के साथ प्रशिक्षण अंत-से-अंत नेटवर्क के प्रदर्शन को नीचा नहीं करता है। फिर हम दिखाते हैं कि नेटवर्क कारण संकेतों पर विभिन्न सुविधाओं है कि ड्राइविंग के दौरान मनुष्यों द्वारा इस्तेमाल किया जाता है।

4954bb26107d69eb79bb32ffa247c8731cf20fcf

विशेषता आधारित एन्क्रिप्शन (एबीई) [13] उपयोगकर्ता की विशेषताओं के आधार पर डिक्रिप्शन क्षमता निर्धारित करता है। बहु-प्राधिकरण एबीई योजना में, कई विशेषता-प्राधिकरण विशेषताओं के विभिन्न सेटों की निगरानी करते हैं और उपयोगकर्ताओं को संबंधित डिक्रिप्शन कुंजी जारी करते हैं, और एन्क्रिप्टर एक संदेश को डिक्रिप्ट करने से पहले प्रत्येक प्राधिकरण से उपयुक्त विशेषताओं के लिए कुंजी प्राप्त करने की आवश्यकता कर सकते हैं। चेस [5] ने एक विश्वसनीय केंद्रीय प्राधिकरण (सीए) और वैश्विक पहचानकर्ताओं (जीआईडी) की अवधारणाओं का उपयोग करते हुए एक बहु-प्राधिकरण एबीई योजना दी। हालांकि, उस निर्माण में सीए के पास हर सिफर टेक्स्ट को डिक्रिप्ट करने की शक्ति है, जो किसी तरह कई संभावित अविश्वसनीय अधिकारियों पर नियंत्रण वितरित करने के मूल लक्ष्य के लिए विरोधाभासी लगता है। इसके अलावा, उस निर्माण में, एक सुसंगत जीआईडी का उपयोग अधिकारियों को एक पूर्ण प्रोफ़ाइल बनाने के लिए अपनी जानकारी को एक साथ जोड़ने की अनुमति देता है, जो एक उपयोगकर्ता के सभी गुणों के साथ है, जो अनावश्यक रूप से उपयोगकर्ता की गोपनीयता को खतरे में डालता है। इस पेपर में, हम एक ऐसा समाधान प्रस्तावित करते हैं जो विश्वसनीय केंद्रीय प्राधिकरण को हटा देता है, और अधिकारियों को विशिष्ट उपयोगकर्ताओं पर अपनी जानकारी को एक साथ रखने से रोककर उपयोगकर्ताओं की गोपनीयता की रक्षा करता है, इस प्रकार ABE को व्यवहार में अधिक उपयोगी बनाता है।

25098861749fe9eab62fbe90c1ebeaed58c211bb

इस लेख में हम एक नए दृष्टिकोण से प्रवर्धन विधियों का अध्ययन करते हैं। हम इफ्रॉन एट अल द्वारा हाल के काम पर निर्माण करते हैं। यह दिखाने के लिए कि लगभग (और कुछ मामलों में बिल्कुल) को बढ़ावा देने से गुणांक वेक्टर पर l1 बाधा के साथ अपने नुकसान मानदंड को कम किया जाता है। इससे नुकसान मानदंड के नियमित रूप से फिट होने के रूप में जल्दी बंद होने के साथ बढ़ावा देने की सफलता को समझने में मदद मिलती है। दो सबसे अधिक इस्तेमाल किए जाने वाले मानदंडों (अभिव्यक्तिगत और द्विपद लॉग-संभाव्यता) के लिए, हम आगे दिखाते हैं कि जब बाधा को आराम दिया जाता है-या समतुल्य रूप से जब बूस्टिंग पुनरावृत्तियां आगे बढ़ती हैं-समाधान एक l1- इष्टतम अलग करने वाले हाइपर-प्लेन में (विभाज्य मामले में) अभिसरण करता है। हम साबित करते हैं कि इस l1- इष्टतम अलग हाइपर-प्लेन प्रशिक्षण डेटा के न्यूनतम l1- मार्जिन को अधिकतम करने की संपत्ति है, जैसा कि बूस्टिंग साहित्य में परिभाषित है। बूस्टिंग और कर्नेल सपोर्ट वेक्टर मशीनों के बीच एक दिलचस्प मौलिक समानता सामने आती है, क्योंकि दोनों को उच्च-आयामी भविष्यवाणी अंतरिक्ष में नियमित अनुकूलन के लिए तरीकों के रूप में वर्णित किया जा सकता है, गणना को व्यावहारिक बनाने के लिए एक कम्प्यूटेशनल ट्रिक का उपयोग करना, और मार्जिन-अधिकतम समाधानों के लिए अभिसरण करना। जबकि यह कथन एसवीएम का सटीक रूप से वर्णन करता है, यह केवल लगभग ही बूस्टिंग पर लागू होता है।

0825788b9b5a18e3dfea5b0af123b5e939a4f564

शब्दों के वेक्टर स्पेस प्रतिनिधित्व सीखने के लिए हालिया विधियां वेक्टर अंकगणित का उपयोग करके बारीक-कण वाले अर्थिक और वाक्यविन्यास संबंधी नियमितताओं को पकड़ने में सफल रही हैं, लेकिन इन नियमितताओं की उत्पत्ति अपारदर्शी बनी हुई है। हम शब्द वेक्टरों में ऐसी नियमितताओं के उभरने के लिए आवश्यक मॉडल गुणों का विश्लेषण और स्पष्टीकरण करते हैं। परिणाम एक नया वैश्विक लॉगबिलिनियर प्रतिगमन मॉडल है जो साहित्य में दो प्रमुख मॉडल परिवारों के लाभों को जोड़ती हैः वैश्विक मैट्रिक्स फैक्टरिज़ेशन और स्थानीय संदर्भ विंडो विधियां। हमारा मॉडल कुशलतापूर्वक सांख्यिकीय जानकारी का लाभ उठाता है केवल शब्द-शब्द सह-घटना मैट्रिक्स में गैर-शून्य तत्वों पर प्रशिक्षण देकर, पूरे विरल मैट्रिक्स या एक बड़े कॉर्पस में व्यक्तिगत संदर्भ खिड़कियों पर नहीं। मॉडल एक सार्थक उपसंरचना के साथ एक वेक्टर स्थान उत्पन्न करता है, जैसा कि हाल ही में शब्द सादृश्य कार्य पर 75% के प्रदर्शन से स्पष्ट है। यह समानता कार्यों और नामित इकाई मान्यता पर संबंधित मॉडल को भी बेहतर करता है।

326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5

हम सामग्री-आधारित छवि पुनर्प्राप्ति के लिए दो वितरणों के बीच एक मीट्रिक की विशेषताओं की जांच करते हैं, पृथ्वी मूवर की दूरी (ईएमडी) । ईएमडी न्यूनतम लागत पर आधारित है जो एक वितरण को दूसरे में बदलने के लिए भुगतान किया जाना चाहिए, एक सटीक अर्थ में, और पहली बार पेलेग, वर्मन और रोम द्वारा कुछ दृष्टि समस्याओं के लिए प्रस्तावित किया गया था। छवि पुनर्प्राप्ति के लिए, हम इस विचार को वितरण के लिए एक प्रतिनिधित्व योजना के साथ जोड़ते हैं जो वेक्टर क्वांटिज़ेशन पर आधारित है। इस संयोजन से छवि तुलना ढांचा बनता है जो अक्सर अन्य पहले प्रस्तावित विधियों की तुलना में बेहतर धारणा समानता के लिए जिम्मेदार होता है। ईएमडी रैखिक अनुकूलन से परिवहन समस्या के समाधान पर आधारित है, जिसके लिए कुशल एल्गोरिदम उपलब्ध हैं, और स्वाभाविक रूप से आंशिक मिलान की अनुमति भी देता है। यह हिस्टोग्राम मिलान तकनीकों की तुलना में अधिक मजबूत है, क्योंकि यह वितरण के चर-लंबाई के प्रतिनिधित्व पर काम कर सकता है जो हिस्टोग्राम के लिए विशिष्ट क्वांटिज़ेशन और अन्य बिनिग समस्याओं से बचता है। जब समान कुल द्रव्यमान के साथ वितरण की तुलना करने के लिए उपयोग किया जाता है, तो ईएमडी एक सच्चा मीट्रिक होता है। इस पेपर में हम रंग और बनावट के अनुप्रयोगों पर ध्यान केंद्रित करते हैं, और हम अन्य दूरी के साथ ईएमडी के पुनर्प्राप्ति प्रदर्शन की तुलना करते हैं।

508d8c1dbc250732bd2067689565a8225013292f

एक उपन्यास दोहरी फोटोप्लेटिसमोग्राफ (पीपीजी) जांच और स्थानीय पल्स वेव वेग (पीडब्ल्यूवी) के लिए माप प्रणाली का प्रस्ताव और प्रदर्शन किया गया है। विकसित जांच डिजाइन में दो आसन्न माप बिंदुओं (28 मिमी दूर) से रक्त पल्स प्रसार तरंगों के गैर-आक्रामक पता लगाने के लिए प्रतिबिंब पीपीजी ट्रांसड्यूसर का उपयोग किया गया है। निरंतर प्राप्त दोहरी पल्स तरंगरूप के बीच पारगमन समय विलंब का उपयोग बीट-टू-बीट स्थानीय पीडब्लूवी माप के लिए किया गया था। पीपीजी जांच डिजाइन को मान्य करने और स्थानीय पीडब्लूवी माप प्रणाली विकसित करने के लिए 10 स्वस्थ स्वयंसेवकों (8 पुरुष और 2 महिला, 21 से 33 वर्ष की आयु) पर एक इन-विवो प्रयोगात्मक सत्यापन अध्ययन किया गया था। प्रस्तावित प्रणाली कैरोटिड स्थानीय पीडब्लूवी को कई विषयों से मापने में सक्षम थी। अध्ययन के दौरान 10 में से 7 व्यक्तियों में कैरोटिस पीडब्ल्यूवी की प्रारंभिक दर में बीट-टू-बीट भिन्नता 7. 5% से कम थी, अध्ययन के दौरान 16% की अधिकतम बीट-टू-बीट भिन्नता देखी गई थी। व्यायाम के बाद की वसूली अवधि के दौरान बीट-टू-बीट कैरोटिड स्थानीय पीडब्ल्यूवी और ब्रैचियल रक्तचाप (बीपी) मूल्यों में परिवर्तन की भी जांच की गई। एक सांख्यिकीय रूप से महत्वपूर्ण सहसंबंध intra- subject स्थानीय PWV परिवर्तन और brachial BP पैरामीटर के बीच देखा गया था (r > 0.85, p < 0.001) । परिणामों ने कैरोटिड धमनी से निरंतर बीट-टू-बीट स्थानीय पीडब्लूवी माप के लिए प्रस्तावित पीपीजी जांच की व्यवहार्यता का प्रदर्शन किया। इस तरह की गैर-आक्रामक स्थानीय पीडब्लूवी माप इकाई का उपयोग निरंतर एंबुलेटरी बीपी माप के लिए किया जा सकता है।

79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6

इस पत्र में गहराई मानचित्रों के अनुक्रमों से मानव क्रियाओं को पहचानने की एक विधि प्रस्तुत की गई है। विशेष रूप से, हम एक कार्रवाई ग्राफ का उपयोग करते हैं स्पष्ट रूप से कार्यों की गतिशीलता और 3 डी बिंदुओं के एक बैग का मॉडल करने के लिए प्रमुख मुद्राओं के एक सेट की विशेषता है जो कार्रवाई ग्राफ में नोड्स के अनुरूप हैं। इसके अतिरिक्त, हम गहराई मानचित्रों से 3 डी बिंदुओं के बैग का नमूना लेने के लिए एक सरल, लेकिन प्रभावी प्रक्षेपण आधारित नमूना योजना का प्रस्ताव करते हैं। प्रयोगात्मक परिणामों से पता चला है कि 90% से अधिक पहचान सटीकता केवल 1% 3 डी बिंदुओं के नमूनाकरण से प्राप्त की गई थी। 2 डी सिल्हूट आधारित मान्यता की तुलना में, मान्यता त्रुटियों को आधा कर दिया गया था। इसके अतिरिक्त, हम सिमुलेशन के माध्यम से अवरुद्धियों से निपटने के लिए पॉइंट्स पोस्चर मॉडल के बैग की क्षमता का प्रदर्शन करते हैं।

46fd85775cab39ecb32cf2e41642ed2d0984c760

इस लेख में एआई रोबोट की कानूनी स्थिति पर आज की बहस की जांच की गई है और यह भी बताया गया है कि विद्वान और नीति निर्माता कितनी बार इन कृत्रिम एजेंटों की कानूनी एजेंसी को कानूनी व्यक्ति की स्थिति के साथ भ्रमित करते हैं। इस क्षेत्र में वर्तमान रुझानों को ध्यान में रखते हुए, पेपर दो-तरफा रुख का सुझाव देता है। सबसे पहले, नीति निर्माताओं को अनुबंधों और व्यापार कानून में एआई रोबोटों की गतिविधियों के लिए जवाबदेही और दायित्व के नए रूपों को स्थापित करने की संभावना पर गंभीरता से विचार करना चाहिए, उदाहरण के लिए, जटिल वितरित जिम्मेदारी के मामलों में कानूनी एजेंसी के नए रूप। दूसरा, निकट भविष्य में एआई रोबोट को पूर्ण कानूनी व्यक्तित्व प्रदान करने की किसी भी परिकल्पना को खारिज करना होगा। लेकिन सोफिया के साथ कैसे व्यवहार करें, जो अक्टूबर 2017 में सऊदी अरब जैसे किसी भी देश की नागरिकता प्राप्त करने वाला पहला एआई एप्लिकेशन बन गया? यह स्वीकार करना चाहिए कि किसी को या किसी चीज़ को कानूनी व्यक्ति का दर्जा देना एक अत्यंत संवेदनशील राजनीतिक मुद्दा है जो हमेशा से रहा है और जो केवल तर्कसंगत विकल्पों और अनुभवजन्य साक्ष्य पर निर्भर नहीं है। विवेक, मनमानी और यहां तक कि विचित्र निर्णय भी इस संदर्भ में भूमिका निभाते हैं। हालांकि, कानूनी प्रणालियों द्वारा मानव और कृत्रिम संस्थाओं जैसे निगमों को उनकी स्थिति प्रदान करने के लिए निर्धारित कारण हमें एआई रोबोटों की कानूनी व्यक्तित्व के लिए आज की खोज में पक्ष लेने में मदद करते हैं। क्या नागरिक सोफिया वास्तव में सचेत है, या अपमानजनक विद्वानों के स्लिंग और तीरों को सहन करने में सक्षम है?

0943ed739c909d17f8686280d43d50769fe2c2f8

हम मानव व्यवहार का विश्लेषण और संश्लेषण करने के लिए एक दृष्टिकोण के रूप में क्रिया-प्रतिक्रिया सीखने का प्रस्ताव करते हैं। यह प्रतिमान समय के अनुक्रमों का निरीक्षण करके अतीत और भविष्य की घटनाओं के बीच या किसी क्रिया और उसकी प्रतिक्रिया के बीच कारण-संबंधी मानचित्रण का पता लगाता है। हम इस पद्धति का उपयोग मानव संपर्क का विश्लेषण करने और उसके बाद मानव व्यवहार का संश्लेषण करने के लिए करते हैं। अवधारणात्मक मापों की एक समय श्रृंखला का उपयोग करते हुए, एक प्रणाली स्वचालित रूप से एक मानव प्रतिभागी (एक क्रिया) से इशारों और एक अन्य प्रतिभागी से बाद के इशारे (एक प्रतिक्रिया) के बीच एक मानचित्रण का पता लगाती है। एक संभाव्यता मॉडल को एक नवीन अनुमान तकनीक, सशर्त अपेक्षा अधिकतमकरण (सीईएम) का उपयोग करके मानव संपर्क के डेटा से प्रशिक्षित किया जाता है। प्रणाली एक ग्राफिकल इंटरैक्टिव चरित्र को चलाती है जो संभावित रूप से उपयोगकर्ता के व्यवहार के लिए सबसे अधिक संभावना प्रतिक्रिया की भविष्यवाणी करता है और इसे इंटरैक्टिव रूप से करता है। इस प्रकार, प्रतिभागियों की एक जोड़ी में मानव बातचीत का विश्लेषण करने के बाद, सिस्टम उनमें से एक को बदलने और एक शेष उपयोगकर्ता के साथ बातचीत करने में सक्षम है।

272216c1f097706721096669d85b2843c23fa77d

हम आदम, प्रथम-क्रम ढाल-आधारित अनुकूलन के लिए एक एल्गोरिथ्म प्रस्तुत करते हैं जो कम-क्रम क्षणों के अनुकूली अनुमानों के आधार पर स्थैतिक उद्देश्य कार्यों का अनुकूलन करता है। यह विधि लागू करने के लिए सीधी है, कम्प्यूटेशनल रूप से कुशल है, इसमें कम मेमोरी आवश्यकताएं हैं, ग्रेडिएंट के विकर्ण पुनर्मूल्यांकन के लिए अपरिवर्तनीय है, और उन समस्याओं के लिए अच्छी तरह से अनुकूल है जो डेटा और / या मापदंडों के संदर्भ में बड़ी हैं। यह विधि गैर-स्थिर उद्देश्यों और बहुत शोर और/या पतले ढाल के साथ समस्याओं के लिए भी उपयुक्त है। हाइपर-पैरामीटरों में सहज व्याख्याएं होती हैं और आमतौर पर थोड़ी ट्यूनिंग की आवश्यकता होती है। संबंधित एल्गोरिदम के कुछ कनेक्शनों पर चर्चा की गई है, जिस पर एडम को प्रेरित किया गया था। हम एल्गोरिथ्म के सैद्धांतिक अभिसरण गुणों का भी विश्लेषण करते हैं और अभिसरण दर पर एक खेद प्रदान करते हैं जो ऑनलाइन उत्तल अनुकूलन ढांचे के तहत सबसे अच्छे ज्ञात परिणामों के लिए तुलनीय है। अनुभवजन्य परिणामों से पता चलता है कि एडम अभ्यास में अच्छी तरह से काम करता है और अन्य स्टोकेस्टिक अनुकूलन विधियों के साथ अनुकूलन करता है। अंत में, हम AdaMax, असीमितता मानदंड पर आधारित एडम के एक संस्करण पर चर्चा करते हैं।

05aba481e8a221df5d8775a3bb749001e7f2525e

हम सबग्रेडिएंट विधियों के एक नए परिवार को प्रस्तुत करते हैं जो पहले के पुनरावृत्तियों में देखे गए डेटा के ज्यामिति के ज्ञान को गतिशील रूप से शामिल करते हैं ताकि अधिक सूचनात्मक ग्रेडिएंट-आधारित सीखने को पूरा किया जा सके। रूपक रूप से, अनुकूलन हमें बहुत ही भविष्य कहनेवाला लेकिन शायद ही कभी देखे जाने वाले लक्षणों के रूप में घास के ढेर में नीडल खोजने की अनुमति देता है। हमारा प्रतिमान स्टोचैस्टिक अनुकूलन और ऑनलाइन सीखने में हालिया प्रगति से उत्पन्न होता है जो एल्गोरिथ्म के ढाल चरणों को नियंत्रित करने के लिए निकटवर्ती फंक्शनों का उपयोग करता है। हम निकटवर्ती फलन को अनुकूलनशील रूप से संशोधित करने के लिए एक उपकरण का वर्णन और विश्लेषण करते हैं, जो सीखने की दर निर्धारित करने को काफी सरल बनाता है और परिणामों में पछतावा गारंटी देता है जो कि सबसे अच्छे निकटवर्ती फलन के रूप में साबित होता है जिसे बाद में चुना जा सकता है। हम सामान्य और महत्वपूर्ण नियमितकरण कार्यों और डोमेन बाधाओं के साथ अनुभवजन्य जोखिम कम करने की समस्याओं के लिए कई कुशल एल्गोरिदम देते हैं। हम प्रयोगात्मक रूप से हमारे सैद्धांतिक विश्लेषण का अध्ययन करते हैं और दिखाते हैं कि अनुकूली उप-वर्गीकरण विधियां अत्याधुनिक, अभी तक गैर-अनुकूली, उप-वर्गीकरण एल्गोरिदम से बेहतर हैं।

f2bc77fdcea85738d1062da83d84dfa3371d378d

यह कागज चिप-टू-चिप अनुप्रयोगों के लिए 90 एनएम सीएमओएस में 6.25-जीबी/एस 14-एमडब्ल्यू ट्रांससीवर का वर्णन करता है। ट्रांससीवर में बिजली की खपत को कम करने के लिए कई विशेषताएं हैं, जिसमें एक साझा एलसी-पीएलएल घड़ी गुणक, एक इंडक्टर-लोड्ड अनुनाद घड़ी वितरण नेटवर्क, एक कम- और प्रोग्राम करने योग्य-स्विंग वोल्टेज-मोड ट्रांसमीटर, सॉफ्टवेयर-नियंत्रित घड़ी और डेटा रिकवरी (सीडीआर) और रिसीवर के भीतर अनुकूली समकक्षता और सीडीआर के लिए एक उपन्यास पीएलएल-आधारित चरण रोटेटर शामिल हैं। यह डिज़ाइन 10-15 या उससे कम की बिट-त्रुटि दर पर -15 डीबी या अधिक के चैनल क्षीणन के साथ काम कर सकता है, जबकि प्रति ट्रांसीवर 2.25 mW/Gb/s से कम का उपभोग करता है।

9da870dbbc32c23013ef92dd9b30db60a3cd7628

3 डी आकारों की गैर-कठोर पंजीकरण एक आवश्यक कार्य है जिसका महत्व बढ़ रहा है क्योंकि गतिशील दृश्यों की स्कैनिंग के लिए कमोडिटी गहराई सेंसर अधिक व्यापक रूप से उपलब्ध हो जाते हैं। गैर-कठोर पंजीकरण कठोर पंजीकरण की तुलना में अधिक चुनौतीपूर्ण है क्योंकि यह एक एकल वैश्विक परिवर्तन के बजाय स्थानीय परिवर्तनों के एक सेट का अनुमान लगाता है, और इसलिए अंडरडेटिमेशन के कारण ओवरफिटिंग मुद्दे का खतरा है। पूर्ववर्ती विधियों में आम ज्ञान स्थानीय परिवर्तन अंतरों पर एक l2-मानक नियमितकरण को लागू करना है। हालांकि, l2-नॉर्म नियमितकरण समाधान को भारी-पूंछ वितरण के साथ आउटलाइर्स और शोर की ओर झुकाव देता है, जो परिवर्तन अंतर पर गॉसियन वितरण की खराब अच्छाई-फिट द्वारा सत्यापित किया जाता है। इसके विपरीत, लाप्लासियन वितरण परिवर्तन अंतर के साथ अच्छी तरह से फिट बैठता है, जो एक विरलता पूर्व के उपयोग का सुझाव देता है। हम परिवर्तन अनुमान के लिए एक l1-नॉर्म नियमित मॉडल के साथ एक दुर्लभ गैर-कठोर पंजीकरण (एसएनआर) विधि का प्रस्ताव करते हैं, जिसे संवर्धित लैग्रेंजियन ढांचे के तहत एक वैकल्पिक दिशा विधि (एडीएम) द्वारा प्रभावी रूप से हल किया जाता है। हम मजबूत और प्रगतिशील पंजीकरण के लिए एक बहु-संकल्प योजना भी तैयार करते हैं। सार्वजनिक डेटासेट और हमारे स्कैन किए गए डेटासेट दोनों के परिणाम हमारी पद्धति की श्रेष्ठता को दर्शाते हैं, विशेष रूप से बड़े पैमाने पर विरूपण के साथ-साथ आउटलाइर्स और शोर को संभालने में।

e36ecd4250fac29cc990330e01c9abee4c67a9d6

इस पत्र में एक उपन्यास का-बैंड दोहरे-बैंड दोहरे-सर्कल-ध्रुवीकृत एंटीना सरणी प्रस्तुत की गई है। का-बैंड डाउनलिंक आवृत्तियों के लिए बाएं हाथ के परिपत्र ध्रुवीकरण और का-बैंड अपलिंक आवृत्तियों के लिए दाएं हाथ के परिपत्र ध्रुवीकरण के साथ एक दोहरे-बैंड एंटीना को कॉम्पैक्ट रिंगिंग स्लॉट के साथ महसूस किया जाता है। अनुक्रमिक घूर्णन तकनीक को लागू करने से, अच्छे प्रदर्शन के साथ 2 × 2 उप-सरणी प्राप्त की जाती है। यह पत्र डिजाइन प्रक्रिया का वर्णन करता है और सिमुलेशन और माप परिणाम प्रस्तुत करता है।

0bb71e91b29cf9739c0e1334f905baad01b663e6

इस पेपर में एलटीई नेटवर्क में तैनात बैटरी संचालित उपकरणों के लिए ऊर्जा की खपत को कम करने के लिए अनुसूची और प्रसारण शक्ति नियंत्रण की जांच की गई है। मशीन-प्रकार के ग्राहकों की एक बड़ी संख्या के लिए कुशल अनुसूची को सक्षम करने के लिए, एक उपन्यास वितरित योजना प्रस्तावित है ताकि मशीन नोड्स स्थानीय क्लस्टर बना सकें और क्लस्टर-हेड्स के माध्यम से बेस-स्टेशन के साथ संवाद कर सकें। इसके बाद, एलटीई नेटवर्क में अपलिंक शेड्यूलिंग और पावर कंट्रोल को पेश किया जाता है और क्लस्टर-हेड्स और बेस-स्टेशन के बीच संचार के लिए उपयोग किए जाने वाले जीवनकाल-जागरूक समाधानों की जांच की जाती है। सटीक समाधानों के अलावा, कम जटिलता वाले उप-उत्तम समाधान इस कार्य में प्रस्तुत किए गए हैं जो बहुत कम कम्प्यूटेशनल जटिलता के साथ निकटतम इष्टतम प्रदर्शन प्राप्त कर सकते हैं। प्रदर्शन मूल्यांकन से पता चलता है कि प्रस्तावित प्रोटोकॉल का उपयोग करके नेटवर्क का जीवनकाल काफी बढ़ाया जाता है।

6dc4be33a07c277ee68d42c151b4ee866108281f

संपीड़न माप से सह-विचलन मैट्रिक्स के अनुमान ने हाल ही में विज्ञान और इंजीनियरिंग के विभिन्न क्षेत्रों में काफी शोध प्रयासों को आकर्षित किया है। कम संख्या में अवलोकनों के कारण, सह-विचलन मैट्रिक्स का अनुमान एक गंभीर रूप से गलत समस्या है। इस समस्या को सह-विपरितता मैट्रिक्स की संरचना के बारे में पूर्व जानकारी का उपयोग करके दूर किया जा सकता है। यह पेपर संपीड़ित माप के तहत उच्च आयामी सह-विचलन मैट्रिक्स अनुमान समस्या के लिए उत्तल सूत्रों और संबंधित समाधानों की एक श्रेणी प्रस्तुत करता है, जो सकारात्मक अर्ध-परिभाषितता के अलावा समाधान पर टोप्लित्ज़, स्पार्सनेस, शून्य-पैटर्न, कम रैंक, या कम परमिटेड रैंक संरचना को लागू करता है। अनुकूलन समस्याओं को हल करने के लिए, हम संवर्धित लैग्रेंजियन संकोचन एल्गोरिथ्म (सीओवीएएलएसए) द्वारा सह-भिन्नता का परिचय देते हैं, जो स्प्लिट संवर्धित लैग्रेंजियन संकोचन एल्गोरिथ्म (एसएएलएसए) का एक उदाहरण है। हम अत्याधुनिक एल्गोरिदम की तुलना में हमारे दृष्टिकोण की प्रभावशीलता को स्पष्ट करते हैं।

05357314fe2da7c2248b03d89b7ab9e358cbf01e

सभी अधिकार सुरक्षित इस पुस्तक का कोई भी भाग प्रकाशक की लिखित अनुमति के बिना किसी भी रूप में किसी भी इलेक्ट्रॉनिक या यांत्रिक साधनों (फोटोकॉपी, रिकॉर्डिंग, या सूचना भंडारण और पुनर्प्राप्ति सहित) द्वारा पुनः प्रस्तुत नहीं किया जा सकता है।

06d0a9697a0f0242dbdeeff08ec5266b74bfe457

हम प्राकृतिक भाषा के वृक्ष संरचनाओं के लिए एक नया जनरेटिव मॉडल प्रस्तुत करते हैं जिसमें सिमेंटिक (शब्दकोश निर्भरता) और वाक्यविन्यास संरचनाओं को अलग-अलग मॉडल के साथ स्कोरिंग किया जाता है। यह कारककरण अवधारणागत सादगी, घटक मॉडल को अलग-अलग सुधारने के लिए सीधे अवसर प्रदान करता है, और समान, गैर-कारक मॉडल के प्रदर्शन के स्तर के करीब है। सबसे महत्वपूर्ण बात, अन्य आधुनिक पार्सिंग मॉडल के विपरीत, कारक मॉडल एक अत्यधिक प्रभावी पार्सिंग एल्गोरिथ्म प्रदान करता है, जो एक कुशल, सटीक अनुमान को संभव बनाता है।

8f76334bd276a2b92bd79203774f292318f42dc6

यह पेपर एक L-आकार की जांच द्वारा खिलाए गए एक परिपत्र सींग एंटेना से संबंधित है। 50 ओमेगा समाक्षीय केबल के लिए ब्रॉडबैंड मिलान के लिए डिजाइन प्रक्रिया, और अक्षीय अनुपात और लाभ में एंटीना प्रदर्शन प्रस्तुत किए जाते हैं। इस पेपर के सिमुलेशन परिणाम Ansoft HFSS 9.2 का उपयोग करके प्राप्त किए गए थे

41c987b8a7e916d56fed2ea7311397e0f2286f3b

पारंपरिक दृष्टिकोणों के विपरीत जो नेटवर्क स्तर पर क्वांटिज़ेशन पर ध्यान केंद्रित करते हैं, इस कार्य में हम टेंसर स्तर पर क्वांटिज़ेशन प्रभाव को कम करने का प्रस्ताव करते हैं। हम कम परिशुद्धता नेटवर्क में क्वांटिज़ेशन शोर और क्लिपिंग विकृति के बीच व्यापार-बंद का विश्लेषण करते हैं। हम विभिन्न टेंसर के आंकड़ों की पहचान करते हैं, और क्लिपिंग के कारण औसत-वर्ग-त्रुटि क्षरण के लिए सटीक अभिव्यक्ति प्राप्त करते हैं। इन अभिव्यक्तियों का अनुकूलन करके, हम मानक क्वांटिज़ेशन योजनाओं पर उल्लेखनीय सुधार दिखाते हैं जो सामान्य रूप से क्लिपिंग से बचते हैं। उदाहरण के लिए, केवल सटीक क्लिपिंग मानों को चुनकर, VGG16-BN के क्वांटिज़ेशन के लिए 4-बिट परिशुद्धता के लिए 40% से अधिक सटीकता सुधार प्राप्त किया जाता है। हमारे परिणामों में प्रशिक्षण और अनुमान समय दोनों में तंत्रिका नेटवर्क के क्वांटिज़ेशन के लिए कई अनुप्रयोग हैं। एक तत्काल अनुप्रयोग समय लेने वाले ठीक ट्यूनिंग या पूर्ण डेटासेट की उपलब्धता के बिना कम सटीक त्वरक के लिए तंत्रिका नेटवर्क की तेजी से तैनाती के लिए है।

1bde4205a9f1395390c451a37f9014c8bea32a8a

रेंज इमेज में क्वेरी की गई वस्तुओं को पहचानना और स्थानीयकरण करना रोबोटिक हेरफेर और नेविगेशन के लिए महत्वपूर्ण भूमिका निभाता है। यद्यपि इसका लगातार अध्ययन किया गया है, फिर भी यह अवरुद्ध और अव्यवस्थित दृश्यों के लिए एक चुनौतीपूर्ण कार्य है।

242caa8e04b73f56a8d4adae36028cc176364540

हम 3 डी सेंसर के लिए लागू एक मतदान आधारित मुद्रा अनुमान एल्गोरिथ्म का प्रस्ताव करते हैं, जो तेजी से कई रोबोटिक्स, कंप्यूटर दृष्टि और गेमिंग अनुप्रयोगों में अपने 2 डी समकक्षों को बदल रहे हैं। हाल ही में यह दिखाया गया है कि एक मतदान ढांचे में उन्मुख 3 डी बिंदुओं की एक जोड़ी, जो सामान्य के साथ वस्तु की सतह पर अंक हैं, तेजी से और मजबूत मुद्रा अनुमान को सक्षम करती हैं। यद्यपि उन्मुख सतह बिंदु पर्याप्त वक्रता परिवर्तनों वाली वस्तुओं के लिए भेदभावपूर्ण होते हैं, वे कई औद्योगिक और वास्तविक दुनिया की वस्तुओं के लिए पर्याप्त रूप से कॉम्पैक्ट और भेदभावपूर्ण नहीं होते हैं जो ज्यादातर समतल होते हैं। चूंकि किनारों को 2 डी पंजीकरण में महत्वपूर्ण भूमिका निभानी होती है, इसलिए 3 डी में गहराई की विसंगतियों का महत्व बहुत अधिक है। इस पेपर में, हम जांच करते हैं और पोज अनुमान एल्गोरिदम के एक परिवार को विकसित करते हैं जो इस सीमा जानकारी का बेहतर शोषण करते हैं। उन्मुख सतह बिंदुओं के अतिरिक्त, हम दो अन्य आदिमों का उपयोग करते हैंः दिशाओं के साथ सीमा बिंदु और सीमा रेखा खंड। हमारे प्रयोगों से पता चलता है कि इन सावधानीपूर्वक चुने गए आदिमों में अधिक जानकारी को संकुचित रूप से एन्कोड किया जाता है और इस प्रकार औद्योगिक भागों की एक विस्तृत श्रेणी के लिए उच्च सटीकता प्रदान की जाती है और तेजी से गणना की जा सकती है। हम प्रस्तावित एल्गोरिथ्म और एक 3 डी सेंसर का उपयोग करके एक व्यावहारिक रोबोट कचरा-छोड़ने की प्रणाली का प्रदर्शन करते हैं।

5df318e4aac5313124571ecc7e186cba9e84a264

आधिकारिक मोबाइल ऐप बाजारों में बार-बार होने वाले मैलवेयर घुसपैठ की बढ़ती संख्या से अंतिम उपयोगकर्ताओं की व्यक्तिगत और संवेदनशील जानकारी की गोपनीयता और गोपनीयता के लिए एक उच्च सुरक्षा खतरा पैदा हो रहा है। अंत उपयोगकर्ता उपकरणों को विरोधी ऐप्स के शिकार होने से बचाना अकादमिक और उद्योग में सुरक्षा शोधकर्ताओं/इंजीनियरों के लिए एक तकनीकी और अनुसंधान चुनौती प्रस्तुत करता है। ऐप मार्केट में तैनात सुरक्षा प्रथाओं और विश्लेषण जांच के बावजूद, मैलवेयर सुरक्षा के माध्यम से घुसपैठ करता है और उपयोगकर्ता उपकरणों को संक्रमित करता है। मैलवेयर के विकास ने इसे परिष्कृत और गतिशील रूप से बदलते सॉफ्टवेयर के रूप में देखा है जो आमतौर पर वैध ऐप्स के रूप में प्रच्छन्न होता है। अत्यधिक उन्नत भटकने वाली तकनीकों का उपयोग, जैसे कि एन्क्रिप्टेड कोड, अस्पष्टीकरण और गतिशील कोड अपडेट आदि, नए मैलवेयर में पाए जाने वाले सामान्य अभ्यास हैं। गतिशील कोड अपडेट के बचकाने उपयोग के साथ, एक मैलवेयर सौम्य ऐप का दिखावा करते हुए विश्लेषण जांच को दरकिनार करता है और उपयोगकर्ता के डिवाइस पर स्थापित होने पर ही अपनी दुर्भावनापूर्ण कार्यक्षमता का खुलासा करता है। यह शोध प्रबंध एंड्रॉइड ऐप्स में गतिशील कोड अपडेट के उपयोग और उपयोग के तरीके पर एक गहन अध्ययन प्रदान करता है। इसके अलावा, हम एक हाइब्रिड विश्लेषण दृष्टिकोण, StaDART का प्रस्ताव करते हैं, जो गतिशील कोड अपडेट की उपस्थिति में अनुप्रयोगों का विश्लेषण करने के लिए स्थिर विश्लेषण तकनीकों की अंतर्निहित कमियों को कवर करने के लिए स्थिर और गतिशील विश्लेषण को जोड़ता है। वास्तविक दुनिया के अनुप्रयोगों पर हमारे मूल्यांकन के परिणाम StaDART की प्रभावशीलता को प्रदर्शित करते हैं। हालांकि, आमतौर पर गतिशील विश्लेषण, और उस मामले के लिए हाइब्रिड विश्लेषण भी, ऐप के व्यवहार को उत्तेजित करने की समस्या लाता है जो स्वचालित विश्लेषण उपकरण के लिए एक गैर-तुच्छ चुनौती है। इस उद्देश्य के लिए, हम एक पिछड़े स्लाइसिंग आधारित लक्षित इंटर-कम्पोनेंट कोड पथ निष्पादन तकनीक, टीआईसीसी का प्रस्ताव करते हैं। TeICC एप्लिकेशन में एक लक्ष्य बिंदु से शुरू होने वाले कोड पथों को निकालने के लिए एक बैकवर्ड स्लाइसिंग तंत्र का लाभ उठाता है। यह एक प्रणाली निर्भरता ग्राफ का उपयोग करता है कोड पथों को निकालने के लिए जिसमें इंटर-कम्पोनेंट संचार शामिल है। निकाले गए कोड पथ तब संवेदनशील गतिशील व्यवहार को पकड़ने, गतिशील कोड अपडेट और अस्पष्टता को हल करने के लिए ऐप संदर्भ के भीतर इंस्ट्रूमेंट और निष्पादित किए जाते हैं। हमारे TeICC के मूल्यांकन से पता चलता है कि इसका उपयोग अदृश्य एंड्रॉइड ऐप्स में इंटर-कम्पोनेंट कोड पथ के लक्षित निष्पादन के लिए प्रभावी रूप से किया जा सकता है। इसके अलावा, अभी भी नहीं विरोधी उपयोगकर्ता उपकरणों तक पहुँचने की संभावना से बाहर खारिज कर, हम एक पर फोन एपीआई हुकिंग का प्रस्ताव

5ed4b57999d2a6c28c66341179e2888c9ca96a25

इस लेख में, हम ऐसे एजेंटों को विकसित करने के लक्ष्य की ओर काम करते हैं जो जटिल दुनिया में कार्य करना सीख सकते हैं। हम एक संभाव्यतावादी, संबंधपरक नियोजन नियम प्रतिनिधित्व विकसित करते हैं जो शोर, गैर-निर्धारक क्रिया प्रभावों को संक्षिप्त रूप से मॉडल करता है, और दिखाता है कि ऐसे नियमों को प्रभावी ढंग से कैसे सीखा जा सकता है। सरल योजना क्षेत्रों में प्रयोगों के माध्यम से और यथार्थवादी भौतिकी के साथ एक 3 डी सिम्युलेटेड ब्लॉक दुनिया, हम प्रदर्शित करते हैं कि यह सीखने एल्गोरिथ्म एजेंटों को प्रभावी ढंग से दुनिया की गतिशीलता का मॉडल बनाने की अनुमति देता है।

55c769b5829ca88ba940e0050497f4956c233445

दृश्य ओडोमीटर को आरजीबी-डी कैमरों द्वारा प्रदान की गई गहराई की जानकारी द्वारा बढ़ाया जा सकता है, या कैमरों से जुड़े लिडार से। हालांकि, इस तरह की गहराई की जानकारी सेंसर द्वारा सीमित की जा सकती है, जिससे दृश्य छवियों में बड़े क्षेत्र बचे हैं जहां गहराई उपलब्ध नहीं है। यहाँ, हम कैमरा गति की वसूली में, भले ही कम उपलब्ध हो, गहराई का उपयोग करने के लिए एक विधि का प्रस्ताव करते हैं। इसके अतिरिक्त, विधि पहले से अनुमानित गति का उपयोग करके गति से संरचना द्वारा गहराई का उपयोग करती है, और प्रमुख दृश्य सुविधाओं के लिए जो गहराई उपलब्ध नहीं है। इसलिए, यह विधि आरजीबीडी दृश्य ओडोमीटर को बड़े पैमाने पर, खुले वातावरण में विस्तारित करने में सक्षम है जहां गहराई अक्सर पर्याप्त रूप से अधिग्रहित नहीं की जा सकती है। हमारी पद्धति का मूल एक बंडल समायोजन चरण है जो बैच अनुकूलन में छवियों के अनुक्रम को संसाधित करके गति अनुमानों को समानांतर में परिष्कृत करता है। हमने अपनी विधि का मूल्यांकन तीन सेंसर सेटअप में किया है, एक आरजीबी-डी कैमरा का उपयोग करते हुए, और दो कैमरा और 3 डी लीडर के संयोजन का उपयोग करते हुए। हमारी विधि को KITTI ओडोमेट्री बेंचमार्क पर # 4 रेट किया गया है, जो सेंसरिंग मोडलिटी की तुलना में स्टीरियो विजुअल ओडोमेट्री विधियों की तुलना में है जो त्रिकोण द्वारा गहराई को पुनः प्राप्त करते हैं। परिणामी औसत स्थिति त्रुटि यात्रा की गई दूरी का 1.14% है।

0c668ee24d58ecca165f788d40765e79ed615471

9cccd211c9208f790d71fa5b3499d8f827744aa0

शैक्षिक डेटा माइनिंग के माध्यम से विभिन्न शैक्षिक उन्मुख समस्याओं का समाधान किया जाता है, जो डेटा माइनिंग के सबसे प्रचलित अनुप्रयोग हैं। इस लेख का एक महत्वपूर्ण उद्देश्य ईडीएम पर किए गए नवीनतम कार्यों का अध्ययन करना और उनके गुणों और दोषों का विश्लेषण करना है। इस पत्र में विभिन्न डेटा माइनिंग प्रथाओं और सर्वेक्षण किए गए लेखों में लागू तकनीकों के संचयी परिणामों पर भी प्रकाश डाला गया है, और इस प्रकार शोधकर्ताओं को ईडीएम पर भविष्य के दिशाओं पर सुझाव दिया गया है। इसके अतिरिक्त, भविष्य के शोधों के लिए सबसे विश्वसनीय एल्गोरिदम का अवलोकन करने के लिए कुछ वर्गीकरण और क्लस्टरिंग एल्गोरिदम का मूल्यांकन करने के लिए एक प्रयोग भी किया गया था।

197a7fc2f8d57d93727b348851b59b34ce990afd

एसआरआईएलएम सी++ लाइब्रेरीज़, निष्पादन योग्य प्रोग्राम और सहायक स्क्रिप्ट का एक संग्रह है, जिसे भाषण पहचान और अन्य अनुप्रयोगों के लिए सांख्यिकीय भाषा मॉडल के उत्पादन और प्रयोग दोनों की अनुमति देने के लिए डिज़ाइन किया गया है। एसआरआईएलएम गैर-व्यावसायिक उद्देश्यों के लिए स्वतंत्र रूप से उपलब्ध है। यह टूलकिट एन-ग्राम सांख्यिकी के आधार पर विभिन्न प्रकार के भाषा मॉडल के निर्माण और मूल्यांकन के साथ-साथ कई संबंधित कार्यों, जैसे कि सांख्यिकीय टैगिंग और एन-सर्वश्रेष्ठ सूचियों और शब्द जाली के हेरफेर का समर्थन करता है। यह पेपर टूलकिट की कार्यक्षमता का सारांश देता है और इसके डिजाइन और कार्यान्वयन पर चर्चा करता है, तेजी से प्रोटोटाइप, पुनः प्रयोज्य और उपकरणों की संयोजन की आसानी पर प्रकाश डालता है।

12f661171799cbd899e1ff4ae0a7e2170c3d547b

सांख्यिकीय भाषा मॉडल भाषण पहचान और अन्य भाषा प्रौद्योगिकियों के उद्देश्य से विभिन्न प्राकृतिक भाषा घटनाओं के वितरण का अनुमान लगाते हैं। 1980 में पहले महत्वपूर्ण मॉडल के प्रस्तावित होने के बाद से, कला की स्थिति में सुधार के लिए कई प्रयास किए गए हैं। हम उनकी समीक्षा करते हैं, कुछ आशाजनक दिशाओं की ओर इशारा करते हैं, और डेटा के साथ भाषाई सिद्धांतों के एकीकरण के लिए बेयसियन दृष्टिकोण के लिए तर्क देते हैं।

395f4b41578c3ff5139ddcf9e90eb60801b50394

सीएमयू सांख्यिकीय भाषा मॉडलिंग टूलकिट को बिग्राम और ट्राइग्राम भाषा मॉडल के निर्माण और परीक्षण को सुविधाजनक बनाने के लिए 2010 में पुनः किराए पर लिया गया था यह वर्तमान में 100 से अधिक देशों में अकादमिक, सरकारी और औद्योगिक प्रयोगशालाओं में उपयोग में है यह पेपर टूलकिट के एक नए संस्करण को प्रस्तुत करता है हम टूलकिट में लागू पारंपरिक भाषा मॉडलिंग तकनीक की रूपरेखा तैयार करते हैं और इस कार्य के लिए पिछले सॉफ्टवेयर की तुलना में नई टूलकिट द्वारा प्रदान की गई अतिरिक्त क्षमता और कार्यक्षमता का वर्णन करते हैं अंत में हम एक सरल भाषा मॉडल के निर्माण और परीक्षण में टूलकिट के उपयोग की परीक्षा देते हैं

0b8f4edf1a7b4d19d47d419f41cde432b9708ab7

हम सिलिकॉन से भरे एकीकृत वेव गाइड के निर्माण के लिए एक प्रौद्योगिकी प्रस्तुत करते हैं जो कम नुकसान वाले उच्च प्रदर्शन वाले मिलीमीटर-तरंग निष्क्रिय घटकों और उच्च लाभ सरणी एंटेना की प्राप्ति को सक्षम करता है, इस प्रकार अत्यधिक एकीकृत मिलीमीटर-तरंग प्रणालियों की प्राप्ति की सुविधा प्रदान करता है। प्रस्तावित प्रौद्योगिकी में उच्च ज्यामितीय सटीकता और निरंतर धातु की पार्श्व दीवारों के साथ आयताकार वेवगाइड को एकीकृत करने के लिए एल्यूमीनियम धातुकरण चरणों के साथ गहरी प्रतिक्रियाशील-आयन-एचिंग (डीआरआईई) तकनीकों का उपयोग किया गया है। एकीकृत आयताकार वेव गाइड के माप परिणामों की सूचना दी गई है जो 105 गीगाहर्ट्ज पर 0.15 डीबी/ एलजी के नुकसान का प्रदर्शन करते हैं। इसके अलावा, अल्ट्रा वाइडबैंड कॉप्लेनार से वेव गाइड के संक्रमणों का वर्णन और विशेषता दी गई है जिसमें 105 गीगाहर्ट्ज पर 0.6 डीबी इनसेरशन लॉस और 80 से 110 गीगाहर्ट्ज तक 15 डीबी से बेहतर रिटर्न लॉस होता है। आवृत्ति स्कैनिंग स्लॉट-वेवगाइड सरणी एंटीना के डिजाइन, एकीकरण और मापा प्रदर्शन की रिपोर्ट की जाती है, जो 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 में, कम लागत वाली मिमी-वेव सिस्टम स्तर के एकीकरण को सुविधाजनक बनाने के लिए इस तकनीक की क्षमता का प्रदर्शन करने के लिए, इमेजिंग रडार अनुप्रयोगों के लिए एक आवृत्ति-संचालित निरंतर तरंग (एफएमसीडब्ल्यू) ट्रांसमिट-रिसीव आईसी फ्लिप-चिप सीधे एकीकृत सरणी पर लगाया जाता है और प्रयोगात्मक रूप से विशेषता है।

31864e13a9b3473ebb07b4f991f0ae3363517244

यह कागज किनारे का पता लगाने के लिए एक कम्प्यूटेशनल दृष्टिकोण का वर्णन करता है। इस दृष्टिकोण की सफलता किनारे के बिंदुओं की गणना के लिए लक्ष्यों के एक व्यापक सेट की परिभाषा पर निर्भर करती है। इन लक्ष्यों को समाधान के रूप के बारे में न्यूनतम धारणाएं बनाते हुए डिटेक्टर के वांछित व्यवहार को सीमित करने के लिए पर्याप्त सटीक होना चाहिए। हम किनारों के वर्ग के लिए पता लगाने और स्थानीयकरण मानदंडों को परिभाषित करते हैं, और इन मानदंडों के लिए गणितीय रूपों को ऑपरेटर आवेग प्रतिक्रिया पर कार्यात्मक के रूप में प्रस्तुत करते हैं। एक तीसरा मानदंड तब जोड़ा जाता है ताकि यह सुनिश्चित किया जा सके कि डिटेक्टर के पास एक किनारे पर केवल एक प्रतिक्रिया है। हम संख्यात्मक अनुकूलन में मानदंडों का उपयोग कई सामान्य छवि विशेषताओं के लिए डिटेक्टरों को प्राप्त करने के लिए करते हैं, जिसमें चरण किनारों भी शामिल हैं। विश्लेषण को चरण किनारों में विशेषज्ञ बनाने पर, हम पाते हैं कि पता लगाने और स्थानीयकरण प्रदर्शन के बीच एक प्राकृतिक अनिश्चितता सिद्धांत है, जो दो मुख्य लक्ष्य हैं। इस सिद्धांत के साथ हम एक एकल संचालक आकार प्राप्त करते हैं जो किसी भी पैमाने पर इष्टतम है। इष्टतम डिटेक्टर में एक सरल अनुमानित कार्यान्वयन होता है जिसमें गाऊसी-सुचारू छवि के ढाल परिमाण में किनारों को अधिकतम पर चिह्नित किया जाता है। हम इस सरल डिटेक्टर का विस्तार करते हैं कई चौड़ाई के ऑपरेटरों का उपयोग करके छवि में विभिन्न सिग्नल-टू-शोर अनुपात का सामना करने के लिए। हम विभिन्न पैमानों पर ऑपरेटरों से जानकारी के सूक्ष्म से सकल एकीकरण के लिए एक सामान्य विधि प्रस्तुत करते हैं, जिसे विशेषता संश्लेषण कहा जाता है। अंत में हम दिखाते हैं कि चरण किनारे डिटेक्टर प्रदर्शन काफी सुधार होता है के रूप में ऑपरेटर बिंदु फैलाव समारोह किनारे के साथ विस्तारित है।

b41c45b2ca0c38a4514f0779395ebdf3d34cecc0

7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e

चेहरे जटिल, बहुआयामी, सार्थक दृश्य उत्तेजनाओं का प्रतिनिधित्व करते हैं और चेहरे की पहचान के लिए एक कम्प्यूटेशनल मॉडल विकसित करना मुश्किल है [42]। हम एक हाइब्रिड तंत्रिका नेटवर्क समाधान प्रस्तुत करते हैं जो अन्य विधियों के साथ अनुकूल तुलना करता है। यह प्रणाली स्थानीय छवि नमूनाकरण, एक स्व-संगठित मानचित्र तंत्रिका नेटवर्क और एक संवहन तंत्रिका नेटवर्क को जोड़ती है। स्व-संगठित मानचित्र छवि नमूनों का एक स्थलीय स्थान में एक मात्रिकीकरण प्रदान करता है जहां मूल स्थान में निकटतम इनपुट भी आउटपुट स्थान में निकटतम होते हैं, इस प्रकार छवि नमूने में मामूली परिवर्तनों के लिए आयामीकरण और अपरिवर्तनीयता प्रदान करते हैं, और संवहन तंत्रिका नेटवर्क अनुवाद, रोटेशन, पैमाने और विरूपण के लिए आंशिक अपरिवर्तनीयता प्रदान करता है। संवहन जाल कार्य परतों के एक पदानुक्रमित सेट में क्रमिक रूप से बड़े गुणों को निकालता है। हम स्व-संगठित मानचित्र के स्थान पर कारुनेन-लोएव परिवर्तित और संवर्तन नेटवर्क के स्थान पर एक बहु-परत पर्सट्रॉन का उपयोग करके परिणाम प्रस्तुत करते हैं। कारुनेन-लोएव परिवर्तन लगभग उतना ही अच्छा प्रदर्शन करता है (5.3% त्रुटि बनाम 3.8%). बहुपरत पर्सेप्ट्रॉन बहुत खराब प्रदर्शन करता है (40% त्रुटि बनाम 3.8%). यह विधि त्वरित वर्गीकरण करने में सक्षम है, केवल तेज, अनुमानित सामान्यीकरण और पूर्व-प्रसंस्करण की आवश्यकता है, और लगातार डेटाबेस पर इजेनफेस दृष्टिकोण [42] की तुलना में बेहतर वर्गीकरण प्रदर्शन प्रदर्शित करती है क्योंकि प्रशिक्षण डेटाबेस में प्रति व्यक्ति छवियों की संख्या 1 से 5 तक भिन्न होती है। प्रति व्यक्ति 5 इमेज के साथ प्रस्तावित विधि और स्वयं-मुखियों के परिणामस्वरूप क्रमशः 3.8% और 10.5% त्रुटि होती है। पहचानकर्ता अपने आउटपुट में विश्वास का एक उपाय प्रदान करता है और वर्गीकरण त्रुटि शून्य के करीब आती है जब केवल 10% उदाहरणों को अस्वीकार किया जाता है। हम 40 व्यक्तियों की 400 छवियों के एक डेटाबेस का उपयोग करते हैं जिसमें अभिव्यक्ति, मुद्रा और चेहरे के विवरण में काफी उच्च डिग्री की भिन्नता होती है। हम कम्प्यूटेशनल जटिलता का विश्लेषण करते हैं और चर्चा करते हैं कि प्रशिक्षित पहचानकर्ता में कैसे नई कक्षाएं जोड़ी जा सकती हैं।

5dd9dc47c4acc9ea3e597751194db52119398ac6

शिफ्ट रजिस्टर एक प्रकार का अनुक्रमिक तर्क सर्किट है जिसका उपयोग मुख्यतः डिजिटल डेटा को संग्रहीत करने या सिस्टम की सुरक्षा में सुधार के लिए रेडियो फ्रीक्वेंसी पहचान (आरएफआईडी) अनुप्रयोगों में बाइनरी नंबरों के रूप में डेटा के हस्तांतरण के लिए किया जाता है। इस लेख में एक नए फ्लिप-फ्लॉप का उपयोग करके एक ऊर्जा-कुशल शिफ्ट रजिस्टर प्रस्तुत किया गया है जिसमें एक निहित पल्स-ट्रिगर संरचना है। प्रस्तावित फ्लिप-फ्लॉप में उच्च प्रदर्शन और कम बिजली की विशेषताएं हैं। यह पांच ट्रांजिस्टरों द्वारा कार्यान्वित एक नमूनाकरण सर्किट, उदय और पतन पथ के लिए एक सी-घटक, और एक रखवाले चरण से बना है। गति को चार घडी वाले ट्रांजिस्टरों को एक साथ एक संक्रमण स्थिति तकनीक के साथ निष्पादित करके बढ़ाया जाता है। सिमुलेशन परिणाम इस बात की पुष्टि करता है कि प्रस्तावित टोपोलॉजी क्रमशः समानांतर-समानांतर-बाहर (पीआईपीओ) और धारावाहिक-सीरियल-बाहर (एसआईएसओ) शिफ्ट रजिस्टर के लिए क्रमशः 22.97 और 22.7071 एनडब्ल्यू की सबसे कम मात्रा में बिजली की खपत करती है। कुल मिलाकर डिजाइन में केवल 16 ट्रांजिस्टर होते हैं और यह 1.2 V बिजली की आपूर्ति के साथ 130 एनएम पूरक-धातु-ऑक्साइड-सेमीकंडक्टर (CMOS) तकनीक में अनुकरण किया जाता है।

d76beb59a23c01c9bec1940c4cec1ca26e00480a

वायु सेना अनुसंधान प्रयोगशाला ने दो मस्तिष्क-कंप्यूटर इंटरफेस (बीसीआई) को लागू और मूल्यांकन किया है जो स्थिर-राज्य दृश्य उत्तेजित प्रतिक्रिया को भौतिक उपकरण या कंप्यूटर प्रोग्राम को संचालित करने के लिए एक नियंत्रण संकेत में अनुवादित करते हैं। एक दृष्टिकोण में, ऑपरेटर मस्तिष्क की प्रतिक्रिया को स्वयं नियंत्रित करते हैं; दूसरा दृष्टिकोण कई उत्तेजित प्रतिक्रियाओं का उपयोग करता है।

8a65dc637d39c14323dccd5cbcc08eed2553880e

यह लेख दक्षिण अफ्रीका में जिला प्रबंधन का समर्थन करने के लिए स्वास्थ्य सूचना प्रणाली विकसित करने के लिए एक चल रही कार्रवाई अनुसंधान परियोजना की प्रारंभिक अवधि (1994-2001) का वर्णन करता है। दक्षिण अफ्रीका में स्वास्थ्य क्षेत्र का पुनर्निर्माण, स्वास्थ्य सेवा वितरण में समानता के लिए प्रयास करना और स्वास्थ्य जिलों के आधार पर एक विकेन्द्रीकृत संरचना का निर्माण करना। सूचना प्रणाली (आईएस) विकास के संदर्भ में, यह सुधार प्रक्रिया स्वास्थ्य डेटा के मानकीकरण में अनुवाद करती है जो स्थानीय नियंत्रण और सूचना प्रबंधन के एकीकरण को बढ़ाकर नए दक्षिण अफ्रीका के लक्ष्यों को लिखती है। हम कार्य अनुसंधान के लिए अपने दृष्टिकोण का वर्णन करते हैं और मामले की सामग्री का विश्लेषण करने में अभिनेता-नेटवर्क और संरचनात्मक सिद्धांतों से अवधारणाओं का उपयोग करते हैं। आईएस विकास की प्रक्रिया के विस्तृत विवरण और विश्लेषण में, हम मानकीकरण और स्थानीय लचीलेपन (स्थानीयकरण) को संतुलित करने की आवश्यकता पर ध्यान केंद्रित करते हैं; मानकीकरण को इस प्रकार विषम अभिनेताओं की एक सरणी के नीचे से ऊपर संरेखण के रूप में देखा जाता है। सूचना प्रणालियों के एक सामाजिक प्रणाली मॉडल पर आधारित, हम आईएस डिजाइन रणनीति को विकसित और उपयोग की जाती प्रक्रियाओं की खेती के रूप में अवधारणा करते हैं जिसके द्वारा ये अभिनेता अपने हितों का अनुवाद और संरेखण कर रहे हैं। हम वैश्विक और स्थानीय डेटासेट के एक मॉड्यूलर पदानुक्रम को एक ढांचे के रूप में विकसित करते हैं जिसके भीतर मानकीकरण और स्थानीयकरण के बीच तनाव को समझा और संबोधित किया जा सकता है। अंत में, हम अन्य देशों में अनुसंधान के परिणामों की संभावित प्रासंगिकता पर चर्चा करते हैं।

600434c6255c160b53ad26912c1c0b96f0d48ce6

रैंडम फॉरेस्ट एक कम्प्यूटेशनल रूप से कुशल तकनीक है जो बड़े डेटासेट पर तेजी से काम कर सकती है। इसका उपयोग हाल ही में कई शोध परियोजनाओं और विभिन्न क्षेत्रों में वास्तविक दुनिया के अनुप्रयोगों में किया गया है। हालांकि, संबंधित साहित्य में लगभग कोई निर्देश नहीं दिया गया है कि रैंडम फॉरेस्ट बनाने के लिए कितने पेड़ों का उपयोग किया जाना चाहिए। यहां रिपोर्ट किए गए शोध का विश्लेषण करता है कि क्या रैंडम फॉरेस्ट के भीतर पेड़ों की इष्टतम संख्या है, अर्थात, एक सीमा से अधिक पेड़ों की संख्या में वृद्धि करने से कोई महत्वपूर्ण प्रदर्शन लाभ नहीं होगा, और केवल गणना लागत में वृद्धि होगी। हमारे मुख्य निष्कर्ष ये हैं कि जैसे-जैसे पेड़ों की संख्या बढ़ती है, इसका मतलब यह नहीं है कि वन का प्रदर्शन पहले के जंगलों (कम पेड़ों) की तुलना में काफी बेहतर है, और पेड़ों की संख्या को दोगुना करना बेकार है। यह भी कहा जा सकता है कि एक सीमा है जिसके परे कोई महत्वपूर्ण लाभ नहीं है, जब तक कि एक विशाल कम्प्यूटेशनल वातावरण उपलब्ध न हो। इसके अतिरिक्त, किसी भी वन में पेड़ों की संख्या दोगुनी होने पर एयूसी लाभ के लिए एक प्रयोगात्मक संबंध पाया गया। इसके अलावा, जैसे-जैसे पेड़ों की संख्या बढ़ती है, रैंडम फॉरेस्ट के भीतर विशेषताओं के पूर्ण सेट का उपयोग किया जाता है, जो बायोमेडिकल डोमेन में दिलचस्प नहीं हो सकता है। इसके अतिरिक्त, यहां प्रस्तावित डेटासेट-घनत्व-आधारित मीट्रिक संभवतः निर्णय पेड़ों पर वीसी आयाम के कुछ पहलुओं को पकड़ते हैं और कम घनत्व वाले डेटासेट के लिए बड़ी क्षमता वाली मशीनों की आवश्यकता हो सकती है जबकि इसके विपरीत भी सच प्रतीत होता है।

4cbadc5f4afe9ac178fd14a6875ef1956a528313

पिछले कई वर्षों के दौरान प्रौद्योगिकी में प्रगति ने छोटे सेंसर नोड्स के लिए इंटरनेट के बाकी हिस्सों के साथ वायरलेस संचार करना संभव बना दिया। इस उपलब्धि के साथ ऐसे आईपी-सक्षम वायरलेस सेंसर नेटवर्क (आईपी-डब्ल्यूएसएन) को सुरक्षित करने का प्रश्न उभरा और तब से यह एक महत्वपूर्ण शोध विषय रहा है। इस शोध में हम कॉन्टीकी ऑपरेटिंग सिस्टम के लिए पूर्व-साझा कुंजी सिफर सूट (टीएलएस पीएसके एईएस 128 सीसीएम 8 के साथ) का उपयोग करके टीएलएस और डीटीएलएस प्रोटोकॉल के हमारे कार्यान्वयन पर चर्चा करते हैं। कॉन्टिकी ओएस द्वारा समर्थित प्रोटोकॉल के सेट में एक नया प्रोटोकॉल जोड़ने के अलावा, यह परियोजना हमें यह आकलन करने की अनुमति देती है कि आईपी-डब्ल्यूएसएन के लिए परिवहन-स्तर सुरक्षा और पूर्व-साझा कुंजी प्रबंधन योजनाएं कितनी उपयुक्त हैं।

0ab99aa04e3a8340a7552355fb547374a5604b24

कई नैदानिक कार्यों के लिए असामान्यताओं का पता लगाने और समय के साथ माप और परिवर्तनों को मापने के लिए प्रारंभिक खोज प्रक्रिया की आवश्यकता होती है। कम्प्यूटरीकृत उपकरण, विशेष रूप से छवि विश्लेषण और मशीन लर्निंग, निदान में सुधार करने के लिए महत्वपूर्ण सक्षमकर्ता हैं, जो उन निष्कर्षों की पहचान करने में मदद करते हैं जिन्हें उपचार की आवश्यकता होती है और विशेषज्ञ के कार्यप्रवाह का समर्थन करने के लिए। इन उपकरणों में, गहरी शिक्षा तेजी से अत्याधुनिक आधार साबित हो रही है, जिससे सटीकता में सुधार होता है। इसने डेटा विश्लेषण में नई सीमाएं भी खोलीं हैं, जिनकी प्रगति की दरें पहले कभी नहीं देखी गई थीं। ईईपी सीखने सामान्य डेटा विश्लेषण में एक बढ़ती प्रवृत्ति है और इसे 2013 की 10 सफलता प्रौद्योगिकियों में से एक कहा गया है [1]। गहरी शिक्षा कृत्रिम तंत्रिका नेटवर्क का एक सुधार है, जिसमें अधिक परतें होती हैं जो उच्च स्तर के अमूर्त और डेटा से बेहतर भविष्यवाणियों की अनुमति देती हैं। आज तक, यह सामान्य इमेजिंग और कंप्यूटर विजन डोमेन में अग्रणी मशीन-लर्निंग टूल के रूप में उभर रहा है। विशेष रूप से, संवहन तंत्रिका नेटवर्क (सीएनएन) कंप्यूटर दृष्टि कार्यों की एक विस्तृत श्रृंखला के लिए शक्तिशाली उपकरण साबित हुए हैं। डीप सीएनएन स्वचालित रूप से कच्चे डेटा (जैसे, छवियों) से प्राप्त मध्य-स्तर और उच्च-स्तर के अमूर्त सीखते हैं। हाल के परिणाम बताते हैं कि सीएनएन से निकाले गए सामान्य वर्णक प्राकृतिक छवियों में वस्तु की पहचान और स्थानीयकरण में अत्यंत प्रभावी हैं। दुनिया भर में चिकित्सा छवि विश्लेषण समूह तेजी से क्षेत्र में प्रवेश कर रहे हैं और सीएनएन और अन्य गहरी सीखने की पद्धतियों को विभिन्न प्रकार के अनुप्रयोगों में लागू कर रहे हैं। आशाजनक परिणाम सामने आ रहे हैं। चिकित्सा इमेजिंग में, किसी रोग का सटीक निदान और/या आकलन छवि अधिग्रहण और छवि व्याख्या दोनों पर निर्भर करता है। हाल के वर्षों में छवि अधिग्रहण में काफी सुधार हुआ है, जिसमें उपकरणों ने तेजी से दरों और बढ़े हुए संकल्प पर डेटा प्राप्त किया है। हालांकि, छवि व्याख्या प्रक्रिया को हाल ही में कंप्यूटर प्रौद्योगिकी से लाभ मिलना शुरू हुआ है। चिकित्सा छवियों की अधिकांश व्याख्या डॉक्टरों द्वारा की जाती है; हालांकि, मानव द्वारा छवि व्याख्या इसकी व्यक्तिपरकता, दुभाषियों के बीच बड़े बदलाव और थकान के कारण सीमित है।

5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70

बिना पर्यवेक्षण वाली छवि अनुवाद, जिसका उद्देश्य छवियों के दो स्वतंत्र सेटों का अनुवाद करना है, जोड़े गए डेटा के बिना सही पत्राचार की खोज में चुनौतीपूर्ण है। मौजूदा कार्य जनरेटिव एडवर्सियल नेटवर्क्स (जीएएन) पर आधारित हैं, जिससे अनुवादित छवियों का वितरण लक्ष्य सेट के वितरण से अलग नहीं हो सकता है। हालांकि, ऐसे सेट-स्तर की बाधाएं उदाहरण-स्तर के पत्राचारों (जैसे. वस्तु परिवर्तन कार्य में समन्वित अर्थिक भाग) । इस सीमा के परिणामस्वरूप अक्सर झूठे सकारात्मक परिणाम (जैसे। ज्यामितीय या अर्थ संबंधी कलाकृतियाँ), और आगे मोड पतन समस्या की ओर जाता है। उपरोक्त मुद्दों को संबोधित करने के लिए, हम डीप अटेंशन गैन (डीए-गैन) द्वारा उदाहरण-स्तर छवि अनुवाद के लिए एक उपन्यास ढांचे का प्रस्ताव करते हैं। इस प्रकार की डिजाइन डीए-जीएएन को दो सेटों से नमूनों का अनुवाद करने के कार्य को एक उच्च संरचित गुप्त स्थान में अनुवाद करने के लिए सक्षम बनाती है। विशेष रूप से, हम संयुक्त रूप से एक गहरे ध्यान एन्कोडर सीखते हैं, और उदाहरण-स्तर के पत्राचारों को परिणामस्वरूप सीखे उदाहरणों पर भाग लेने के माध्यम से खोजा जा सकता है। इसलिए, सेट-स्तर और उदाहरण-स्तर दोनों पर प्रतिबंधों का उपयोग किया जा सकता है। कई अत्याधुनिक तकनीकों के साथ तुलना करके हमारे दृष्टिकोण की श्रेष्ठता को दर्शाया गया है और व्यापक अनुप्रयोग क्षमता, जैसे कि पोज़ मॉर्फिंग, डेटा एग्ग्मेंटेशन आदि, डोमेन ट्रांसलेशन समस्या के सीमा को आगे बढ़ाता है।

f1526054914997591ffdb8cd523bea219ce7a26e

इस वर्ष मार्च में, अमेरिकन स्टैटिस्टिकल एसोसिएशन (एएसए) ने पी-वैल्यू के सही उपयोग पर एक बयान पोस्ट किया, इस बढ़ती चिंता के जवाब में कि पी-वैल्यू का आमतौर पर गलत उपयोग और गलत व्याख्या की जाती है। हमारा उद्देश्य एएसए द्वारा दी गई इन चेतावनियों को ऐसी भाषा में अनुवाद करना है जो सांख्यिकी में गहरी पृष्ठभूमि के बिना चिकित्सकों और शोधकर्ताओं द्वारा अधिक आसानी से समझी जा सके। इसके अलावा, हम पी-मूल्यों की सीमाओं को स्पष्ट करने का इरादा रखते हैं, भले ही सही तरीके से उपयोग और व्याख्या की जाए, और उदाहरण के रूप में हाल ही में रिपोर्ट किए गए दो अध्ययनों का उपयोग करके अध्ययन के निष्कर्षों की नैदानिक प्रासंगिकता पर अधिक ध्यान आकर्षित करें। हमारा तर्क है कि पी-मूल्यों की अक्सर गलत व्याख्या की जाती है। एक आम गलती यह कह रही है कि P < 0.05 का अर्थ है कि शून्य परिकल्पना गलत है, और P ≥0.05 का अर्थ है कि शून्य परिकल्पना सही है। 0.05 के पी-मूल्य की सही व्याख्या यह है कि यदि शून्य परिकल्पना वास्तव में सही थी, तो समान नमूने में अध्ययन को दोहराने पर 5% बार समान या अधिक चरम परिणाम होगा। दूसरे शब्दों में, पी-मूल्य शून्य परिकल्पना को देखते हुए डेटा की संभावना के बारे में सूचित करता है और इसके विपरीत नहीं। पी-मूल्य से संबंधित एक संभावित विकल्प विश्वास अंतराल (सीआई) है। यह प्रभाव की परिमाण और उस प्रभाव का अनुमान लगाने की अशुद्धता के बारे में अधिक जानकारी प्रदान करता है। हालांकि, पी-वैल्यू को बदलने और वैज्ञानिक परिणामों की गलत व्याख्या को रोकने के लिए कोई जादुई गोली नहीं है। वैज्ञानिकों और पाठकों को समान रूप से सांख्यिकीय परीक्षणों, पी-मूल्यों और सीआई की सही, सूक्ष्म व्याख्या के साथ खुद को परिचित करना चाहिए।

50ca90bc847694a7a2d9a291f0d903a15e408481

हम मानव इशारों की पहचान के लिए एक सामान्य दृष्टिकोण का प्रस्ताव करते हैं जो कई डेटा मोडलिटी जैसे कि गहराई वीडियो, स्पष्ट मुद्रा और भाषण पर आधारित है। हमारे तंत्र में, प्रत्येक इशारा बड़े पैमाने पर शरीर की गति और स्थानीय सूक्ष्म गति जैसे हाथ की अभिव्यक्ति में विघटित होता है। अनेक स्तरों पर सीखने का विचार भी समय के आयाम पर लागू होता है, जैसे कि एक इशारे को विशिष्ट गति आवेगों या गतिशील मुद्राओं के एक सेट के रूप में माना जाता है। प्रत्येक मोडलिटी को पहले छोटे स्थानिक-समयिक ब्लॉक में अलग से संसाधित किया जाता है, जहां भेदभावपूर्ण डेटा-विशिष्ट विशेषताएं या तो मैन्युअल रूप से निकाली जाती हैं या सीखी जाती हैं। अंत में, हम बड़े पैमाने पर अस्थायी निर्भरता, डेटा संलयन और अंततः इशारा वर्गीकरण के लिए मॉडलिंग के लिए एक आवर्ती तंत्रिका नेटवर्क का उपयोग करते हैं। बहुआयामी इशारा पहचान डेटासेट पर 2013 की चुनौती पर हमारे प्रयोगों ने दिखाया है कि कई स्थानिक और सामयिक पैमाने पर कई तरीकों का उपयोग करने से प्रदर्शन में महत्वपूर्ण वृद्धि होती है जिससे मॉडल को व्यक्तिगत वर्गीकरणकर्ताओं की त्रुटियों के साथ-साथ अलग-अलग चैनलों में शोर की भरपाई करने की अनुमति मिलती है।

586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6

हम एक अनसुर्क्षित विधि प्रस्तुत करते हैं जो छोटे बदलावों और विकृतियों के लिए अपरिवर्तनीय हैं। परिणामी विशेषता निष्कर्षक में कई संवहन फ़िल्टर होते हैं, इसके बाद एक विशेषता-पूलिंग परत होती है जो आसन्न विंडो के भीतर प्रत्येक फ़िल्टर आउटपुट के अधिकतम की गणना करती है, और एक बिंदु-वार सिग्मोइड गैर-रैखिकता होती है। पहले स्तर से सुविधाओं के पैच पर एक ही एल्गोरिथ्म को प्रशिक्षित करके बड़े और अधिक अपरिवर्तनीय सुविधाओं का दूसरा स्तर प्राप्त किया जाता है। इन विशेषताओं पर एक पर्यवेक्षित वर्गीकरणकर्ता को प्रशिक्षित करने से एमएनआईएसटी पर 0.64% त्रुटि और कैल्टेक 101 पर औसत मान्यता दर 54% प्रति श्रेणी 30 प्रशिक्षण नमूनों के साथ होती है। जबकि परिणामी वास्तुकला संवहन नेटवर्क के समान है, परत-वार अनसुर्क्षित प्रशिक्षण प्रक्रिया विशुद्ध रूप से पर्यवेक्षित सीखने की प्रक्रियाओं को परेशान करने वाली अति-पैरामीटरकरण समस्याओं को कम करती है, और बहुत कम लेबल वाले प्रशिक्षण नमूनों के साथ अच्छा प्रदर्शन करती है।

80bcfbb1a30149e636ff1a08aeb715dad6dd9285

0.15μm GaN HEMT प्रक्रिया प्रौद्योगिकी का उपयोग करते हुए दो उच्च दक्षता वाले Ka-बैंड पावर एम्पलीफायर MMIC के डिजाइन और प्रदर्शन को प्रस्तुत किया गया है। 3-चरण संतुलित एम्पलीफायर के लिए मापा गया इन-फिक्स्चर निरंतर तरंग (सीडब्ल्यू) परिणाम 11GHz पर 30W तक आउटपुट पावर और 30% पावर एडड दक्षता (पीएई) का प्रदर्शन करता है। तीन चरणों वाले एकल-अंत डिजाइन ने 6W से अधिक आउटपुट पावर और 34% तक पीएई का उत्पादन किया। संतुलित और एकल-अंत MMIC के लिए मर आकार क्रमशः 3.24 × 3.60mm2 और 1.74 × 3.24mm2 हैं।

284de726e700a6c52f9f8fb9f3de4d4b0ff778bb

आवर्ती तंत्रिका नेटवर्क (आरएनएन) स्वाभाविक रूप से भाषण पहचान के लिए उपयुक्त हैं क्योंकि गतिशील रूप से बदलती अस्थायी जानकारी का उपयोग करने की उनकी क्षमता है। डीप आरएनएन को विभिन्न समय की बारीकियों पर अस्थायी संबंधों को मॉडलिंग करने में सक्षम होने के लिए तर्क दिया गया है, लेकिन वे गायब होने वाली ढाल समस्याओं से पीड़ित हैं। इस पेपर में, हम ग्रिड एलएसटीएम ब्लॉकों का उपयोग करके स्टैक्ड लॉन्ग शॉर्ट-टर्म मेमोरी (एलएसटीएम) आरएनएन का विस्तार करते हैं जो इस मुद्दे को कम करने के लिए न केवल समयावधि आयाम, बल्कि गहराई आयाम के साथ गणना को तैयार करते हैं। इसके अलावा, हम गहराई आयाम को समय के आयाम पर प्राथमिकता देते हैं ताकि गहराई आयाम अधिक अद्यतित जानकारी प्रदान कर सके, क्योंकि इससे आउटपुट का उपयोग वर्गीकरण के लिए किया जाएगा। हम इस मॉडल को प्राथमिकता ग्रिड एलएसटीएम (पीजीएलएसटीएम) कहते हैं। चार बड़े डेटासेट (एएमआई, एचकेयूएसटी, गेल और एमजीबी) पर व्यापक प्रयोगों से संकेत मिलता है कि पीजीएलएसटीएम वैकल्पिक गहरे एलएसटीएम मॉडल से बेहतर प्रदर्शन करता है, 4% से 7% सापेक्ष सुधार के साथ स्टैक्ड एलएसटीएम को हराता है, और सभी डेटासेट पर एक-दिशात्मक मॉडल के बीच नए बेंचमार्क प्राप्त करता है।