Datasets:

---

carlfeynman

/

Bharat_NanoSCIDOCS_as

like 0

2f991be8d35e4c1a45bfb0d646673b1ef5239a1f

যান্ত্ৰিক শিক্ষণৰ মডেলবোৰে কিয় সেইদৰে আচৰণ কৰে সেয়া বুজিলে দুয়োটা পদ্ধতিৰ ডিজাইনাৰ আৰু শেষ ব্যৱহাৰকাৰী উভয়কে বহুতো ধৰণেৰে শক্তি প্ৰদান কৰেঃ মডেল নিৰ্বাচন, বৈশিষ্ট্য অভিযান্ত্ৰিক, ভৱিষ্যদ্বাণীসমূহৰ ওপৰত বিশ্বাস আৰু কাৰ্য কৰিবলৈ, আৰু অধিক স্বজ্ঞাত ব্যৱহাৰকাৰীৰ ইণ্টাৰফেচত। এইদৰেই, ব্যাখ্যাযোগ্যতা মেচিন লাৰ্ণিংৰ এক গুৰুত্বপূৰ্ণ উদ্বেগ হৈ পৰিছে, আৰু ব্যাখ্যাযোগ্য মডেলৰ ক্ষেত্ৰত কামে নতুনকৈ আগ্ৰহ লাভ কৰিছে। কিছুমান প্ৰয়োগত, এনে মডেলবোৰ অ-অনুবাদযোগ্যবোৰৰ দৰে সঠিক, আৰু সেয়েহে তেওঁলোকৰ স্বচ্ছতাৰ বাবে পছন্দ কৰা হয়। য ত কোনো এটা শব্দৰ অৰ্থৰ ওপৰত নিৰ্ভৰ কৰি তাৰ অৰ্থ নিৰ্ণয় কৰা হয়। অৱশ্যে, ব্যাখ্যাযোগ্য মডেললৈ মেচিন লাৰ্ণিং সীমাবদ্ধ কৰাটো প্ৰায়ে এক গুৰুতৰ সীমাবদ্ধতা। এই প্ৰবন্ধত আমি মডেল-অজ্ঞানবাদী পদ্ধতি ব্যৱহাৰ কৰি মেচিন লাৰ্ণিং ভৱিষ্যদ্বাণী ব্যাখ্যা কৰাৰ বাবে যুক্তি দিছো। মেচিন লাৰ্ণিং মডেলসমূহক ব্লেকবক্স ফাংশন হিচাপে ব্যৱহাৰ কৰি, এই পদ্ধতিবোৰে মডেল, ব্যাখ্যা আৰু প্ৰতিনিধিত্বৰ নিৰ্বাচনত গুৰুত্বপূৰ্ণ নমনীয়তা প্ৰদান কৰে, বিভিন্ন ব্যৱহাৰকাৰী আৰু মডেলৰ বাবে ডিবাগিং, তুলনা আৰু আন্তঃপৃষ্ঠ উন্নত কৰে। আমি এই পদ্ধতিসমূহৰ প্ৰধান প্ৰত্যাহ্বানসমূহৰ বিষয়েও উল্লেখ কৰিছো আৰু এই প্ৰত্যাহ্বানসমূহ সমাধান কৰিব পৰা শেহতীয়াকৈ প্ৰৱৰ্তিত মডেল-অজ্ঞানবাদী ব্যাখ্যা পদ্ধতি (LIME) ৰ বিষয়েও পৰ্যালোচনা কৰিছো।

546add32740ac350dda44bab06f56d4e206622ab

গভীৰ স্নায়ু নেটৱৰ্কে ছবিৰ শ্ৰেণীবিভাজনৰ ক্ষেত্ৰত আকৰ্ষণীয় পৰীক্ষামূলক ফলাফল লাভ কৰিছে, কিন্তু বিৰোধী বিসংগতি, অৰ্থাৎ ইনপুট ছবিৰ ন্যূনতম পৰিবৰ্তনসমূহৰ ক্ষেত্ৰত আশ্চৰ্যজনকভাৱে অস্থিৰ হ ব পাৰে, যাৰ ফলত নেটৱৰ্কে ইয়াক ভুল শ্ৰেণীবিভাজন কৰিব পাৰে। এই প্ৰকল্পৰ বাবে ব্যৱহাৰযোগ্যতা বৃদ্ধিৰ বাবে, এই প্ৰকল্পৰ বাবে প্ৰয়োজনীয় সকলো সামগ্ৰী আৰু সা-সামগ্ৰী ব্যৱহাৰ কৰা হ ব। আমি সন্তুষ্টিৰ মডুলো তত্ত্ব (SMT) ৰ ওপৰত ভিত্তি কৰি ফিড ফৰৱাৰ্ড মাল্টিলেয়াৰ নিউৰেল নেটৱৰ্কৰ বাবে এক নতুন স্বয়ংক্ৰিয় প্ৰমাণীকৰণ ফ্ৰেমৱৰ্ক বিকাশ কৰিছো। আমি ছবিৰ ম্যানিপুলেশ্যনসমূহত গুৰুত্ব দিছো, যেনে কেমেৰাৰ কোণ বা পোহৰৰ অৱস্থাত হোৱা পৰিৱৰ্তন, আৰু ছবিৰ শ্ৰেণীবিভাজনৰ সিদ্ধান্তৰ বাবে সুৰক্ষাৰ সংজ্ঞা দিছো, মূল ছবিৰ ম্যানিপুলেশ্যনৰ ক্ষেত্ৰত শ্ৰেণীবিভাজনৰ অবিচলতাৰ ক্ষেত্ৰত যিটো ইয়াৰ ওচৰতে থকা ছবিৰ অঞ্চলত। আমি এই অঞ্চলত ডিস্ক্ৰেটাইজেচনৰ সহায়ত অনুসন্ধান কৰিব পাৰো আৰু বিশ্লেষণ স্তৰ অনুসাৰে প্ৰসাৰিত কৰিব পাৰো। আমাৰ পদ্ধতিটো নেটৱৰ্ক ক ডৰ সৈতে প্ৰত্যক্ষভাৱে কাম কৰে আৰু বৰ্তমানৰ পদ্ধতিৰ বিপৰীতে, প্ৰতিদ্বন্দ্বিতামূলক উদাহৰণ, যদি এইবোৰ থাকে, প্ৰদান কৰা অঞ্চল আৰু পৰিচালনাৰ পৰিয়ালৰ বাবে পোৱা যায়। যদি পোৱা যায়, বিৰোধী উদাহৰণবোৰ মানৱ পৰীক্ষকক দেখুৱাব পাৰি আৰু/বা নেটৱৰ্কটো সূক্ষ্ম-টুন কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। আমি Z3 ব্যৱহাৰ কৰি প্ৰযুক্তিসমূহ ৰূপায়ণ কৰো আৰু নিয়মীয়া আৰু গভীৰ শিক্ষণ নেটৱৰ্ককে ধৰি অত্যাধুনিক নেটৱৰ্কসমূহত ইয়াক মূল্যায়ন কৰো। আমি বিৰোধী উদাহৰণ বিচাৰি উলিওৱাৰ বাবে আৰু নেটৱৰ্কৰ দৃঢ়তা অনুমান কৰাৰ বাবে বিদ্যমান কৌশলসমূহৰ সৈতে তুলনা কৰো।

8db9df2eadea654f128c1887722c677c708e8a47

ই লগতে গুৰুত্বপূর্ণ তথ্যৰ ওপৰত গুৰুত্ব দিবলৈ মনোযোগ মডেলৰ ওপৰত শেহতীয়া কামবোৰ একত্ৰিত কৰে, যাৰ ফলত এম্বেডেড হাৰ্ডৱেৰত স্থাপনৰ বাবে কম্পিউটেশ্যনেল জটিলতা হ্ৰাস কৰে। এই ফ্ৰেমৱৰ্কটো TORCS নামৰ এটা মুক্ত উৎসৰ 3D কাৰ ৰেচিং ছিমুলেটৰত পৰীক্ষা কৰা হৈছিল। আমাৰ অনুকৰণ ফলাফলসমূহে জটিল পথৰ বক্ৰতা আৰু অন্যান্য বাহনৰ সৰল ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ ক্ষেত্ৰত স্বায়ত্তশাসিত ম্যানুৱেৰিং শিকাৰ প্ৰমাণ কৰে। এটা ৰবট গাড়ী যি স্বায়ত্তশাসিতভাৱে চলায়, ই হৈছে কৃত্ৰিম বুদ্ধিমত্তাৰ এক দীৰ্ঘদিনীয়া লক্ষ্য। এখন বাহন চলোৱাটো এনে এক কাম যিটো মানৱ চালকৰ পৰা উচ্চ পৰ্যায়ৰ দক্ষতা, মনোযোগ আৰু অভিজ্ঞতা বিচাৰে। যদিও কম্পিউটাৰবোৰ মানুহতকৈ অধিক ধাৰাবাহিক মনোযোগ আৰু মনোযোগৰ বাবে সক্ষম, সম্পূৰ্ণ স্বয়ংচালিত বাহন চলাবলৈ এটা স্তৰৰ বুদ্ধিমত্তাৰ প্ৰয়োজন যি এআই এজেন্টৰ দ্বাৰা এতিয়ালৈকে প্ৰাপ্ত কৰা হৈছে। স্বায়ত্তশাসিত চালক এজেন্ট সৃষ্টিৰ সৈতে জড়িত কামবোৰক ৩ টা শ্ৰেণীত ভাগ কৰিব পাৰি, যেনে চিত্ৰ ১ত দেখুওৱা হৈছেঃ ইয়াৰ উদাহৰণ হ ল পদচাৰী চিনাক্তকৰণ, ট্ৰেফিক চিহ্ন চিনাক্তকৰণ ইত্যাদি। যদিও তুচ্ছ নহয়, চিনাক্তকৰণ বৰ্তমান সময়ত এটা তুলনামূলকভাৱে সহজ কাম, ডিপ লাৰ্ণিং (ডি এল) এলগৰিথমৰ অগ্ৰগতিৰ বাবে ধন্যবাদ, যিয়ে বিভিন্ন বস্তু চিনাক্তকৰণ আৰু শ্ৰেণীবিভাজনৰ সমস্যাত মানৱ স্তৰৰ চিনাক্তকৰণ বা তাতকৈ ওপৰৰ স্তৰত উপনীত হৈছে [1] [2]। গভীৰ শিক্ষণ মডেলবোৰে কেঁচা ইনপুট ডাটাৰ পৰা জটিল বৈশিষ্ট প্ৰতিনিধিত্ব শিকিব পাৰে, হস্তনিৰ্মিত বৈশিষ্টৰ প্ৰয়োজনীয়তা বাদ দিয়ে [15] [2] [7]। এই ক্ষেত্ৰত, কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (CNNs) সম্ভৱতঃ আটাইতকৈ সফল গভীৰ শিক্ষণ মডেল, আৰু এলেক্সনেট [8] ৰ পিছত ইমেজনেট প্ৰত্যাহ্বানৰ প্ৰতিজন বিজয়ী প্ৰৱেশৰ ভিত্তি গঠন কৰিছে। এই সফলতা স্বায়ত্তশাসিত চালনৰ বাবে লেন আৰু বাহন চিনাক্তকৰণত প্ৰতিলিপি কৰা হৈছে [6]। 2) ভৱিষ্যদ্বাণীঃ স্বায়ত্তশাসিত চালকৰ বাবে নিজৰ পৰিৱেশ চিনাক্ত কৰাটো যথেষ্ট নহয়; ই পৰিৱেশৰ ভৱিষ্যৎ অৱস্থাসমূহ ভৱিষ্যদ্বাণী কৰিব পৰা আভ্যন্তৰীণ মডেল নিৰ্মাণ কৰিবলৈ সক্ষম হ ব লাগিব। এই শ্ৰেণীৰ সমস্যাৰ উদাহৰণসমূহ হৈছে পৰিৱেশৰ মানচিত্ৰ নিৰ্মাণ কৰা বা কোনো বস্তু অনুসৰণ কৰা। ভৱিষ্যতৰ বিষয়ে ভৱিষ্যদ্বাণী কৰিবলৈ, অতীতৰ তথ্যবোৰ একত্ৰিত কৰাটো গুৰুত্বপূৰ্ণ। এনেদৰে, পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক (RNNs) এই শ্ৰেণীৰ সমস্যাৰ বাবে অপৰিহাৰ্য। দীৰ্ঘ-শ্ৰুতকালীন স্মৃতি (LSTM) নেটৱৰ্ক [5] হৈছে এনে এক শ্ৰেণীৰ RNN যি এণ্ড-টু-এণ্ড দৃশ্য লেবেলিং চিস্টেমত ব্যৱহাৰ কৰা হৈছে [14]। শেহতীয়াকৈ, ডিপট্ৰেকিঙৰ মডেলত বস্তুৰ ট্ৰেকিংৰ পাৰদৰ্শিতাৰ উন্নতি কৰিবলৈ আৰএনএন ব্যৱহাৰ কৰা হৈছে [13]। ৩) পৰিকল্পনাঃ বাহনখনক সফলতাৰে চলাচল কৰিবলৈ সক্ষম কৰিব পৰা ভৱিষ্যতৰ ক্ৰিয়া-কলাপৰ পৰিকল্পনা কৰিবলৈ স্বীকৃতি আৰু ভৱিষ্যদ্বাণী অন্তৰ্ভুক্ত কৰা এক কাৰ্যকৰী মডেলৰ প্ৰজন্ম। পৰিকল্পনা এই তিনিটা কামৰ ভিতৰত আটাইতকৈ কঠিন কাম। সমস্যাটো হৈছে মডেলৰ পৰিৱেশ (পুনৰ চিনাক্তকৰণ) আৰু ইয়াৰ গতিশীলতা (প্ৰাক্কলন) বুজাৰ ক্ষমতা একত্ৰিত কৰা যাতে ই ভৱিষ্যতে অপ্ৰয়োজনীয় পৰিস্থিতি (দণ্ড) ৰ পৰা হাত সাৰিব পাৰে আৰু নিৰাপদে গন্তব্য স্থানলৈ যাব পাৰে (প্ৰতিদান) । চিত্ৰ ১ঃ উচ্চ পৰ্যায়ৰ স্বায়ত্তশাসিত ড্ৰাইভিং টাস্ক ৰেনফৰচমেন্ট লাৰ্ণিং (আৰএল) ফ্ৰেমৱৰ্ক [17] [20] নিয়ন্ত্ৰণ টাস্কত দীৰ্ঘদিন ধৰি ব্যৱহাৰ কৰা হৈছে। [৯] ৰেল ৰ সৈতে ডিএল ৰ মিশ্ৰণটো মানৱ পৰ্যায়ৰ নিয়ন্ত্ৰণ লাভ কৰাৰ বাবে আটাইতকৈ আশাব্যঞ্জক পদ্ধতি হিচাপে চিহ্নিত কৰা হৈছে। [12] আৰু [11] ত এই মানৱ পৰ্যায়ৰ নিয়ন্ত্ৰণ ডিপ কিউ নেটৱৰ্ক (ডি কিউ এন) মডেল ব্যৱহাৰ কৰি আটাৰি খেলত প্ৰদৰ্শন কৰা হৈছিল, য ত আৰ এল পৰিকল্পনা অংশৰ বাবে দায়ী আৰু ডি এল প্ৰতিনিধিত্ব শিক্ষাৰ অংশৰ বাবে দায়ী। পিছত, আংশিক পৰ্যবেক্ষণযোগ্য দৃশ্যপটসমূহ [4]ৰ বাবে RNNs মিশ্ৰণত একত্ৰিত কৰা হৈছিল। স্বায়ত্তশাসিত বাহন চলোৱাৰ বাবে তথ্যৰ একত্ৰীকৰণৰ প্ৰয়োজন হয়। 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 একাধিক ছেন্সৰৰ পৰা কিছুমান অতি নিম্ন মাত্রাৰ, যেনে LIDAR, আন কিছুমান অতি উচ্চ মাত্রাৰ, যেনে কেমেৰা। এই বিশেষ উদাহৰণত, অৱশ্যে, মন কৰিবলগীয়া যে যদিও কেমেৰাৰ ছবি উচ্চ মাত্ৰাৰ হয়, স্বায়ত্তশাসিত ড্ৰাইভিং টাস্ক অৰ্জন কৰিবলৈ প্ৰয়োজনীয় উপযোগী তথ্য বহু কম মাত্ৰাৰ হয়। উদাহৰণস্বৰূপে, দৃশ্যৰ গুৰুত্বপূৰ্ণ অংশসমূহ যিয়ে ড্ৰাইভিং সিদ্ধান্তবোৰ প্ৰভাৱিত কৰে গতিশীল বাহন, আগত পথৰ মুক্ত স্থান, কাৰ্বৰ অৱস্থান ইত্যাদিৰ সৈতে সীমাবদ্ধ থাকে। বাহনবোৰৰ সূক্ষ্ম বিৱৰণো গুৰুত্বপূৰ্ণ নহয়, কাৰণ সমস্যাটোৰ বাবে কেৱল তেওঁলোকৰ স্থানিক অৱস্থানহে প্ৰকৃততে প্ৰয়োজনীয়। সেয়েহে, প্ৰাসংগিক তথ্যৰ বাবে মেমৰি বেণ্ডউইথ বহু কম। যদি এই প্ৰাসংগিক তথ্যসমূহ আহৰণ কৰিব পৰা যায়, অন্য প্ৰাসংগিক নোহোৱা অংশবোৰ ফিল্টাৰ কৰা হয়, ই স্বায়ত্তশাসিত ড্ৰাইভিং চিষ্টেমৰ সঠিকতা আৰু দক্ষতা দুয়োটাই উন্নত কৰিব। তদুপৰি, ই চিষ্টেমৰ গণনা আৰু মেমৰিৰ প্ৰয়োজনীয়তা হ্ৰাস কৰিব, যি স্বায়ত্তশাসিত ড্ৰাইভিং নিয়ন্ত্ৰণ ইউনিট অন্তৰ্ভুক্ত কৰিব পৰা এম্বেডেড চিষ্টেমৰ ক্ষেত্ৰত গুৰুত্বপূৰ্ণ সীমাবদ্ধতা। মনোযোগৰ মডেলবোৰ এনে তথ্য পৰিশোধনৰ প্ৰক্ৰিয়াৰ বাবে স্বাভাৱিক। শেহতীয়াকৈ, এই মডেলসমূহ সফলতাৰে [23] আৰু [10] ত ছবি চিনাক্তকৰণৰ বাবে স্থাপন কৰা হৈছিল, য ত RL ৰ সৈতে RNNs মিশ্ৰিত কৰা হৈছিল ছবিৰ অংশবোৰ লাভ কৰিবলৈ। এই ধৰণৰ মডেলসমূহ সহজে DQN [11] আৰু ডিপ ৰিচিউৰেণ্ট Q নেটৱৰ্ক (DRQN) [4] মডেলত সম্প্ৰসাৰিত আৰু সংহত কৰা হয়। এই সংহতি [16]ত কৰা হৈছিল। মনোযোগৰ মডেলৰ সফলতাই আমাক স্বয়ংচালিত গাড়ী চলোৱাৰ বাবে কেঁচা সংবেদনশীল তথ্যৰ পৰা নিম্ন স্তৰৰ তথ্য আহৰণৰ বাবে প্ৰস্তাৱ আগবঢ়াবলৈ বাধ্য কৰিছে। এই প্ৰবন্ধত আমি এটা পৰিসীমা নিৰ্ধাৰণ কৰিছো য ত অটোমেশ্যন চালনৰ প্ৰণালীয়ে অগ্ৰাধিকাৰ পাব। এই মডেলটোৱে আংশিকভাৱে পৰ্যবেক্ষণযোগ্য দৃশ্যপটবোৰ সামৰি ল ব পাৰে। তদুপৰি, আমি গ্ৰহণ কৰা ছেন্সৰৰ তথ্যৰ পৰা কেৱল প্ৰাসংগিক তথ্য আহৰণ কৰিবলৈ মনোযোগৰ মডেলৰ শেহতীয়া অগ্ৰগতি একত্ৰিত কৰাৰ প্ৰস্তাৱ দিছো, যাৰ ফলত ই বাস্তৱ-সময়ৰ এম্বেড কৰা প্ৰণালীৰ বাবে উপযুক্ত হৈ পৰিব। এই প্ৰবন্ধৰ প্ৰধান অৱদানসমূহ হৈছে: ১) গভীৰ শক্তিশালী শিক্ষাৰ সাম্প্ৰতিক অগ্ৰগতিৰ এক সমীক্ষা দাঙি ধৰা আৰু ২) গভীৰ শক্তিশালী শিক্ষাৰ ব্যৱহাৰ কৰি স্বয়ংচালিত বাহন চলোৱাৰ বাবে অটোমোবাইল সম্প্ৰদায়ক এক ফ্ৰেমৱৰ্ক প্ৰদান কৰা। বাকী কাগজখন দুটা ভাগত বিভক্ত। প্ৰথম ভাগত গভীৰ শক্তিবৰ্ধকৰণ শিক্ষণ এলগৰিথমৰ এক সমীক্ষা আগবঢ়োৱা হৈছে, পৰম্পৰাগত এমডিপি ফ্ৰেমৱৰ্ক আৰু কিউ-লাৰ্নিংৰ পৰা আৰম্ভ কৰি, ইয়াৰ পিছত ডিকিউএন, ডিআৰকিউএন আৰু গভীৰ মনোযোগ পুনৰাবৃত্তিমূলক কিউ নেটৱৰ্ক (ডিএৰকিউএন) । এই প্ৰবন্ধৰ দ্বিতীয় অংশত গভীৰ শক্তিশালী শিক্ষাৰ সাম্প্ৰতিক অগ্ৰগতিৰ সৈতে একত্ৰিত কৰা প্ৰস্তাৱিত ফ্ৰেমৱৰ্কৰ বিষয়ে বৰ্ণনা কৰা হৈছে। শেষত, আমি সিদ্ধান্ত লওঁ আৰু ভৱিষ্যতৰ কামৰ বাবে নিৰ্দেশনা দিওঁ। পুনৰ শক্তিশালীকৰণ শিক্ষণৰ এক বিস্তৃত বিৱৰণৰ বাবে অনুগ্ৰহ কৰি ৰিচ ছট্টনৰ পাঠ্যপুথিৰ দ্বিতীয় সংস্কৰণটো চাওক [18]। এই অংশত আমি গুৰুত্বপূৰ্ণ বিষয়সমূহৰ সংক্ষিপ্ত বিৱৰণ আগবঢ়াইছো। [17]ত এজেন্ট এজনে অনুসৰণ কৰিব পৰা সৰ্বশ্ৰেষ্ঠ নীতি (এক নিৰ্দিষ্ট অৱস্থাত গ্ৰহণ কৰিব পৰা সৰ্বশ্ৰেষ্ঠ কাৰ্য্য) প্ৰদান কৰিবলৈ এটা মডেল হিচাপে ৰেইনফ ৰ্চমেণ্ট লাৰ্ণিং ফ্ৰেমৱৰ্ক প্ৰস্তুত কৰা হৈছিল, যাতে এজেন্টটোৱে বৰ্তমানৰ পৰা এক টাৰ্মিনেল ষ্টেট পৰ্যন্ত সেই নীতি অনুসৰণ কৰিলে সঞ্চিত পুৰস্কাৰৰ পৰিমাণ সৰ্বাধিক হয়। RL প্যাৰডাইম ড্ৰাইভিংৰ বাবে অনুপ্ৰেৰণা হৈছে বহু-এজেন্টৰ আন্তঃক্ৰিয়া সমস্যা। এজন মানৱ চালক হিচাপে, ঘন যান-বাহন চলাচলত লেন সলনি কৰাতকৈ অন্য গাড়ীৰ সৈতে কোনোধৰণৰ ক্ৰিয়া-প্ৰতিক্ৰিয়া নকৰাকৈ লেনৰ ভিতৰত থকাটো বহুত সহজ। শেহতীয়াটো অধিক কঠিন কাৰণ অন্যান্য চালকৰ আচৰণত অন্তৰ্নিহিত অনিশ্চয়তা। আন্তঃক্ৰিয়াশীল বাহনৰ সংখ্যা, তেওঁলোকৰ জ্যামিতিক বিন্যাস আৰু চালকৰ আচৰণত ব্যাপক পৰিৱৰ্তন থাকিব পাৰে আৰু সকলো পৰিস্থিতিৰ সম্পূৰ্ণ কভাৰেজ থকা নিৰীক্ষণযুক্ত শিক্ষণৰ ডাটা ছেট ডিজাইন কৰাটো প্ৰত্যাহ্বানজনক। মানৱ চালকসকলে আন চালকৰ আচৰণ বুজিবলৈ অনলাইন ৰেইনফ ৰ্চমেণ্ট লাৰ্নিং ব্যৱহাৰ কৰে যেনে তেওঁলোক প্ৰতিৰক্ষামূলক নে আক্ৰমণাত্মক, অভিজ্ঞ নে অনভিজ্ঞ ইত্যাদি। বিশেষকৈ, এটা চাৰ্কশ্বিপত প্ৰৱেশ কৰা, ট্ৰেফিক লাইটবিহীন জংচনবোৰত চলাচল কৰা, তীব্ৰ যান-জঁটৰ সময়ত লেন সলনি কৰা ইত্যাদি পৰিস্থিতিত এই পদ্ধতি ব্যৱহাৰ কৰা হয়। স্বায়ত্তশাসিত চালনাৰ প্ৰধান প্ৰত্যাহ্বান হ ল কোণৰ ক্ষেত্ৰত মোকাবিলা কৰা যিটো এজন মানৱ চালকৰ বাবেও অপ্ৰত্যাশিত, যেনে জিপিএছ অবিহনে অজ্ঞাত অঞ্চলত হেৰাই যোৱাৰ পৰা বা বানপানীৰ দৰে দুৰ্যোগৰ পৰিস্থিতিৰ সৈতে মোকাবিলা কৰা বা মাটিত ছিংহোলৰ উপস্থিতি। আৰএল পৰ্দাইমে অজানা ক্ষেত্ৰৰ মডেলিং কৰে আৰু কাৰ্য্যকৰী কৰি নিজৰ অভিজ্ঞতাৰ পৰা শিকায়। ইয়াৰ উপৰিও, RL য়ে অ-বিভিন্ন কৰিব পৰা ব্যয়ৰ কাৰ্য্যবোৰ সামৰিব পাৰে যি পৰিদৰ্শিত শিক্ষাৰ সমস্যাসমূহৰ বাবে প্ৰত্যাহ্বান সৃষ্টি কৰিব পাৰে। বৰ্তমান, স্বায়ত্তশাসিত চালনৰ বাবে মান পদ্ধতি হৈছে চিষ্টেমটোক বিচ্ছিন্ন উপ-সমস্যা, সাধাৰণতে নিৰীক্ষণ-শিক্ষাৰ দৰে বস্তু চিনাক্তকৰণ, ভিজুৱেল ওডোমেট্ৰী, ইত্যাদিলৈ বিচ্ছিন্ন কৰা আৰু তাৰ পিছত পূৰ্বৱৰ্তী পদক্ষেপৰ সকলো ফলাফল একত্ৰিত কৰিবলৈ এটা পৰৱৰ্তী প্ৰক্ৰিয়া স্তৰ থকা। এই পদ্ধতিৰ দুটা প্ৰধান সমস্যা আছেঃ প্ৰথম, যি উপ-সমস্যাসমূহ সমাধান কৰা হয় সেইবোৰ স্বায়ত্তশাসিত চালনাৰ তুলনাত অধিক কঠিন হ ব পাৰে। উদাহৰণস্বৰূপে, এজন লোকে অৰ্থবিভাজনৰ দ্বাৰা অবজেক্ট চিনাক্তকৰণ সমাধান কৰিব পাৰে যিটো প্ৰত্যাহ্বানমূলক আৰু অপ্ৰয়োজনীয়। মানৱ চালকসকলে গাড়ী চলোৱাৰ সময়ত সকলো দৃশ্যমান বস্তু চিনাক্ত আৰু শ্ৰেণীবদ্ধ নকৰে, কেৱল আটাইতকৈ প্ৰাসংগিক বস্তুবোৰহে। দ্বিতীয়তে, বিচ্ছিন্ন উপ-সমস্যাসমূহ সুসংগতভাৱে সংযুক্ত কৰি সফলতা লাভ কৰিব নোৱাৰি। শক্তিবৰ্ধিত শিক্ষণক শক্তিশালী এআই প্ৰকাৰ হিচাপে গণ্য কৰা হয় যাক পৰিৱেশৰ সৈতে ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ জৰিয়তে আৰু তেওঁলোকৰ ভুলৰ পৰা শিকাৰ জৰিয়তে মেচিনবোৰক শিকাবলৈ ব্যৱহাৰ কৰিব পাৰি। ইয়াৰ উপযোগীতা অনুভৱ কৰাৰ পাছতো, ইয়াক এতিয়াও অটোমোটিভ এপ্লিকেশ্যনত সফলতাৰে প্ৰয়োগ কৰা হোৱা নাই। এটাৰী গেম আৰু গুগল ডিপ মাইণ্ডৰ গ ৰ সফল শিক্ষণ প্ৰদৰ্শনৰ দ্বাৰা অনুপ্ৰাণিত হৈ আমি গভীৰ শক্তিশালী শিক্ষণ ব্যৱহাৰ কৰি স্বায়ত্তশাসিত বাহন চলোৱাৰ বাবে এক ফ্ৰেমৱৰ্ক প্ৰস্তাৱ দিছো। ই বিশেষভাৱে প্ৰাসংগিক কিয়নো অন্য যান-বাহন, পথচাৰী আৰু পথ নিৰ্মাণৰ কামকে ধৰি পৰিৱেশৰ সৈতে প্ৰৱল পাৰস্পৰিক ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ বাবে স্বায়ত্তশাসিত ড্ৰাইভিংক পৰিদৰ্শিত শিক্ষাৰ সমস্যা হিচাপে উত্থাপন কৰাটো কঠিন। যিহেতু ই স্বয়ংচালিত চালনৰ বাবে গৱেষণাৰ এটা তুলনামূলকভাৱে নতুন ক্ষেত্ৰ, আমি গভীৰ শক্তিবৰ্ধক শিক্ষণৰ এটা সংক্ষিপ্ত আভাস প্ৰদান কৰোঁ আৰু তাৰ পিছত আমাৰ প্ৰস্তাৱিত ফ্ৰেমৱৰ্ক বৰ্ণনা কৰোঁ। ই তথ্য সংহতিৰ বাবে ৰিচিউৰেণ্ট নিউৰেল নেটৱৰ্ক অন্তৰ্ভুক্ত কৰে, যিয়ে গাড়ীখনক আংশিকভাৱে পৰ্যবেক্ষণযোগ্য দৃশ্যপট পৰিচালনা কৰিবলৈ সক্ষম কৰে।

a4d513cfc9d4902ef1a80198582f29b8ba46ac28

এই প্ৰতিবেদনত এআইৰ দুষ্প্ৰাপ্য ব্যৱহাৰৰ পৰা সম্ভাৱ্য সুৰক্ষা ভাবুকিৰ পৰিদৰ্শন কৰা হৈছে আৰু এই ভাবুকিসমূহক ভালদৰে ভৱিষ্যদ্বাণী, প্ৰতিৰোধ আৰু হ্ৰাস কৰাৰ উপায় প্ৰস্তাৱ কৰা হৈছে। ডিজিটেল, ফিজিকেল আৰু ৰাজনৈতিক ক্ষেত্ৰসমূহত AIয়ে ভাবুকি ক্ষেত্ৰসমূহত কেনেদৰে প্ৰভাৱ পেলাব পাৰে তাৰ বিশ্লেষণ কৰাৰ পিছত, আমি AI গৱেষক আৰু অন্যান্য অংশীদাৰসকলৰ বাবে চাৰিটা উচ্চ পৰ্যায়ৰ পৰামৰ্শ আগবঢ়াইছো। আমি আৰু অধিক গৱেষণাৰ বাবে কেইবাটাও প্ৰতিশ্ৰুতিপূৰ্ণ ক্ষেত্ৰৰ পৰামৰ্শ দিছো যিয়ে প্ৰতিৰক্ষাৰ পোর্টফ লিঅ সম্প্ৰসাৰিত কৰিব পাৰে, বা আক্ৰমণ কম কাৰ্যকৰী বা কাৰ্যকৰী কৰিবলৈ কঠিন কৰিব পাৰে। শেষত, আমি আলোচনা কৰোঁ, কিন্তু নিৰ্ণয় কৰিব নোৱাৰি, আক্ৰমণকাৰী আৰু প্ৰতিৰক্ষীৰ দীৰ্ঘকালীন ভাৰসাম্য।

b5a047dffc3d70dce19de61257605dfc8c69535c

গভীৰ নিউৰেল নেটৱৰ্কবোৰ জটিল, বাস্তৱিক সমস্যা সমাধানৰ বাবে বহুলভাৱে ব্যৱহৃত আৰু কাৰ্যকৰী মাধ্যম হিচাপে আত্মপ্ৰকাশ কৰিছে। অৱশ্যে, সুৰক্ষাৰ-সমালোচনামূলক ব্যৱস্থাত এইবোৰ প্ৰয়োগ কৰাৰ ক্ষেত্ৰত এটা প্ৰধান বাধা হৈছে তেওঁলোকৰ আচৰণৰ বিষয়ে আনুষ্ঠানিক নিশ্চয়তা প্ৰদান কৰাত ডাঙৰ অসুবিধা। আমি গভীৰ নিউৰেল নেটৱৰ্কৰ বৈশিষ্ট্যসমূহ পৰীক্ষা কৰিবলৈ (বা প্ৰতি-উদাহৰণ প্ৰদান কৰিবলৈ) এটা নতুন, স্কেলযোগ্য আৰু দক্ষ কৌশল উপস্থাপন কৰোঁ। এই কৌশলটো simplex পদ্ধতিৰ ওপৰত আধাৰিত, যিটো non-convex Rectified Linear Unit (ReLU) সক্ৰিয়কৰণ কাৰ্য্যক পৰিচালনা কৰিবলৈ সম্প্ৰসাৰিত কৰা হৈছে, যিটো বহুতো আধুনিক নিউৰেল নেটৱৰ্কৰ এক গুৰুত্বপূৰ্ণ উপাদান। প্ৰমাণীকৰণ প্ৰক্ৰিয়াটোৱে কোনো সৰলীকৰণ অনুমান নকৰাকৈ সম্পূৰ্ণ নিউৰেল নেটৱৰ্কক সামৰি লয়। আমি আমাৰ প্ৰযুক্তিৰ মূল্যায়ন কৰিছিলো পৰৱৰ্তী প্ৰজন্মৰ মানৱবিহীন বিমানৰ বাবে বায়ুবাহিত সংঘৰ্ষ এৰাই চলাৰ প্ৰণালীৰ প্ৰতিলিপি গভীৰ স্নায়ু নেটৱৰ্ক প্ৰয়োগৰ ওপৰত। ফলাফলবোৰে দেখুৱাইছে যে আমাৰ প্ৰণালীটোৱে সফলতাৰে প্ৰমাণ কৰিব পাৰে যে নেটৱৰ্কৰ বৈশিষ্ট্যসমূহ বৰ্তমানৰ পদ্ধতি ব্যৱহাৰ কৰি প্ৰমাণিত বৃহত্তম নেটৱৰ্কৰ তুলনাত এক বৃহৎ পৰিসৰৰ আকাৰৰ।

b4bd9fab8439da4939a980a950838d1299a9b030

ব্যৱহাৰৰ সম্পূৰ্ণ চৰ্ত আৰু নিয়মঃ http://pubsonline.informs.org/page/terms-and-conditions এই প্ৰবন্ধটো কেৱল গৱেষণা, শিক্ষা আৰু/বা ব্যক্তিগত অধ্যয়নৰ উদ্দেশ্যেহে ব্যৱহাৰ কৰিব পাৰি। প্ৰকাশকৰ স্পষ্ট অনুমোদন অবিহনে বাণিজ্যিক ব্যৱহাৰ বা পদ্ধতিগত ডাউনলোড (ৰবট বা অন্য স্বয়ংক্ৰিয় প্ৰক্ৰিয়াৰ দ্বাৰা) নিষিদ্ধ, যদিহে অন্যথা উল্লেখ কৰা নহয়। অধিক তথ্যৰ বাবে, [email protected]লৈ যোগাযোগ কৰক। প্ৰকাশকে প্ৰবন্ধটোৰ সঠিকতা, সম্পূৰ্ণতা, বিক্ৰয়যোগ্যতা, নিৰ্দিষ্ট উদ্দেশ্যৰ বাবে উপযুক্ততা, বা উলংঘন নোহোৱাৰ নিশ্চয়তা প্ৰদান নকৰে। এই প্ৰবন্ধত প্ৰডাক্ট বা প্ৰকাশনসমূহৰ বিৱৰণ বা প্ৰসংগ, বা বিজ্ঞাপন অন্তৰ্ভুক্ত কৰাটো সেই প্ৰডাক্ট, প্ৰকাশন বা সেৱাৰ দাবীসমূহৰ কোনো গেৰাণ্টি, অনুমোদন বা সমৰ্থন নহয় বা ইয়াৰ অৰ্থও নহয়। © ১৯৯০ ইনফৰ্মছ

5288d14f6a3937df5e10109d4e23d79b7ddf080f

c9946fedf333df0c6404765ba6ccbf8006779753

স্বায়ত্তশাসিত বাহন চলাচলে চালকৰ সুবিধা প্ৰদান আৰু সুৰক্ষা বৃদ্ধি কৰাৰ ক্ষমতা প্ৰদৰ্শন কৰিছে। আমাৰ বৰ্তমানৰ যান-বাহন ব্যৱস্থাত স্বায়ত্তশাসিত বাহন প্ৰৱৰ্তন কৰাৰ সময়ত এটা গুৰুত্বপূৰ্ণ বিষয় হৈছে স্বায়ত্তশাসিত বাহনক প্ৰকৃত মানৱ চালকৰ দৰে প্ৰতিক্ৰিয়া কৰিব পৰাটো। ভৱিষ্যতৰ স্বায়ত্তশাসিত বাহন এখন মানৱ চালকৰ দৰে কাম কৰিব পৰাকৈ, এই প্ৰবন্ধত এখন বাহন গতি পৰিকল্পনা মডেলৰ প্ৰস্তাৱ দিয়া হৈছে, যিয়ে প্ৰকৃত সংকেতযুক্ত সংকেতক্ষেত্ৰত যান-বাহন পৰিৱেশৰ মূল্যায়নৰ ওপৰত ভিত্তি কৰি চালকসকলে বাহনসমূহক কেনেকৈ নিয়ন্ত্ৰণ কৰে তাৰ প্ৰতিনিধিত্ব কৰিব পাৰে। প্ৰস্তাৱিত গতি পৰিকল্পনা মডেলত পদচাৰী অভিপ্ৰায় চিনাক্তকৰণ, ফাঁক চিনাক্তকৰণ আৰু বাহনৰ গতিশীল নিয়ন্ত্ৰণৰ কাৰ্য্য অন্তৰ্ভুক্ত আছে। এই তিনিটা কাৰ্য্যক বাস্তৱ যান-বাহন পৰিৱেশৰ পৰা সংগ্ৰহ কৰা প্ৰকৃত তথ্যৰ বিশ্লেষণৰ ওপৰত ভিত্তি কৰি নিৰ্মাণ কৰা হৈছে। শেষত, এই প্ৰবন্ধত আমাৰ মডেলৰ আচৰণসমূহক প্ৰকৃত পথচাৰী আৰু মানৱ চালকৰ আচৰণৰ সৈতে তুলনা কৰি প্ৰস্তাৱিত পদ্ধতিৰ কাৰ্যক্ষমতা প্ৰদৰ্শন কৰা হৈছে। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে আমাৰ প্ৰস্তাৱিত মডেলটোৱে পথচাৰীসকলৰ ক্ৰছিং ইণ্টেণ্টৰ বাবে ৮৫% স্বীকৃতিৰ হাৰ লাভ কৰিব পাৰে। তদুপৰি, প্ৰস্তাৱিত গতি পৰিকল্পনা মডেলৰ দ্বাৰা নিয়ন্ত্ৰিত বাহন আৰু প্ৰকৃত মানৱচালিত বাহনখন ছেদখলত ফাঁক গ্ৰহণৰ ক্ষেত্ৰত অতিশয় মিল আছে।

061356704ec86334dbbc073985375fe13cd39088

এই কামত আমি বৃহৎ স্কেল ইমেজ ৰেকগনেচনৰ ছেটিংত ইয়াৰ সঠিকতাৰ ওপৰত কনভলুশ্যনেল নেটৱৰ্ক গভীৰতাৰ প্ৰভাৱৰ অনুসন্ধান কৰো। আমাৰ মূল অৱদান হৈছে ক্ৰমান্বয়ে গভীৰতা বৃদ্ধি কৰা নেটৱৰ্কৰ এক পুংখানুপুংখ মূল্যায়ন, যিয়ে দেখুৱাইছে যে পূৰ্বৰ কলা কনফিগাৰেশ্যনৰ ওপৰত এক গুৰুত্বপূৰ্ণ উন্নতি গভীৰতা ১৬-১৯ ওজন স্তৰলৈ ঠেলি দি লাভ কৰিব পাৰি। এই ফলাফলসমূহ আমাৰ ইমেজনেট চেলেঞ্জ ২০১৪ৰ প্ৰদৰ্শনৰ আধাৰ আছিল, য ত আমাৰ দলে স্থানীয়কৰণ আৰু শ্ৰেণীবিভাজনৰ ট্ৰেকত প্ৰথম আৰু দ্বিতীয় স্থান লাভ কৰিছিল। আমি এইটোও দেখুৱাব পাৰো যে আমাৰ উপস্থাপনসমূহ আন ডাটা ছেটসমূহৰ সৈতে ভালদৰে সাধাৰণীকৰণ কৰিব পাৰি, য ত অত্যাধুনিক ফলাফল পোৱা যায়। গুৰুত্বপূৰ্ণ যে, আমি আমাৰ দুটা শ্ৰেষ্ঠ প্ৰদৰ্শনকাৰী কনভনেট মডেল ৰাজহুৱাভাৱে উপলব্ধ কৰিছো যাতে কম্পিউটাৰ ভিজনত গভীৰ ভিজুৱেল প্ৰতিনিধিত্বৰ ব্যৱহাৰৰ ওপৰত অধিক গৱেষণা সহজতৰ কৰিব পাৰি।

14318685b5959b51d0f1e3db34643eb2855dc6d9

আমি এটা গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক স্থাপত্যৰ প্ৰস্তাৱ দিছো যাৰ নাম হৈছে ইনচেপচন যি ইমেজনেট বৃহৎ-স্কেল ভিজুৱেল ৰিকগনিশ্যন চেলেঞ্জ ২০১৪ (ILSVRC14) ৰ শ্ৰেণীবিভাজন আৰু আৱিষ্কাৰৰ বাবে নতুন কলা প্ৰাপ্ত কৰে। এই আৰ্কিটেকচাৰৰ প্ৰধান চিনাক্তকৰণ হ ল নেটৱৰ্কৰ ভিতৰত কম্পিউটিং সম্পদৰ উন্নত ব্যৱহাৰ। আমি এটা অতি সাৱধানে নিৰ্মিত ডিজাইনৰ জৰিয়তে নেটৱৰ্কৰ গভীৰতা আৰু প্ৰস্থ বৃদ্ধি কৰিছিলো, কিন্তু কম্পিউটেশ্যনেল বাজেট একেবাৰে একে থাকিল। গুণগত মান উন্নত কৰিবলৈ, স্থাপত্যগত সিদ্ধান্তসমূহ হেববিয়ান নীতি আৰু বহু-স্কেল প্ৰক্ৰিয়াকৰণৰ অন্তৰ্দৃষ্টিৰ ওপৰত ভিত্তি কৰি লোৱা হৈছিল। আমাৰ ILSVRC14ৰ বাবে আমাৰ প্ৰপত্ৰত ব্যৱহাৰ কৰা এটা বিশেষ ৰূপ হৈছে GoogLeNet, যি হৈছে 22 স্তৰৰ গভীৰ নেটৱৰ্ক, যাৰ গুণমান শ্ৰেণীবিভাজন আৰু আৱিষ্কাৰৰ ক্ষেত্ৰত মূল্যায়ন কৰা হয়।

1827de6fa9c9c1b3d647a9d707042e89cf94abf0

গভীৰ স্নায়ু নেটৱৰ্কৰ প্ৰশিক্ষণ জটিল হয় কাৰণ প্ৰশিক্ষণৰ সময়ত প্ৰতিটো স্তৰৰ ইনপুটৰ বিতৰণ সলনি হয়, কাৰণ পূৰ্বৱৰ্তী স্তৰৰ পাৰামিটাৰবোৰ সলনি হয়। ইয়াৰ ফলত কম শিকাৰ হাৰ আৰু প্যারামিটাৰ আদিকৰণত যত্ন লোৱাৰ প্ৰয়োজন হয় আৰু এইটোৱে অ-ৰেখিকতাপূৰ্ণ মডেলৰ প্ৰশিক্ষণ অতিশয় কঠিন কৰি তোলে। আমি এই ঘটনাটোক আভ্যন্তৰীণ সহ-পৰিৱৰ্তনশীল স্থানান্তৰ বুলি কওঁ, আৰু স্তৰ ইনপুটবোৰ স্বাভাৱিক কৰি সমস্যাটো সমাধান কৰোঁ। আমাৰ পদ্ধতিৰ শক্তিটো হ ল মডেল স্থাপত্যৰ এটা অংশ হিচাপে নৰ্মলাইজেশ্যন কৰা আৰু প্ৰতিটো প্ৰশিক্ষণৰ মিনি-বেটচৰ বাবে নৰ্মলাইজেশ্যন কৰা। বেটচ নৰ্মলাইজেচন (Batch Normalization) ৰ দ্বাৰা আমি বহু বেছি শিক্ষণ হাৰ ব্যৱহাৰ কৰিব পাৰো আৰু আৰম্ভণিৰ ক্ষেত্ৰত কম সাৱধান হ ব পাৰো আৰু কিছুমান ক্ষেত্ৰত ড্ৰপআউটৰ প্ৰয়োজনীয়তা দূৰ কৰে। এটা অত্যাধুনিক ছবিৰ শ্ৰেণীবিভাজন মডেলত প্ৰয়োগ কৰা হ লে, বেটচ নৰ্মলাইজেচনে ১৪ গুণ কম প্ৰশিক্ষণ পদক্ষেপৰ সৈতে একে নিৰ্ভুলতা অৰ্জন কৰে আৰু মূল মডেলক যথেষ্ট ব্যৱধানত পৰাস্ত কৰে। বেটচ-নৰ্মলাইজড নেটৱৰ্কসমূহৰ এটা সমষ্টি ব্যৱহাৰ কৰি, আমি ইমেজনেট শ্ৰেণীবিভাজনৰ ওপৰত সৰ্বোত্তম প্ৰকাশিত ফলাফলৰ ওপৰত উন্নতি কৰোঃ ৪.৮২% শীৰ্ষ-৫ পৰীক্ষাৰ ত্ৰুটিত উপনীত হৈ, মানৱ ৰেটাৰসকলৰ সঠিকতা অতিক্ৰম কৰো।

6e80768219b2ab5a3247444cfb280e8d33d369f0

এই প্ৰবন্ধত অতি-বিশাল-বন্দ (UWB) শক্তি বিভাজক এটা ডিজাইন কৰা হৈছে। এই পাৱাৰ ডিভাইডাৰৰ UWB পাৰফৰমেন্স এটা কপাৰ মাইক্ৰোষ্ট্ৰীপ লাইন ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হয় যিটো এক্সপ নেন্সিয়েল আৰু এলিপ্টিক ছেকচনৰ দ্বাৰা গঠিত। ঘন দ্ৰব্যযুক্ত সমান্তৰাল মাইক্ৰ জেনেটিক এলগৰিথম (পিএমজিএ) আৰু চিএছটি মাইক্ৰ ৱেভ ষ্টুডিঅ একত্ৰিত কৰি স্বয়ংক্ৰিয় সমান্তৰাল ডিজাইন প্ৰক্ৰিয়াটো লাভ কৰা হয়। এই পদ্ধতিটো ইউডব্লিউবি শক্তি বিভাজকক অনুকূলিতকৰণ কৰিবলৈ প্ৰয়োগ কৰা হয়। অপ্টিমাইজড পাৱাৰ ডিভাইডাৰটো নিৰ্মাণ আৰু জোখা হয়। পৰিমাপ কৰা ফলাফলসমূহে তুলনামূলকভাৱে কম সন্নিবেশ ক্ষতি, ভাল ৰিটাৰ্ণ লষ্ট আৰু গোটেই UWB (3.1-10.6 GHz) ৰ ভিতৰত আউটপুট পোৰ্টসমূহৰ মাজত উচ্চ বিচ্ছিন্নতা দেখুৱায়।

2532d0567c8334e4cadf282a73ffe399c1c32476

ফলপ্ৰসূতাৰ মাপকাঠি হৈছে প্ৰাপ্ত পুৰস্কাৰৰ যোগফল। উদাহৰণস্বৰূপে, যেতিয়া এটা বাম্বল মৌয়ে খাদ্য বিচাৰে, প্ৰতিবাৰ পদক্ষেপত পুৰস্কাৰ ফাংশনটো উৰা দূৰত্ব (নেগেটিভ ওজনযুক্ত) আৰু নিমখ খোৱাৰ কিছুমান সংমিশ্ৰণ হ ব পাৰে। ৰেইনফ ৰ্চমেণ্ট লাৰ্ণিং (আৰএল) পদ্ধতিসমূহ মূলতঃ মাৰ্কভ সিদ্ধান্ত গ্ৰহণ প্ৰক্ৰিয়া (এমডিপি) সমাধানৰ বাবে অনলাইন এলগৰিদম। এটা এমডিপিক পুৰস্কাৰ ফাংশন আৰু মডেলৰ দ্বাৰা সংজ্ঞায়িত কৰা হয়, অৰ্থাৎ, প্ৰতিটো সম্ভৱ ক্ৰিয়াক চৰ্তযুক্ত অৱস্থাৰ পৰিবৰ্তন সম্ভাৱনা। RL অ্যালগৰিদম মডেল-ভিত্তিক হ ব পাৰে, য ত এজেন্টটোৱে মডেল শিকিব পাৰে, বা মডেল-মুক্ত-যেনে, Q-লাৰ্নিং উক্তি ৱাটকিন্সঃ 1989, যি কেৱল এটা ফাংশন Q ((s) শিকিব পাৰে, a) ৰাজ্য s ত কাৰ্য গ্ৰহণৰ দীৰ্ঘম্যাদী মান নিৰ্ধাৰণ কৰে আৰু তাৰ পিছত সৰ্বোত্তমভাৱে কাৰ্য কৰে। তেওঁলোকৰ সফলতাৰ সত্ত্বেও, RL পদ্ধতিবোৰ সম্পূৰ্ণৰূপে পৰ্যবেক্ষণযোগ্য MDPs লৈ সীমিত কৰা হৈছে, য ত প্ৰতিখন ৰাজ্যত সংবেদনশীল ইনপুট ৰাজ্য চিনাক্ত কৰিবলৈ পৰ্যাপ্ত। স্পষ্টতই, বাস্তৱ জগতত, আমি প্ৰায়ে আংশিকভাৱে পৰ্যবেক্ষণযোগ্য এমডিপি (POMDPs) ৰ সৈতে মোকাবিলা কৰিব লাগিব। Astrom (1965) য়ে প্ৰমাণ কৰে যে POMDPs ৰ সৰ্বোত্তম সিদ্ধান্তবোৰ নিৰ্ভৰ কৰে বিশ্বাসৰ অৱস্থাৰ ওপৰত b প্ৰতিটো সময়ত, অৰ্থাৎ, সকলো সম্ভৱ বাস্তৱিক অৱস্থাৰ ওপৰত পিছৰ সম্ভাৱনা বিতৰণ, বৰ্তমানলৈকে সকলো প্ৰমাণ দিয়া হৈছে। পাৰ আৰু ৰাছেলে (১৯৯৫) এটা অতি সৰল POMDP RL এলগৰিথমৰ বিৰ এটা স্পষ্ট প্ৰতিনিধিত্বক সম্ভাৱনাৰ ভেক্টৰ হিচাপে ব্যৱহাৰ কৰি বৰ্ণনা কৰে আৰু মেকলামে (১৯৯৩) শেহতীয়া উপলব্ধি ক্ৰম ব্যৱহাৰ কৰি বিশ্বাসৰ অৱস্থাটো প্ৰায় কৰাৰ এটা উপায় দেখুৱায়। কোনো এটা পদ্ধতিৰে বৃহৎ সংখ্যক অৱস্থা পৰিবৰ্তক আৰু দীৰ্ঘকালীন সময়ৰ নিৰ্ভৰশীলতা থকা পৰিস্থিতিৰ বাবে স্কেল আপ কৰাৰ সম্ভাৱনা নাই। যিটো প্ৰয়োজন হৈছে সেয়া হৈছে মডেলক সংক্ষিপ্তভাৱে প্ৰতিনিধিত্ব কৰাৰ আৰু মডেল আৰু প্ৰতিটো নতুন পৰ্যবেক্ষণক প্ৰদান কৰি বিশ্বাসৰ অৱস্থাটো কাৰ্যকৰীভাৱে আপডেট কৰাৰ এক উপায়। গতিশীল বেইজিয়ান নেটৱৰ্ক (ডীন আৰু কানাজাৱা, ১৯৮৯) ত কিছুমান প্ৰয়োজনীয় গুণ আছে বুলি অনুমান কৰা হয়; বিশেষকৈ, তেওঁলোকৰ অন্যান্য পদ্ধতি যেনে কলমান ফিল্টাৰ আৰু লুকাই থকা মাৰকভ মডেলৰ তুলনাত গুৰুত্বপূৰ্ণ সুবিধা আছে। আমাৰ বেছলাইন স্থাপত্য, চিত্ৰ ১ত দেখুওৱা হৈছে, নতুন ছেন্সৰ তথ্য আহিলে বিশ্বাসৰ অৱস্থা প্ৰতিনিধিত্ব আৰু আপডেট কৰিবলৈ DBNs ব্যৱহাৰ কৰে। b ৰ বাবে এটা প্ৰতিনিধিত্ব দিয়া হৈছে, পুৰস্কাৰ সংকেতটো কিছুমান ব্লেক বক্স ফাংশন সমীকৰণকাৰীৰ দ্বাৰা প্ৰতিনিধিত্ব কৰা Q-কাৰ্য শিকিবলৈ ব্যৱহাৰ কৰা হয় যেনে নিউৰেল নেটৱৰ্ক। আমি যদি হাইব্ৰিড (বিৰোধী) ব্যৱস্থা কৰিব পাৰো, তেন্তে আমি এই সমস্যাৰ সমাধান কৰিব পাৰো। এই বক্তৃতাত এটা অতি সৰল "বেছলাইন আৰ্কিটেকচাৰ"ৰ প্ৰস্তাৱ দিয়া হৈছে যিটো এটা শিকন এজেন্টৰ বাবে যিটো ষ্ট কাষ্টিক, আংশিকভাৱে পৰ্যবেক্ষণযোগ্য পৰিৱেশৰ সৈতে মোকাবিলা কৰিব পাৰে। স্থাপত্যত আৰ্হিগত প্ৰক্ৰিয়াসমূহক গ্ৰাফিক মডেল হিচাপে প্ৰতিনিধিত্ব কৰাৰ বাবে এক পদ্ধতিৰ সৈতে একত্ৰীকৰণ শিক্ষণ ব্যৱহাৰ কৰা হয়। মই সংবেদনশীল ইনপুটৰ পৰা এনে প্ৰতিনিধিত্বৰ পৰিমাপ আৰু গাঁথনিৰ বিষয়ে আলোচনা কৰিম, আৰু পিছৰ সম্ভাৱনা গণনা কৰিম। আমি সম্পূৰ্ণ এজেন্টটো পৰীক্ষা কৰিব পৰাৰ আগতে কিছুমান মুকলি সমস্যা থাকে; আমি স্কেল আপ কৰাৰ কথা বিবেচনা কৰোতে অধিক উত্থাপিত হয়। বক্তৃতাৰ দ্বিতীয় বিষয় হ ব যে শক্তিবৰ্ধক শিক্ষাই জীৱ আৰু মানুহৰ শিক্ষাৰ এটা ভাল মডেল প্ৰদান কৰিব পাৰে নে? এই প্ৰশ্নৰ উত্তৰ দিবলৈ আমি বিৰূপ শক্তিশালীকৰণ শিকিব লাগিব: লক্ষ্য কৰা আচৰণক লৈ, কোনটো পুৰস্কাৰ সংকেত, যদি কোনো হয়, অনুকূলিতকৰণ কৰা হৈছে? COLT, UAI, আৰু ML সম্প্ৰদায়ৰ বাবে এইটো এটা অতি আকৰ্ষণীয় সমস্যা যেন লাগিছে, আৰু ইকন মেট্ৰিক্সত মাৰ্কভ সিদ্ধান্ত প্ৰক্ৰিয়াৰ গাঁথনিগত অনুমানৰ শিৰোনামৰ অধীনত ইয়াক সমাধান কৰা হৈছে। 1 অনিশ্চিত পৰিৱেশত শিকিব পৰা বুদ্ধিমত্তা হৈছে বুদ্ধিমান এজেন্টৰ নিৰ্মাণ, অৰ্থাৎ, পৰিৱেশত কাৰ্যকৰীভাৱে (কেতবোৰ কাৰ্যক্ষমতা মাপদণ্ডৰ মতে) উপলব্ধি কৰা আৰু কাৰ্যকৰী কৰা প্ৰণালী। মই অন্য ঠাইত Russell and Norvig (1995) ত যুক্তি দিছো যে বেছিভাগ AI গৱেষণাই স্থিৰ, নিৰ্ণায়ক, বিচ্ছিন্ন আৰু সম্পূৰ্ণভাৱে পৰ্যবেক্ষণযোগ্য পৰিৱেশত মনোনিবেশ কৰিছে। যেতিয়া বাস্তৱ জগতৰ দৰে পৰিৱেশ গতিশীল, স্থবিৰ, নিৰন্তৰ আৰু আংশিকভাৱে পৰ্যবেক্ষণযোগ্য হয় তেতিয়া কি কৰা উচিত? এই প্ৰবন্ধটো NSF @I-9634215), ONR (N00014-97-l-0941) আৰু AR0 (DAAH04-96-1-0341) ৰ দ্বাৰা সমৰ্থিত বিভিন্ন গৱেষণা প্ৰচেষ্টাৰ ওপৰত আধাৰিত। ব্যক্তিগত বা শ্ৰেণীকোঠাৰ ব্যৱহাৰৰ বাবে এই কামৰ সকলো বা অংশৰ ডিজিটেল বা প্ৰিন্ট কপিৰ অনুমতি বিনা বেতনে প্ৰদান কৰা হয়, যদিহে কপি প্ৰলিট বা বাণিজ্যিক লাভৰ বাবে কৰা বা বিতৰণ কৰা নহয় আৰু কপিবোৰ এই জাননী আৰু প্ৰথম পৃষ্ঠাত সম্পূৰ্ণ উদ্ধৃতিৰ সৈতে থাকে। অন্যথা কপি কৰিব। পুনৰ প্ৰকাশ কৰিবলৈ, চাৰ্ভাৰত পোষ্ট কৰিবলৈ বা তালিকাসমূহলৈ পুনৰ বিতৰণ কৰিবলৈ, পূৰ্বৰ নিৰ্দিষ্ট অনুমতি আৰু/বা মাচুলৰ প্ৰয়োজন। COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 সাম্প্ৰতিক বছৰবোৰত, শক্তিশালী শিকন (ইয়াক নিউৰ ডাইনামিক প্ৰগ্ৰামিং বুলিও কোৱা হয়) এজেন্টবোৰ স্বয়ংক্ৰিয়ভাৱে নিৰ্মাণ কৰাৰ এটা পদ্ধতি হিচাপে দ্ৰুতগতিত অগ্ৰগতি লাভ কৰিছে (Sutton, 1988; Kaelbling et al., 1996; Bertsekas & Tsitsiklis, 1996) । মূল ধাৰণাটো হ ল যে কাৰ্যক্ষমতা মাপক এজেন্টক এজেন্টটোৱে পাৰ কৰা প্ৰতিটো অৱস্থাৰ বাবে পুৰস্কাৰ নিৰ্ধাৰণ কৰা পুৰস্কাৰ কাৰ্যকাৰ্যৰ ৰূপত উপলব্ধ কৰা হয়।

6f20506ce955b7f82f587a14301213c08e79463b

d14ddc01cff72066c6655aa39f3e207e34fb8591

এই প্ৰবন্ধত মাইক্ৰ ইলেক্ট্ৰ মেকানিকেল চিষ্টেম (MEMS) ৰ ওপৰত আধাৰিত ৰেডিঅ ফ্ৰেক্ভেন্সি (RF) প্ৰযুক্তিৰ এটা তুলনামূলকভাৱে নতুন ক্ষেত্ৰৰ বিষয়ে আলোচনা কৰা হৈছে। আৰএফ এমইএমএছে নতুন ডিভাইচ আৰু উপাদানসমূহৰ শ্ৰেণী প্ৰদান কৰে যিবোৰে প্ৰচলিত (সাধাৰণতে ছেমিকণ্ডাক্টৰ) ডিভাইচৰ তুলনাত উচ্চ-প্ৰাৱণতা পাৰদৰ্শিতা প্ৰদৰ্শন কৰে আৰু যিবোৰে নতুন চিষ্টেম ক্ষমতা সক্ষম কৰে। তদুপৰি, এমইএমএছ ডিভাইচসমূহ অতি বৃহৎ স্কেলৰ একত্ৰীকৰণৰ সৈতে একে ধৰণৰ প্ৰযুক্তিৰে ডিজাইন আৰু নিৰ্মিত হয় আৰু পৰম্পৰাগত বেটছ প্ৰচেছিং পদ্ধতিৰে নিৰ্মিত হ ব পাৰে। এই প্ৰবন্ধত, একমাত্ৰ যন্ত্ৰটো হৈছে ইলেক্ট্ৰ ষ্টেটিক মাইক্ৰ ছুইচ-হয়তো প্ৰদৰ্শনী RF-MEMS যন্ত্ৰ। ইয়াৰ উন্নত পাৰদৰ্শিতা বৈশিষ্ট্যসমূহৰ জৰিয়তে, মাইক্ৰ ছুইচটো ৰেডিঅ ফ্ৰণ্ট-এণ্ড, কেপেচিটৰ বেংক আৰু টাইম-ডেলিট নেটৱৰ্ককে ধৰি বহুতো বিদ্যমান চাৰ্কিট আৰু ছিষ্টেমত বিকশিত হৈছে। অতি কম শক্তিৰ বৰ্জন আৰু বৃহৎ স্কেল সংহতিৰ সৈতে মিলিত উচ্চ প্ৰদৰ্শনীয়ে নতুন চিষ্টেম কাৰ্য্যকৰীতাও সক্ষম কৰিব। ইয়াত দুটামান সম্ভাৱনীয়তা উল্লেখ কৰা হৈছে- প্ৰায়-অপটিক্যাল ৰশ্মি পৰিচালনা আৰু বৈদ্যুতিকভাৱে পুনৰ কনফিগাৰযোগ্য এণ্টেনা।

9d5f36b92ac155fccdae6730660ab44d46ad501a

ৰিস্ক পাৰিত্ব হৈছে বিবিধীকৃত পৰ্টফ লিঅ নিৰ্মাণ কৰিবলৈ ব্যৱহৃত এটা আৱণ্টন পদ্ধতি যিটো প্ৰত্যাশিত লাভৰ কোনো অনুমানৰ ওপৰত নিৰ্ভৰ নকৰে, যাৰ ফলত ৰণনীতিৰ কেন্দ্ৰবিন্দুত ৰিস্ক মেনেজমেণ্ট স্থাপন কৰা হয়। ইয়াৰ ফলত ২০০৮ চনৰ বিশ্বব্যাপী বিত্তীয় সংকটৰ পিছত ৰিস্ক পেৰিটি এক জনপ্ৰিয় বিনিয়োগৰ মডেল হৈ পৰে। অৱশ্যে, ৰিস্ক পাৰিতাও সমালোচনা কৰা হৈছে কাৰণ ই পৰ্টফ ল ৰ পাৰদৰ্শিতাৰ পৰিৱৰ্তে ৰিস্ক কেন্দ্ৰীকৰণ পৰিচালনা কৰাত গুৰুত্ব দিয়ে আৰু সেয়ে সক্ৰিয় পৰিচালনাৰ তুলনাত নিষ্ক্ৰিয় পৰিচালনাৰ অধিক কাষত থকা বুলি দেখা যায়। এই প্ৰবন্ধত আমি দেখুৱাম যে কেনেকৈ ৰিস্ক পাৰ্টি প ৰ্টফ লিয়ামত প্ৰত্যাশিত ৰিটাৰ্ণৰ অনুমান প্ৰৱৰ্তন কৰিব পাৰি। ইয়াৰ বাবে আমি এটা সাধাৰণীকৃত ৰিস্ক মাপক বিবেচনা কৰো যিয়ে পৰ্টফ লীৰ ৰিটাৰ্ণ আৰু অস্থিৰতা দুয়োটাই বিবেচনা কৰে। অৱশ্যে, পাৰদৰ্শিতা আৰু অস্থিৰতা অৱদানৰ মাজত বাণিজ্য-অফৰ ফলত কিছু অসুবিধা সৃষ্টি হয়, আৰু ৰিস্ক বাজেটিং সমস্যাটো স্পষ্টভাৱে নিৰ্ধাৰণ কৰিব লাগিব। এনেধৰণৰ ৰিস্ক বাজেটিং পৰ্টফ লিঅ ৰ তাত্ত্বিক বৈশিষ্ট্যবোৰ আহৰণ কৰাৰ পিছত, আমি এই নতুন মডেলটো সম্পদ আৱণ্টনৰ ক্ষেত্ৰত প্ৰয়োগ কৰো। প্ৰথমতে, আমি দীৰ্ঘম্যাদী বিনিয়োগ নীতি আৰু কৌশলগত সম্পদৰ আৱণ্টনৰ নিৰ্ধাৰণৰ কথা বিবেচনা কৰো। তাৰ পিছত আমি গতিশীল বণ্টনৰ বিষয়ে চিন্তা কৰিম আৰু দেখুৱাম যে কেনেকৈ ৰিস্ক পাৰ্টি ফাণ্ড নিৰ্মাণ কৰিব পাৰি যিটো প্ৰত্যাশিত ৰিটাৰ্ণৰ ওপৰত নিৰ্ভৰ কৰে।

006df3db364f2a6d7cc23f46d22cc63081dd70db

এড হ ক নেটৱৰ্ক হৈছে কোনো প্ৰতিষ্ঠিত আন্তঃগাঁথনি বা কেন্দ্ৰীয় প্ৰশাসনৰ সহায় অবিহনে অস্থায়ী নেটৱৰ্ক গঠন কৰা ৱায়াৰলেচ ম বাইল হোষ্টৰ এক সংগ্ৰহ। এনে পৰিৱেশত, এটা মোবাইল হোষ্টৰ বাবে এটা পেকেট ইয়াৰ গন্তব্যস্থানলৈ প্ৰেৰণ কৰাত আন হোষ্টৰ সহায় ল ব লগা হ ব পাৰে, প্ৰতিজন মোবাইল হোষ্টৰ ৱায়াৰলেছ ট্ৰান্সমিশ্যনৰ সীমিত পৰিসৰৰ বাবে। এই প্ৰবন্ধত এড হ ক নেটৱৰ্কত ৰাউটিংৰ বাবে এটা প্ৰট কল উপস্থাপন কৰা হৈছে যিয়ে গতিশীল উৎস ৰাউটিং ব্যৱহাৰ কৰে। প্ৰট কলটো যেতিয়া হোষ্টৰ গতি সঘনাই হয় তেতিয়া ৰাউটিংৰ পৰিবৰ্তনলৈ দ্ৰুতভাৱে খাপ খায়, তথাপিও কম বা কোনো ওভাৰহেডৰ প্ৰয়োজন নহয় যেতিয়া হোষ্ট কম সঘনাই গতি কৰে। এড হ ক নেটৱৰ্কত কাৰ্যকৰী হোৱা ম বাইল হোষ্টৰ পেকেট-স্তৰৰ অনুকৰণসমূহৰ ফলাফলৰ ভিত্তিত, প্ৰট কলটোৱে বিভিন্ন ধৰণৰ পৰিৱেশৰ পৰিস্থিতি যেনে হোষ্ট ঘনত্ব আৰু গতিৰ হাৰত ভালদৰে কাৰ্য সম্পাদন কৰে। সকলোতকৈ বেছি হ ষ্টৰ গতিৰ অনুকৰণ কৰা হ লে, প্ৰট কলৰ ওভাৰহেড যথেষ্ট কম, ২৪টা মোবাইল হোষ্টৰ নেটৱৰ্কত মধ্যম গতিৰ বাবে প্ৰেৰিত মুঠ ডাটা পেকেটৰ মাত্ৰ ১%লৈ হ্ৰাস পায়। সকলো ক্ষেত্ৰতে, ব্যৱহৃত পথ আৰু সৰ্বোত্তম পথৰ দৈৰ্ঘ্যৰ মাজত দৈৰ্ঘ্যৰ পাৰ্থক্য নগণ্য, আৰু বেছিভাগ ক্ষেত্ৰতে, পথৰ দৈৰ্ঘ্য সৰ্বোত্তম পথৰ ১.০১ গুণকৰ ভিতৰত থাকে।

25a26b86f4a2ebca2b154effbaf894aef690c03c

শেহতীয়াকৈ পাঠ্য শিকাৰ কামত লেবেলযুক্ত আৰু লেবেলবিহীন তথ্যৰ সমন্বয়ৰ দ্বাৰা পৰিচালিত শিক্ষণ পদ্ধতিৰ প্ৰতি যথেষ্ট আগ্ৰহ দেখা গৈছে। সহ-শিক্ষা পৰিবেশ [1] এনে ডাটা ছেটসমূহত প্ৰযোজ্য যিবোৰৰ বৈশিষ্ট্যবোৰ দুটা বিচ্ছিন্ন ছেটত প্ৰাকৃতিকভাৱে পৃথক। আমি দেখুৱাম যে লেবেলযুক্ত আৰু লেবেলবিহীন তথ্যৰ পৰা শিকাৰ সময়ত, স্বভাৱগতভাৱে স্বতন্ত্ৰ বিভাজন ব্যৱহাৰ কৰি এলগৰিথমবোৰে অ-লগৰিথমবোৰক অতিক্ৰম কৰে। যেতিয়া এটা প্ৰাকৃতিক বিভাজন অস্তিত্বত নাথাকে, এটা বৈশিষ্ট্য বিভাজন নিৰ্মাণ কৰা সহ-প্ৰশিক্ষণ এলগৰিথমবোৰে বিভাজন ব্যৱহাৰ নকৰা এলগৰিথমবোৰক অতিক্ৰম কৰিব পাৰে। এই ফলাফলবোৰে ব্যাখ্যা কৰাত সহায় কৰে যে কিয় সহ-শিক্ষা অ্যালগৰিদমবোৰ প্ৰকৃতিত বৈষম্যমূলক আৰু তেওঁলোকৰ এম্বেড কৰা শ্ৰেণীবিভাজনৰ ধাৰণাসমূহৰ প্ৰতি দৃঢ়।

78beead3a05f7e8f2dc812298f813c5bacdc3061

1d6889c44e11141cc82ef28bba1afe07f3c0a2b4

বিগত কেইটামান বছৰত ইণ্টাৰনেট অৱ থিংছ (আইঅ টি) ৰ ব্যাপক প্ৰয়োগ হৈছে আৰু ইয়াক প্ৰতিটো ক্ষেত্ৰতে পোৱা যায়। প্ৰমাণীকৰণ আৰু প্ৰৱেশ নিয়ন্ত্ৰণ হৈছে ডিভাইচসমূহৰ মাজত সুৰক্ষিত যোগাযোগ সম্ভৱপৰ কৰাৰ বাবে ইণ্টাৰনেট অফ থিংছৰ প্ৰেক্ষাপটত গুৰুত্বপূৰ্ণ আৰু গুৰুত্বপূৰ্ণ কাৰ্য্য। গতিশীলতা, গতিশীল নেটৱৰ্ক টপ লজি আৰু কম শক্তিৰ ডিভাইচসমূহৰ দুৰ্বল শাৰীৰিক সুৰক্ষা IoT নেটৱৰ্কত সুৰক্ষাৰ দুৰ্বলতাৰ সম্ভাৱ্য উৎস। ই এটা সংস্থান সীমিত আৰু বিতৰণ IoT পৰিবেশত প্ৰমাণীকৰণ আৰু প্ৰৱেশ নিয়ন্ত্ৰণ আক্ৰমণ প্ৰতিৰোধী আৰু কম ওজনৰ কৰাৰ প্ৰতিশ্ৰুতি প্ৰদান কৰে। এই প্ৰবন্ধত প্ৰট কল মূল্যায়ন আৰু কাৰ্যক্ষমতা বিশ্লেষণৰ সৈতে পৰিচয় প্ৰমাণীকৰণ আৰু ক্ষমতা ভিত্তিক প্ৰৱেশ নিয়ন্ত্ৰণ (IACAC) মডেলৰ বিষয়ে আলোচনা কৰা হৈছে। মেন-ইন-মিডল, ৰিপ্লে আৰু ডীল অফ ছাৰ্ভিচ (ডিঅ এছ) আক্ৰমণৰ পৰা আইঅ টি সুৰক্ষিত কৰিবলৈ, এক্সেছ কন্ট্ৰ লৰ বাবে সামৰ্থৰ ধাৰণা প্ৰৱৰ্তন কৰা হয়। এই মডেলৰ নতুনত্ব হ ল ই আই অ টি ডিভাইচৰ বাবে প্ৰমাণীকৰণ আৰু প্ৰৱেশ নিয়ন্ত্ৰণৰ এক সংহত পদ্ধতি উপস্থাপন কৰে। আমাৰ ফলাফলৰ বৈধতা আৰু সমৰ্থনৰ বাবে আন সম্পৰ্কীয় অধ্যয়নৰ ফলাফলসমূহো বিশ্লেষণ কৰা হৈছে। অৱশেষত, প্ৰস্তাৱিত প্ৰট কলটো সুৰক্ষা প্ৰট কল প্ৰমাণীকৰণ সঁজুলি ব্যৱহাৰ কৰি মূল্যায়ন কৰা হয় আৰু প্ৰমাণীকৰণৰ ফলাফলত দেখা যায় যে IACAC ওপৰত উল্লেখিত আক্ৰমণৰ বিৰুদ্ধে সুৰক্ষিত। এই প্ৰবন্ধত কম্পিউটেশ্যনেল সময়ৰ তুলনাত প্ৰট কলৰ পাৰফৰমেন্স বিশ্লেষণৰ বিষয়ে আলোচনা কৰা হৈছে। ১, ৩০৯-৩৪৮ c © ২০১৩ ৰিভাৰ প্ৰকাশন। সকলো অধিকাৰ সংৰক্ষিত। ৩১০ পি.এন. মহল আৰু আনসকল। বৰ্তমান সমাধানসমূহ ইয়াৰ উপৰিও, এই কাগজত আই অ টিৰ প্ৰত্যাহ্বানসমূহ আৰু নিৰাপত্তা আক্ৰমণসমূহ ব্যৱহাৰৰ ক্ষেত্ৰত মডেল কৰা হৈছে যাতে আই অ টি নেটৱৰ্কৰ প্ৰকৃত দৃশ্য পোৱা যায়।

310b72fbc3d384ca88ca994b33476b8a2be2e27f

আমি ইয়াত এক অনুভৱ বিশ্লেষক (SA) উপস্থাপন কৰিছো যি অনলাইন পাঠ্য নথিৰ পৰা কোনো বিষয়ৰ বিষয়ে অনুভূতি (বা মতামত) আহৰণ কৰে। এটা বিষয়ৰ বিষয়ে এটা সম্পূৰ্ণ নথিৰ অনুভূতি শ্ৰেণীবদ্ধ কৰাৰ পৰিৱৰ্তে, SA য়ে প্ৰদান কৰা বিষয়টোৰ সকলো উল্লেখ আৱিষ্কাৰ কৰে, আৰু প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়া (NLP) কৌশল ব্যৱহাৰ কৰি প্ৰতিটো প্ৰসংগত অনুভূতি নিৰ্ধাৰণ কৰে। আমাৰ অনুভূতি বিশ্লেষণত অন্তৰ্ভুক্ত হয় 1) এটা বিষয় নিৰ্দিষ্ট বৈশিষ্ট্য শব্দৰ আহৰণ, 2) অনুভূতি আহৰণ, আৰু 3) সম্পৰ্ক বিশ্লেষণৰ দ্বাৰা (বিষয়, অনুভূতি) সংযুক্তি। এই বিশ্লেষণৰ বাবে এছএ-এ দুটা ভাষিক সম্পদ ব্যৱহাৰ কৰেঃ অনুভূতি অভিধান আৰু অনুভূতি আৰ্হি ডাটাবেছ। অনলাইন প্ৰডাক্ট ৰিভিউ প্ৰবন্ধ (ডিজিটেল কেমেৰা আৰু সংগীত ৰিভিউ) আৰু সাধাৰণ ৱেবপেজ আৰু বাতৰি প্ৰবন্ধকে ধৰি অধিক সাধাৰণ নথিপত্ৰৰ ওপৰত এলগৰিথমৰ কাৰ্য্যক্ষমতা পৰীক্ষা কৰা হৈছিল।

59d9160780bf3eac8c621983a36ff332a3497219

স্বয়ংক্ৰিয় ভাৱ বিশ্লেষণৰ বহুতো পদ্ধতি তেওঁলোকৰ পূৰ্বৰ ধ্ৰুৱত্ব (অৰ্থাৎ অৰ্থগত দিশ নিৰ্ণয়) ৰ সৈতে চিহ্নিত শব্দৰ এটা ডাঙৰ শব্দকোষৰ সৈতে আৰম্ভ হয়। অৱশ্যে, শব্দৰ এটা বিশেষ উদাহৰণ দেখা পোৱা বাক্যাংশৰ প্ৰসংগত থকা ধ্ৰুৱকত্ব শব্দটোৰ পূৰ্বৰ ধ্ৰুৱকত্বৰ পৰা একেবাৰে পৃথক হ ব পাৰে। ইতিবাচক শব্দবোৰ নেতিবাচক অনুভূতি প্ৰকাশ কৰা বাক্যাংশত ব্যৱহাৰ কৰা হয়, বা তাৰ বিপৰীতে। ইয়াৰ উপৰিও, প্ৰায়েই শব্দসমূহ যি ইতিবাচক বা নেতিবাচক হয় সেইবোৰ প্ৰসংগটোৰ বাহিৰত থাকিলেও প্ৰসংগটোৰ মাজত নিৰপেক্ষ হয়, অৰ্থাৎ সেইবোৰ কোনো অনুভূতি প্ৰকাশ কৰিবলৈ ব্যৱহাৰ কৰা নহয়। এই কামৰ লক্ষ্য হৈছে পূৰ্বৰ আৰু প্ৰসংগভিত্তিক ধ্ৰুৱতাৰ মাজত স্বয়ংক্ৰিয়ভাৱে পাৰ্থক্য কৰা, এই কাৰ্যৰ বাবে কোনবোৰ বৈশিষ্ট্য গুৰুত্বপূৰ্ণ সেয়া বুজি পোৱাত গুৰুত্ব দিয়া। কাৰণ সমস্যাৰ এটা গুৰুত্বপূৰ্ণ দিশ হৈছে নিৰপেক্ষ প্ৰেক্ষাপটত পোলাৰ শব্দবোৰ ব্যৱহাৰ কৰা হৈছে যেতিয়া চিনাক্ত কৰা, নিৰপেক্ষ আৰু পোলাৰ উদাহৰণসমূহৰ মাজত পাৰ্থক্যৰ বাবে বৈশিষ্টসমূহৰ মূল্যায়ন কৰা হয়, লগতে ইতিবাচক আৰু ঋণাত্মক প্ৰসংগত পোলাৰীত্বৰ মাজত পাৰ্থক্যৰ বাবে বৈশিষ্টসমূহৰো মূল্যায়ন কৰা হয়। মূল্যায়নত একাধিক মেচিন লাৰ্ণিং এলগৰিথমৰ বৈশিষ্ট্যসমূহৰ কাৰ্যক্ষমতা মূল্যায়ন কৰা হয়। এটা বাদে সকলো শিক্ষণীয় এলগৰিথমৰ বাবে, সকলো বৈশিষ্ট্যৰ সংমিশ্ৰণে সৰ্বোত্তম কাৰ্যক্ষমতা প্ৰদান কৰে। মূল্যায়নৰ আন এটা দিশত বিবেচনা কৰা হৈছে যে নিৰপেক্ষ দৃষ্টান্তৰ উপস্থিতিয়ে কেনেকৈ ইতিবাচক আৰু ঋণাত্মক ধ্ৰুৱতাৰ মাজত পাৰ্থক্য দেখুওৱাৰ বাবে বৈশিষ্ট্যৰ কাৰ্যক্ষমতাক প্ৰভাৱিত কৰে। এই পৰীক্ষাসমূহে দেখুৱায় যে নিৰপেক্ষ উদাহৰণসমূহৰ উপস্থিতিয়ে এই বৈশিষ্টসমূহৰ কাৰ্যক্ষমতা বহু পৰিমাণে হ্ৰাস কৰে, আৰু সকলো ধ্ৰুৱক শ্ৰেণীত কাৰ্যক্ষমতা উন্নত কৰাৰ সৰ্বশ্ৰেষ্ঠ উপায় হ ল যেতিয়া এটা উদাহৰণ নিৰপেক্ষ হয় তেতিয়া চিনাক্ত কৰাৰ বাবে চিষ্টেমৰ ক্ষমতা উন্নত কৰা।

7c89cbf5d860819c9b5e5217d079dc8aafcba336

এই প্ৰবন্ধত আমি এটা কেছ ষ্টডিৰ বৰ্ণনা কৰিছো য ত চাৰিজন বিচাৰকে ৱাল ষ্ট্ৰীট জাৰ্ণেলৰ দফাসমূহক বিষয়গত বা উদ্দেশ্যগত হিচাপে শ্ৰেণীবদ্ধ কৰিবলৈ ট্যাগিং নিৰ্দেশনা প্ৰস্তুত আৰু ব্যৱহাৰ কৰা হৈছে। চাৰিজন ন্যায়াধীশৰ মাজত হোৱা একমত বিশ্লেষণ কৰা হয় আৰু সেই বিশ্লেষণৰ ভিত্তিত প্ৰতিটো দফা চূড়ান্ত শ্ৰেণীবদ্ধ কৰা হয়। শ্ৰেণীবিভাজনৰ বাবে অভিজ্ঞতামূলক সমৰ্থন প্ৰদান কৰিবলৈ, কুইৰ্ক আৰু সহযোগীসকলে ধাৰণা কৰা বিষয়গত শ্ৰেণী আৰু মৌলিক অৰ্থগত শ্ৰেণীৰ মাজত তথ্যত সম্পৰ্কবোৰ মূল্যায়ন কৰা হয়। (১৯৮৫)

9141d85998eadb1bca5cca027ae07670cfafb015

অনুভূতি (মতামতৰ আৱেগিক অংশ) চিনাক্ত কৰাটো এক প্ৰত্যাহ্বানজনক সমস্যা। আমি এটা ব্যৱস্থা প্ৰদৰ্শন কৰিছোঁ যিয়ে এটা বিষয়ৰ ওপৰত মতামত ব্যক্ত কৰা লোকসকলক স্বয়ংক্ৰিয়ভাৱে বিচাৰি উলিয়াব আৰু সেই বিষয়ৰ প্ৰতি তেওঁলোকৰ মতামত ব্যক্ত কৰিব। এই প্ৰণালীত শব্দৰ সংবেদন নিৰ্ণয় কৰাৰ বাবে এটা মডিউল আৰু এটা বাক্যত সংবেদন সংযুক্ত কৰাৰ বাবে আন এটা মডিউল আছে। আমি শব্দ আৰু বাক্য স্তৰত অনুভূতি শ্ৰেণীবদ্ধ আৰু সংযুক্ত কৰাৰ বিভিন্ন মডেলৰ সৈতে পৰীক্ষা-নিৰীক্ষা কৰিছো, আশাব্যঞ্জক ফলাফলৰ সৈতে।

c2ac213982e189e4ad4c7f60608914a489ec9051

আমাৰ তিনি বছৰৰ অভিজ্ঞতা অনুসৰি, আমি এটা বৃহৎ আকাৰৰ আৰবী ভাষাৰ টোকাযুক্ত পাঠৰ সংকলন প্ৰস্তুত কৰিছো, আমাৰ প্ৰবন্ধত আমি নিম্নলিখিত বিষয়বোৰ আলোচনা কৰিমঃ (ক) পদ্ধতিগত সিদ্ধান্তৰ সৈতে সম্পৰ্ক থকা আৰবী ভাষাৰ প্ৰাসংগিক সমস্যাসমূহৰ পুনৰীক্ষণ, (খ) পেন্সিলভেন ইংলিছ ট্ৰীবেংক শৈলীৰ নিৰ্দেশনাৱলী ব্যৱহাৰ কৰাৰ আমাৰ পছন্দৰ ব্যাখ্যা, (আৰবী ভাষী টোকা লিখকসকলক এটা নতুন ব্যাকৰণীয় প্ৰক্ৰিয়াৰ সৈতে মোকাবিলা কৰিবলৈ প্ৰয়োজন হোৱা) (গ) মানুহৰ দ্বাৰা কৰা টোকা লিখাটো গুৰুত্বপূৰ্ণ আৰু স্বয়ংক্ৰিয় বিশ্লেষণ কঠিন, যাৰ ভিতৰত আছে শব্দৰ বিশ্লেষণকাৰী আৰু মানুহৰ দ্বাৰা কৰা টোকা লিখাটো, দুয়োটাই অক্ষৰবিজ্ঞানৰ অস্পষ্টতা দূৰ কৰে; (ঘ) এই প্ৰবন্ধৰ এটা উদাহৰণ দিয়া। আৰবী ট্ৰীবেংক পদ্ধতি, মৰ্ফ ল জিকেল বিশ্লেষণ আৰু টেগিং আৰু সিনটাক্সিক বিশ্লেষণ উভয়তে এটা বিশেষ নিৰ্মাণত গুৰুত্ব প্ৰদান কৰা আৰু গোটেই টোকা প্ৰক্ৰিয়াৰ জৰিয়তে ইয়াক বিশদভাৱে অনুসৰণ কৰা, আৰু শেষত, (ঙ) এতিয়ালৈকে কি অৰ্জন কৰা হৈছে আৰু কি কৰিব লাগিব তাৰ সৈতে সিদ্ধান্ত লোৱা।

e33a3487f9b656631159186db4b2aebaed230b36

ডিজিটেল প্লেটফৰ্মে আজি প্ৰায় প্ৰতিটো উদ্যোগৰ ৰূপান্তৰ সাধন কৰিছে, তেওঁলোকে লাহে লাহে মূলধাৰাৰ তথ্য প্ৰণালী (আইএছ) সাহিত্যত নিজৰ পথ বিচাৰিছে। ডিজিটেল প্লেটফৰ্মসমূহ এক প্ৰত্যাহ্বানমূলক গৱেষণা বিষয়, কাৰণ ইহঁতৰ প্ৰকৃতি বিতৰিত আৰু প্ৰতিষ্ঠান, বজাৰ আৰু প্ৰযুক্তিৰ সৈতে ইহঁতৰ আন্তঃসংযোগ আছে। প্লেটফৰ্ম উদ্ভাৱনৰ ক্ৰমান্বয়ে বৃদ্ধি পোৱা স্কেল, প্লেটফৰ্ম স্থাপত্যৰ ক্ৰমান্বয়ে জটিলতা আৰু বহুতো বিভিন্ন উদ্যোগলৈ ডিজিটেল প্লেটফৰ্ম বিস্তাৰৰ ফলস্বৰূপে নতুন গৱেষণাৰ প্ৰত্যাহ্বান উত্থাপিত হয়। এই প্ৰবন্ধত ISত ডিজিটেল প্লেটফৰ্মৰ গৱেষণাৰ বাবে এটা গৱেষণা এজেণ্ডা প্ৰস্তুত কৰা হৈছে। আমি গৱেষকসকলক পৰামৰ্শ দিওঁ যে (1) বিশ্লেষণৰ একক, ডিজিটেলৰ ডিগ্ৰী আৰু ডিজিটেল প্লেটফৰ্মৰ সামাজিক প্ৰযুক্তিগত প্ৰকৃতি নিৰ্ধাৰণ কৰা স্পষ্ট সংজ্ঞা প্ৰদান কৰি ধাৰণাগত স্পষ্টতা আগুৱাই নিব; (2) বিভিন্ন স্থাপত্যগত স্তৰত আৰু বিভিন্ন উদ্যোগৰ ছেটিংছত প্লেটফৰ্ম অধ্যয়ন কৰি ডিজিটেল প্লেটফৰ্ম ধাৰণাসমূহৰ সঠিক স্ক পিং নিৰ্ধাৰণ কৰক; আৰু (3) এম্বেড কেছ ষ্টডি, লংটিউডিনেল ষ্টডি, ডিজাইন ৰিচাৰ্ছ, ডাটা-ড্ৰাইভড মডেলিং আৰু ভিজুৱেলাইজেশ্যন কৌশল ব্যৱহাৰ কৰি পদ্ধতিগত কঠোৰতা আগুৱাই নিব। ব্যৱসায়ৰ ক্ষেত্ৰত বৰ্তমানৰ বিকাশৰ কথা বিবেচনা কৰি আমি পৰৱৰ্তী গৱেষণাৰ বাবে ছয়টা প্ৰশ্নৰ পৰামৰ্শ দিওঁ: (1) এই প্লেটফৰ্মসমূহ ইয়াত থাকিবনে? ; (2) প্লেটফৰ্মসমূহ কেনেদৰে ডিজাইন কৰা উচিত? ; (3) ডিজিটেল প্লেটফৰ্মে উদ্যোগসমূহক কিদৰে পৰিৱৰ্তন কৰে? ; (4) তথ্যভিত্তিক পদ্ধতিয়ে কিদৰে ডিজিটেল প্লেটফৰ্ম গৱেষণাক সহায় কৰিব পাৰে? ; (5) গৱেষকসকলে ডিজিটেল প্লেটফৰ্মৰ বাবে তত্ত্ব কেনেকৈ বিকশিত কৰিব লাগে? আৰু (৬) ডিজিটেল প্লেটফৰ্মে দৈনন্দিন জীৱনক কেনেদৰে প্ৰভাৱিত কৰে?

1be8cab8701586e751d6ed6d186ca0b6f58a54e7

প্ৰণালী নিৰ্ধাৰণৰ উপযোগীতা আংশিকভাৱে নিৰ্ভৰ কৰে প্ৰয়োজনীয়তাৰ সম্পূৰ্ণতাৰ ওপৰত। অৱশ্যে, সকলো প্ৰয়োজনীয় প্ৰয়োজনীয়তাৰ তালিকাভুক্ত কৰাটো কঠিন, বিশেষকৈ যেতিয়া প্ৰয়োজনীয়তা অপ্ৰত্যাশিত পৰিৱেশৰ সৈতে ক্ৰিয়া কৰে। এটা আদৰ্শ পৰিৱেশৰ দৃষ্টিভংগীৰে নিৰ্মিত এটা বিশেষ উল্লেখ অসম্পূৰ্ণ যদিহে ই আদৰ্শহীন আচৰণ পৰিচালনা কৰাৰ প্ৰয়োজনীয়তা অন্তৰ্ভুক্ত নকৰে। প্ৰায়েই, ৰূপায়ণ, পৰীক্ষণ, বা ইয়াতকৈও বেয়া, প্ৰয়োগৰ পিছতহে অসম্পূৰ্ণ প্ৰয়োজনীয়তাসমূহ চিনাক্ত কৰা নহয়। প্ৰয়োজন বিশ্লেষণৰ সময়ত কৰা হ লেও, অসম্পূৰ্ণ প্ৰয়োজনসমূহ চিনাক্ত কৰাটো সাধাৰণতে এটা ভুল প্ৰৱণ, ক্লান্তিকৰ আৰু মেনুৱেল কাম। এই কাগজত পৰ্যায়গত প্ৰয়োজনীয়তা মডেলৰ প্ৰতীকী বিশ্লেষণ ব্যৱহাৰ কৰি অসম্পূৰ্ণ প্ৰয়োজনীয়তা বিভাজন চিনাক্ত কৰাৰ বাবে ডিজাইন-টাইম পদ্ধতিৰ এৰেছ প্ৰৱৰ্তন কৰা হৈছে। আমি আমাৰ পদ্ধতিটো এটা উদ্যোগ ভিত্তিক অটোমোটিভ অভিযোজিত ক্ৰুজ নিয়ন্ত্ৰণ ব্যৱস্থাৰ এটা আৱশ্যকতা মডেলত এৰেছ প্ৰয়োগ কৰি প্ৰদৰ্শন কৰিম। এৰেছে স্বয়ংক্ৰিয়ভাৱে ডিজাইন-সময়ত অসম্পূৰ্ণ প্ৰয়োজনীয়তা বিসংগতিসমূহৰ নিৰ্দিষ্ট উদাহৰণসমূহ চিনাক্ত কৰিবলৈ সক্ষম, যাৰ বহুতো সূক্ষ্ম আৰু ইয়াক চিনাক্ত কৰাটো কঠিন হ ব, হাতেৰে বা পৰীক্ষাৰ দ্বাৰা।

155ed7834a8a44a195b80719985a8b4ca11e6fdc

বহু-ইনপুট বহু-আউটপুট (MIMO) ৰাডাৰে সাধাৰণ ফেজড-অৰে ৰাডাৰ প্ৰণালীৰ তুলনাত তৰংগ আকৃতিৰ বৈচিত্ৰ্যৰ জৰিয়তে উন্নত প্ৰদৰ্শন লাভ কৰিব পাৰে। যেতিয়া এটা এমআইএমঅ ৰেডাৰে অৰ্ট গ নেল তৰংগ আকৃতি প্ৰেৰণ কৰে, বিচ্ছিন্নকৰণৰ পৰা প্ৰতিফলিত সংকেতবোৰ পৰস্পৰৰ পৰা ৰেখীয়ভাৱে স্বাধীন হয়। সেয়েহে, অভিযোজিত গ্ৰহণ ফিল্টাৰ, যেনে কেপন আৰু এম্প্লিটুৱেড আৰু ফেজ অনুমান (APES) ফিল্টাৰ, MIMO ৰাডাৰ এপ্লিকেশ্যনত প্ৰত্যক্ষভাৱে ব্যৱহাৰ কৰিব পাৰি। উচ্চ স্তৰৰ শব্দ আৰু প্ৰচুৰ জৰাজীৰ্ণতাৰ ফলত তথ্য-নিৰ্ভৰশীল বীমফৰ্মাৰসমূহৰ চিনাক্তকৰণ কাৰ্যক্ষমতা যথেষ্টভাৱে হ্ৰাস পায়। পৰৱৰ্তী পৰ্যায়ৰ অভিযোজিত পদ্ধতি (IAA), এটা অ-পৰামিতিগত আৰু ব্যৱহাৰকাৰী-পৰামিতি-মুক্ত ওজনযুক্ত সৰ্বনিম্ন-চতুৰ্ভুজ এলগৰিদম, শেহতীয়াকৈ বহুতো নিষ্ক্ৰিয় আৰু সক্ৰিয় সংবেদনৰ প্ৰয়োগত উন্নত ৰিজলিউচন আৰু হস্তক্ষেপ প্ৰত্যাহাৰৰ প্ৰদৰ্শন আগবঢ়োৱা দেখুওৱা হৈছে। এই প্ৰবন্ধত আমি দেখুৱাম যে কেনেকৈ IAA ক MIMO ৰেডাৰ ইমেজিংলৈ সম্প্ৰসাৰিত কৰিব পাৰি, উভয় অৱহেলিত আৰু অৱহেলিত ইনট্ৰাপলছ ডপলাৰ ক্ষেত্ৰত, আৰু আমি IAA ৰ কিছুমান তাত্ত্বিক সন্মিলন বৈশিষ্ট্যও স্থাপন কৰোঁ। ইয়াৰ উপৰিও, আমি আইএএ-আৰ নামেৰে এটা নিয়মীয়া আইএএ এলগৰিথমৰ প্ৰস্তাৱ দিছো, যি সংকেত মডেলত অপ্ৰতিনিধিত্ব কৰা সংযোজনীয় শব্দৰ চৰ্তসমূহক হিচাপ কৰি আইএএতকৈ ভাল প্ৰদৰ্শন কৰিব পাৰে। একক-ইনপুট বহুমুখী-আউটপুট (SIMO) ৰেডাৰৰ তুলনাত MIMO ৰেডাৰৰ উন্নত প্ৰদৰ্শন প্ৰদৰ্শন কৰিবলৈ আৰু লক্ষ্যৰ প্ৰতিচ্ছবিৰ বাবে প্ৰস্তাৱিত IAA-R পদ্ধতিৰ সৈতে প্ৰাপ্ত উন্নত প্ৰদৰ্শনক অধিক উজ্জ্বল কৰিবলৈ সংখ্যাসূচক উদাহৰণ প্ৰদৰ্শন কৰা হৈছে।

0cfe588996f1bc319f87c6f75160d1cf1542d9a9

20efcba63a0d9f12251a5e5dda745ac75a6a84a9

ccaab0cee02fe1e5ffde33b79274b66aedeccc65

পৰিবহণৰ ভৱিষ্যতৰ পৰিকল্পনা হিচাপে, স্বচালিত গাড়ীসমূহক সামাজিক, অৰ্থনৈতিক, অভিযান্ত্ৰিক, কম্পিউটাৰ বিজ্ঞান, ডিজাইন আৰু নীতিশাস্ত্ৰকে ধৰি বিভিন্ন দৃষ্টিকোণৰ পৰা আলোচনা কৰা হৈছে। এক কথাত, স্বচালিত গাড়ীবোৰে নতুন অভিযান্ত্ৰিক সমস্যা সৃষ্টি কৰিছে যিসমূহ ক্ৰমে সফলতাৰে সমাধান কৰা হৈছে। আনহাতে সামাজিক আৰু নৈতিক সমস্যাসমূহক সাধাৰণতে সিদ্ধান্ত গ্ৰহণৰ ক্ষেত্ৰত এক আদৰ্শগত আৰু সমাধান কৰিব নোৱাৰা সমস্যাৰ ৰূপত উপস্থাপন কৰা হয়, যাক তথাকথিত ট্ৰলি সমস্যা বুলি কোৱা হয়, যিটো অতি ভ্ৰান্তিমূলক। আমি যুক্তি দিওঁ যে নতুন প্ৰযুক্তিৰ বিকাশৰ বাবে এটা প্ৰয়োগিক অভিযান্ত্ৰিক নৈতিক পদ্ধতিৰ প্ৰয়োজন; এই পদ্ধতি প্ৰয়োগ কৰা উচিত, অৰ্থাৎ ই জটিল বাস্তৱ-বিশ্ব অভিযান্ত্ৰিক সমস্যাৰ বিশ্লেষণত মনোনিবেশ কৰা উচিত। স্বচালিত গাড়ীৰ নিয়ন্ত্ৰণৰ বাবে ছফ্টৱেৰ এক গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে; সেয়ে ছফ্টৱেৰ অভিযান্ত্ৰিক সমাধানসমূহে নৈতিক আৰু সামাজিক বিবেচনাসমূহ গুৰুত্বসহকাৰে লোৱা উচিত। এই প্ৰবন্ধত আমি নিয়ামক সঁজুলি, মানদণ্ড, ডিজাইন আৰু উপাদান, প্ৰণালী আৰু সেৱাৰ ৰূপায়ণৰ বিষয়ে বিশদভাৱে আলোচনা কৰিম আৰু প্ৰযুক্তিগত প্ৰত্যাহ্বানসমূহৰ বিষয়ে আলোচনা কৰিম।

288c67457f09c0c30cadd7439040114e9c377bc3

অগ্ৰৱাল, ইমিলেন্সকি আৰু স্বামীয়ে প্ৰৱৰ্তন কৰা সংহতি নিয়মবোৰ হৈছে সম্পৰ্কটোৰ ৯০% শাৰীসমূহৰ বাবে ৰূপৰ নিয়ম, যদি শাৰীটোৰ W ছেটৰ কলামবোৰত 1 মান থাকে, তেন্তে B কলামতো ইয়াৰ 1 মান থাকে। বৃহৎ পৰিমাণৰ তথ্যৰ পৰা সংযুক্তিকৰণ নিয়ম আৱিষ্কাৰ কৰাৰ বাবে দক্ষ পদ্ধতি আছে। অৱশ্যে আৱিষ্কাৰ কৰা নিয়মৰ সংখ্যা ইমানেই বেছি হ ব পাৰে যে নিয়মৰ ছেটটো ব্ৰাউজ কৰা আৰু ইয়াৰ পৰা আকৰ্ষণীয় নিয়মবোৰ সন্ধান কৰা ব্যৱহাৰকাৰীৰ বাবে যথেষ্ট কঠিন হ ব পাৰে। আমি দেখুৱাম যে নিয়মৰ টেমপ্লেটৰ এটা সৰল আকাৰবাদে কেনেকৈ সহজেই আকৰ্ষণীয় নিয়মৰ গাঁথনিৰ বৰ্ণনা কৰিব পাৰে। আমি নিয়মৰ দৃশ্যমানকৰণৰ উদাহৰণো দিওঁ, আৰু দেখুৱাম যে কেনেকৈ এটা দৃশ্যমানকৰণ সঁজুলি নিয়মৰ টেমপ্লেটৰ সৈতে আন্তঃপ্ৰতিক্ৰিয়া কৰে।

384bb3944abe9441dcd2cede5e7cd7353e9ee5f7

47f0f6a2fd518932734cc90936292775cc95aa5d

b336f946d34cb427452517f503ada4bbe0181d3c

ভিডিঅ বুজাবুজিৰ সাম্প্ৰতিক অগ্ৰগতি আৰু বছৰবোৰৰ সময়সীমাৰ কাৰ্য্যস্থানীয়কৰণৰ উন্নতিৰ অবিৰত হাৰ সত্ত্বেও, ই এতিয়াও কিমান দূৰ (বা ওচৰ?) স্পষ্ট নহয়। আমি সমস্যাটো সমাধান কৰিব লাগিব। এই উদ্দেশ্যে, আমি ভিডিঅ ত টাইম ৰেল একশ্যন ডিটেক্টৰৰ কাৰ্যক্ষমতা বিশ্লেষণ কৰিবলৈ আৰু একক স্কেলৰ মেট্ৰিকৰ বাহিৰে বিভিন্ন পদ্ধতিৰ তুলনা কৰিবলৈ এক নতুন ডায়েগনষ্টিক টুল প্ৰৱৰ্তন কৰিছো। আমি আমাৰ সঁজুলিৰ ব্যৱহাৰৰ উদাহৰণ দিছো শেহতীয়া ActivityNet স্থানীয়কৰণ প্ৰত্যাহ্বানৰ শীৰ্ষ স্থান প্ৰাপ্ত প্ৰৱেশসমূহৰ প্ৰদৰ্শন বিশ্লেষণ কৰি। আমাৰ বিশ্লেষণে দেখুৱাইছে যে কাম কৰাৰ আটাইতকৈ প্ৰভাৱশালী ক্ষেত্ৰবোৰ হৈছেঃ উদাহৰণসমূহৰ চাৰিওফালে থকা সময়ৰ প্ৰসংগক ভালদৰে চোৱা-চিতা কৰাৰ কৌশলসমূহ, w.r.t.ৰ দৃঢ়তা উন্নত কৰা উদাহৰণ সম্পূৰ্ণ আৰু আপেক্ষিক আকাৰ, আৰু স্থানীয়কৰণ ত্ৰুটি হ্ৰাস কৰিবলৈ কৌশল। তদুপৰি, আমাৰ পৰীক্ষামূলক বিশ্লেষণে এই ক্ষেত্ৰত অগ্ৰগতিৰ ক্ষেত্ৰত টোকা দিয়াসকলৰ মাজত মতানৈক্যৰ অভাৱক এক ডাঙৰ বাধা হিচাপে ধৰা পেলাইছে। আমাৰ ৰোগ নিৰ্ণয়ৰ সঁজুলিটো জনসাধাৰণৰ বাবে উপলব্ধ যাতে আন গৱেষকসকলে তেওঁলোকৰ এলগৰিদমৰ বিষয়ে অতিৰিক্ত অন্তৰ্দৃষ্টি লাভ কৰিব পাৰে।

160404fb0d05a1a2efa593c448fcb8796c24b873

প্ৰতিনিধিত্বৰ অনুকৰণ তত্ত্বৰ বিকাশ আৰু অনুসন্ধান কৰা হয় যি মগজুৰ প্ৰতিনিধিত্বমূলক কাৰ্যৰ বিস্তৃত সিন্থেটিক কৰিব পাৰে। এই ফ্ৰেমৱৰ্কটো নিয়ন্ত্ৰণ তত্ত্ব (ফৰৱাৰ্ড মডেল) আৰু সংকেত প্ৰক্ৰিয়া (কলমান ফিল্টাৰ) ৰ নিৰ্মাণৰ ওপৰত আধাৰিত। এই ধাৰণাটো হ ল যে কেৱল শৰীৰ আৰু পৰিৱেশৰ সৈতে জড়িত হোৱাৰ উপৰিও, মগজুৱে স্নায়ুবাহী চাৰ্কিট নিৰ্মাণ কৰে যি শৰীৰ আৰু পৰিৱেশৰ মডেল হিচাপে কাম কৰে। স্পষ্ট সংবেদনশীল-মটৰ ব্যস্ততাৰ সময়ত, এই মডেলবোৰ শৰীৰ আৰু পৰিৱেশৰ সমান্তৰালভাৱে কাৰ্যকৰী প্ৰতিলিপিৰ দ্বাৰা চালিত হয়, যাতে সংবেদনশীল প্ৰতিক্ৰিয়াৰ প্ৰত্যাশা প্ৰদান কৰিব পাৰে, আৰু সংবেদনশীল তথ্য উন্নত আৰু প্ৰক্ৰিয়া কৰিব পাৰে। এই মডেলবোৰ অফলাইনভাৱেও চলাব পাৰি যাতে ছবি প্ৰস্তুত কৰিব পাৰি, বিভিন্ন ক্ৰিয়াৰ ফলাফল অনুমান কৰিব পাৰি, আৰু মটৰ পৰিকল্পনা মূল্যায়ন আৰু বিকাশ কৰিব পাৰি। এই ফ্ৰেমৱৰ্কটো প্ৰথমে মটৰ নিয়ন্ত্ৰণৰ ক্ষেত্ৰত বিকশিত কৰা হৈছে, য ত এইটো প্ৰমাণিত হৈছে যে শৰীৰৰ সমান্তৰালভাৱে চলোৱা আভ্যন্তৰীণ মডেলসমূহে ফিডবেক বিলম্ব সমস্যাৰ প্ৰভাৱ হ্ৰাস কৰিব পাৰে। একেটা পদ্ধতিৰে মটৰ ইমেজেৰীৰ বাবে ইমেজেৰী কপিৰ জৰিয়তে এমুলেটৰ অফলাইন ড্ৰাইভিংৰ বাবেও দায়ী কৰিব পাৰি। এই ফ্ৰেমৱৰ্কৰ সম্প্ৰসাৰণ কৰা হৈছে যাতে মটৰ-ভিজুৱেল লুপৰ এমুলেটৰৰ অফলাইন ড্ৰাইভিংৰ দৰে ভিজুৱেল ইমেজিংৰ বাবেও বিবেচনা কৰিব পৰা যায়। মই দেখুৱাম যে এনে প্ৰণালীবোৰে কেনেদৰে আমোডাল স্পেচিয়েল ইমেজিং প্ৰদান কৰিব পাৰে। দৃশ্যত উপলব্ধিকে ধৰি উপলব্ধি, এনে মডেলৰ পৰা লাভ কৰা হয় যিবোৰত সংবেদনশীল ইনপুটৰ প্ৰত্যাশা গঠনৰ বাবে আৰু ব্যাখ্যা কৰাৰ বাবে ব্যৱহাৰ কৰা হয়। মই সংক্ষেপে আন কিছুমান জ্ঞানীয় কাৰ্য্য উল্লেখ কৰি শেষ কৰিম যি এই ফ্ৰেমৱৰ্কৰ ভিতৰত সংকলিত হ ব পাৰে, য ত যুক্তি, মনৰ ঘটনা আৰু ভাষা তত্ত্ব অন্তৰ্ভুক্ত হৈ আছে।

65c85498be307ee940976db668dae4546943a4c8

761f2288b1b0cea385b0b9a89bb068593d94d6bd

3D মুখ চিনাক্তকৰণ উদ্যোগ আৰু শিক্ষাজগত উভয়তে এক প্ৰৱণ গৱেষণা দিশত পৰিণত হৈছে। ই পৰম্পৰাগত 2D মুখ চিনাক্তকৰণৰ পৰা সুবিধা লাভ কৰে, যেনে প্ৰাকৃতিক চিনাক্তকৰণ প্ৰক্ৰিয়া আৰু বিস্তৃত প্ৰয়োগ। তদুপৰি, 3D মুখ চিনাক্তকৰণ ব্যৱস্থাই মানুহৰ মুখবোৰ সঠিকভাৱে চিনাক্ত কৰিব পাৰে, আনকি কম পোহৰৰ তলত আৰু মুখৰ বিভিন্ন অৱস্থান আৰু অভিব্যক্তিৰ সৈতে, এনে পৰিস্থিতিত 2D মুখ চিনাক্তকৰণ ব্যৱস্থাৰ কাম কৰাত প্ৰচুৰ অসুবিধা হ ব। এই প্ৰবন্ধত 3D মুখ চিনাক্তকৰণ গৱেষণাৰ ক্ষেত্ৰৰ ইতিহাস আৰু শেহতীয়া অগ্ৰগতিৰ বিষয়ে সাৰাংশ দিয়া হৈছে। এই প্ৰাথমিক গৱেষণাৰ ফলাফলসমূহ তিনিটা শ্ৰেণীত অন্তৰ্ভুক্ত কৰা হৈছেঃ অৱস্থান-অবৰ্তনশীল চিনাক্তকৰণ, প্ৰকাশ-অবৰ্তনশীল চিনাক্তকৰণ আৰু আচ্ছাদন-অবৰ্তনশীল চিনাক্তকৰণ। ভৱিষ্যতৰ গৱেষণাক উৎসাহিত কৰিবলৈ, এই প্ৰবন্ধত ৰাজহুৱাভাৱে উপলব্ধ থ্ৰীডি ফেচ ডাটাবেছৰ তথ্য সংগ্ৰহ কৰা হৈছে। এই প্ৰবন্ধত গুৰুত্বপূৰ্ণ মুকলি সমস্যাসমূহৰো তালিকা দিয়া হৈছে।

2d2b1f9446e9b4cdb46327cda32a8d9621944e29

সাম্প্ৰতিক বছৰবোৰত সামাজিক নেটৱৰ্কিং ছাইটত অংশগ্ৰহণৰ সংখ্যা যথেষ্ট বৃদ্ধি পাইছে। ফ্ৰেণ্ডষ্টাৰ, ট্ৰাইব বা ফেচবুকৰ দৰে সেৱাসমূহে লাখ লাখ ব্যক্তিক অনলাইন প্ৰফাইল সৃষ্টি কৰিবলৈ আৰু বন্ধুবৰ্গৰ বিশাল নেটৱৰ্ক আৰু প্ৰায়েই অজ্ঞাত সংখ্যক অচিনাকি লোকৰ সৈতে ব্যক্তিগত তথ্য ভাগ বতৰা কৰিবলৈ অনুমতি দিয়ে। এই প্ৰবন্ধত আমি অনলাইন সামাজিক নেটৱৰ্কত তথ্য প্ৰকাশৰ প্ৰণালী আৰু ইয়াৰ গোপনীয়তাৰ প্ৰভাৱ অধ্যয়ন কৰিম। আমি ৪০০০তকৈ অধিক কাৰ্নেগি মেলন বিশ্ববিদ্যালয়ৰ ছাত্ৰৰ অনলাইন আচৰণ বিশ্লেষণ কৰিছো যিসকলে মহাবিদ্যালয়সমূহৰ বাবে প্ৰস্তুত কৰা এটা জনপ্ৰিয় সামাজিক নেটৱৰ্কিং ছাইটত যোগদান কৰিছে। আমি তেওঁলোকৰ তথ্যৰ পৰিমাণৰ মূল্যায়ন কৰোঁ আৰু ছাইটৰ গোপনীয়তা ছেটিংছৰ ব্যৱহাৰ অধ্যয়ন কৰোঁ। আমি তেওঁলোকৰ গোপনীয়তাৰ বিভিন্ন দিশত সম্ভাব্য আক্ৰমণৰ বিষয়ে আলোকপাত কৰিছো, আৰু আমি দেখুৱাম যে ব্যৱহাৰকাৰীৰ অতি কম শতাংশই অতিশয় পাৰ্মিটেবল গোপনীয়তা পছন্দসমূহ সলনি কৰে।

e9c525679fed4dad85699d09b5ce1ccaffe8f11d

192687300b76bca25d06744b6586f2826c722645

এই প্ৰবন্ধত আমি গভীৰ গাউছীয় প্ৰক্ৰিয়া (জিপি) মডেলৰ বিষয়ে আলোচনা কৰিম। গভীৰ জি.পি. হৈছে গভীৰ বিশ্বাসৰ নেটৱৰ্ক, গাউছীয় প্ৰক্ৰিয়া মেপিংৰ ওপৰত ভিত্তি কৰি। তথ্যসমূহক এটা মাল্টিভেৰিয়েট জিপিৰ আউটপুট হিচাপে মডেল কৰা হয়। সেই গাউছীয় প্ৰক্ৰিয়াৰ ইনপুটবোৰ অন্য এটা জিপিৰ দ্বাৰা নিয়ন্ত্ৰিত হয়। একক স্তৰ মডেল এটা মানক GP বা GP লটেন্ট ভেৰিব্যাবল মডেল (GP-LVM) ৰ সমতুল্য। আমি প্ৰায়োগিক বৈকল্পিক প্ৰান্তিককৰণৰ দ্বাৰা মডেলত অনুমান কৰো। ইয়াৰ ফলত মডেল নিৰ্বাচনৰ বাবে আমি ব্যৱহাৰ কৰা মডেলৰ প্ৰান্তিক সম্ভাৱনীয়তাৰ ওপৰত এটা কঠোৰ নিম্ন সীমা (প্ৰতিটো স্তৰ আৰু ন ডৰ সংখ্যা) সৃষ্টি হয়। গভীৰ বিশ্বাসৰ নেটৱৰ্কবোৰ সাধাৰণতে অনুকূলিতকৰণৰ বাবে ষ্ট কাষ্টিক গ্ৰেডিয়েন্ট অৱতৰণ ব্যৱহাৰ কৰি তুলনামূলকভাৱে ডাঙৰ ডাটা ছেটত প্ৰয়োগ কৰা হয়। আমাৰ সম্পূৰ্ণ বেইজিয়ান পদ্ধতিৰ দ্বাৰা ডাটা কম থাকিলেও গভীৰ মডেলৰ প্ৰয়োগ কৰিব পাৰি। আমাৰ বৈকল্পিক সীমাৰেখাৰ দ্বাৰা মডেল নিৰ্বাচনে দেখুৱায় যে মাত্ৰ ১৫০ টা উদাহৰণ থকা এটা অংক ডাটা ছেট মডেলিং কৰাৰ সময়তও পাঁচ স্তৰৰ শ্ৰেণীবিন্যাস ন্যায়সঙ্গত।

2cac0942a692c3dbb46bcf826d71d202ab0f2e02

আমি এটা স্কেলযোগ্য গভীৰ অ-পৰামিতিগত সৃষ্টিশীল মডেল বিকাশ কৰো গভীৰ গাউছীয় প্ৰক্ৰিয়াসমূহক এটা স্বীকৃতি মডেলৰ সৈতে সম্প্ৰসাৰিত কৰি। অনুমান এটা নতুন স্কেলেবল বৈকল্পিক ফ্ৰেমৱৰ্কত কৰা হয় য ত বৈকল্পিক পিছৰ বিতৰণবোৰ এটা মাল্টিলেয়াৰ পাৰ্চপ্ট্ৰনৰ জৰিয়তে পুনৰ পৰ্যাপ্তীকৰণ কৰা হয়। এই পুনঃসংস্কৰণৰ মূল দিশটো হ ল ই প্ৰকাৰান্তৰৰ প্ৰাচীৰৰ প্ৰসাৰণক প্ৰতিৰোধ কৰে যি অন্যথা নমুনাৰ আকাৰৰ অনুপাতে ৰেখীয়ভাৱে বৃদ্ধি হয়। আমি ভেৰেশ্যনেল নিম্ন সীমাৰ এটা নতুন সূত্ৰ উদ্ভাৱন কৰিছো যি আমাক বেছিভাগ গণনা এনেদৰে বিতৰণ কৰিবলৈ অনুমতি দিয়ে যি মূলধাৰাৰ গভীৰ শিক্ষাৰ কামৰ আকাৰৰ ডাটা ছেটবোৰ পৰিচালনা কৰিবলৈ সক্ষম কৰে। আমি বিভিন্ন প্ৰত্যাহ্বানৰ ক্ষেত্ৰত পদ্ধতিটোৰ কাৰ্যকৰিতা দেখুৱাম য ত অন্তৰ্ভুক্ত হৈছে গভীৰ নিৰীক্ষণবিহীন শিকন আৰু গভীৰ বেইচিয়ান অপ্টিমাইজেশ্যন।

722fcc35def20cfcca3ada76c8dd7a585d6de386

কফিয়ে মাল্টিমিডিয়া বিজ্ঞানী আৰু অনুশীলনকাৰীসকলক অত্যাধুনিক গভীৰ শিক্ষণ এলগৰিদমৰ বাবে এটা পৰিষ্কাৰ আৰু সংশোধনযোগ্য ফ্ৰেমৱৰ্ক আৰু প্ৰসংগ মডেলৰ সংগ্ৰহ প্ৰদান কৰে। এই ফ্ৰেমৱৰ্কটো হৈছে বিএছডি-লাইচেন্সযুক্ত চি++ লাইব্ৰেৰী, য ত পাইথন আৰু মেটলাবৰ সৈতে সাধাৰণ উদ্দেশ্যৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক আৰু অন্যান্য গভীৰ মডেলৰ প্ৰশিক্ষণ আৰু কাৰ্যকৰীভাৱে কমোডিটি আৰ্কিটেকচাৰত স্থাপন কৰা হয়। কফি ইণ্টাৰনেটৰ মাপকাঠী আৰু উদ্যোগৰ মিডিয়া প্ৰয়োজন পূৰণ কৰে CUDA GPU গণনাৰ দ্বাৰা, এটা K40 বা Titan GPU (প্ৰতিটো ছবিৰ বাবে প্ৰায় ২ এম এছ) ত প্ৰতিদিনে ৪০ মিলিয়ন ছবি প্ৰক্ৰিয়া কৰে। মডেল প্ৰতিনিধিত্বক বাস্তৱ ৰূপায়ণৰ পৰা পৃথক কৰি, ক্যাফেয়ে পৰীক্ষণ আৰু প্লেটফৰ্মৰ মাজত নিৰৱচ্ছিন্নভাৱে সলনি কৰিবলৈ অনুমতি দিয়ে যাতে প্ৰটোটাইপিং মেচিনৰ পৰা ক্লাউড পৰিৱেশলৈ বিকাশ আৰু স্থাপনৰ সহজতা হয়। কফিৰ পৰিচালনা আৰু বিকাশ বাৰ্কলে ভিজন এণ্ড লাৰ্ণিং চেণ্টাৰ (বিভিএলচি) ৰ দ্বাৰা GitHub ত অৱদানকাৰীসকলৰ সক্ৰিয় সম্প্ৰদায়ৰ সহায়ত কৰা হয়। ই চলিত গৱেষণা প্ৰকল্প, বৃহৎ আকাৰৰ ঔদ্যোগিক প্ৰয়োগ আৰু দৃষ্টি, বক্তৃতা আৰু মাল্টিমিডিয়াৰ ষ্টাৰ্টআপ প্ৰ টোটাইপসমূহক শক্তি প্ৰদান কৰে।

fd50fa6954e1f6f78ca66f43346e7e86b196b137

ক্ৰমবৰ্ধমান নগৰীকৰণ প্ৰক্ৰিয়াৰ সৈতে, নগৰীয়া স্থানত মানুহৰ কাৰ্যকলাপৰ পদ্ধতিগত মডেলিংক এক গুৰুত্বপূৰ্ণ সামাজিক-অৰ্থনৈতিক কাম হিচাপে স্বীকৃতি দিয়া হৈছে। বহু বছৰ পূৰ্বে এই কামটো সম্ভৱপৰ নাছিল, কাৰণ তথ্যৰ উৎসৰ অভাৱ আছিল। কিন্তু জিঅ টেগযুক্ত ছ চিয়েল মিডিয়া (জিটিএছএম) ৰ তথ্যৰ উত্থানে ইয়াক নতুন ৰূপ দিছে। শেহতীয়াকৈ, জিটিএছএমৰ তথ্যৰ পৰা ভৌগোলিক বিষয়সমূহ আৱিষ্কাৰ কৰাৰ ফলপ্ৰসূ অধ্যয়ন কৰা হৈছে। অৱশ্যে, তেওঁলোকৰ উচ্চ গণনামূলক ব্যয় আৰু সুপ্ত বিষয়সমূহৰ বিষয়ে শক্তিশালী বিতৰণ অনুমানসমূহে তেওঁলোকক জিটিএছএমৰ শক্তি সম্পূৰ্ণৰূপে মুক্ত কৰাত বাধা দিয়ে। এই ব্যৱধান দূৰ কৰিবলৈ, আমি ক্ৰছমেপ, এটা নৱম ক্ৰছমডেল প্ৰতিনিধিত্ব শিকাৰ পদ্ধতি প্ৰদৰ্শন কৰিছো যি বিশাল জিটিএছএম তথ্যৰ সৈতে নগৰীয় গতিশীলতা উন্মোচন কৰে। ক্ৰছমেপে প্ৰথমে মানুহৰ কাৰ্যকলাপৰ অন্তৰ্নিহিত স্থান-কালীন হটস্পটসমূহ চিনাক্ত কৰিবলৈ এক ত্বৰান্বিত মোড অনুসন্ধান প্ৰক্ৰিয়া ব্যৱহাৰ কৰে। এই চিনাক্ত হটস্পটসমূহে কেৱল স্থান-কালীন পৰিৱৰ্তনসমূহ সমাধান নকৰে, বৰং জিটিএছএমৰ তথ্যৰ বিৰলতাও বহু পৰিমাণে হ্ৰাস কৰে। আৱিষ্কৃত হটস্পটসমূহৰ সৈতে, ক্ৰছমেপে একেলগে সকলো স্থানিক, কালিক আৰু পাঠ্য এককসমূহক একে স্থানতে দুটা ভিন্ন কৌশল ব্যৱহাৰ কৰি অন্তৰ্ভুক্ত কৰেঃ এটা পুনৰ্নিৰ্মাণ-ভিত্তিক আৰু আনটো গ্ৰাফ-ভিত্তিক। দুয়োটা কৌশলে তেওঁলোকৰ সহ-প্ৰায়োগ্যতা আৰু চুবুৰীয়া সম্পৰ্কবোৰ এনকোড কৰি এককসমূহৰ মাজত সম্পৰ্কবোৰ ধৰি ৰাখে, আৰু এনে সম্পৰ্কবোৰ ৰক্ষা কৰিবলৈ নিম্ন-মাত্রিক প্ৰতিনিধিত্ব শিকক। আমাৰ পৰীক্ষাসমূহে প্ৰমাণ কৰে যে ক্ৰছমেপে কেৱল কাৰ্যকলাপ পুনৰুদ্ধাৰ আৰু শ্ৰেণীবিভাজনৰ বাবে অত্যাধুনিক পদ্ধতিবোৰতকৈ যথেষ্ট উন্নত নহয়, বৰঞ্চ ই বহু উন্নত কাৰ্য্যদক্ষতাও লাভ কৰে।

ce8d99e5b270d15dc09422c08c500c5d86ed3703

মানুহৰ খোজৰ বিশ্লেষণে এক অন্তৰ্নিহিত খোজৰ স্বাক্ষৰ বিচাৰি উলিয়াবলৈ সহায় কৰে যাৰ জৰিয়তে সৰ্বব্যাপী মানৱ চিনাক্তকৰণ আৰু চিকিৎসা ব্যাধিৰ সমস্যাসমূহ বিস্তৃত পৰিসৰত অনুসন্ধান কৰিব পাৰি। পদব্ৰজে বায় মেট্ৰিক এক অনভিজ্ঞ বৈশিষ্ট্য প্ৰদান কৰে যাৰ দ্বাৰা ভিডিঅ পদব্ৰজে তথ্যক অধিক দূৰত্বত বিষয়টোৰ পূৰ্বৰ সজাগতা অবিহনে ধৰা পেলাব পাৰি। এই প্ৰবন্ধত, Kinect Xbox ডিভাইচৰ সৈতে মানৱ পদব্ৰজে বিশ্লেষণ অধ্যয়নৰ বাবে এক নতুন কৌশল উল্লেখ কৰা হৈছে। ই আমাক স্বয়ংক্ৰিয় পটভূমি বিয়োগ প্ৰণালীৰ সৈতে খণ্ডন ত্ৰুটি হ্ৰাস কৰিবলৈ নিশ্চিত কৰে। অতি ওচৰৰ মানুহৰ হাড়গিলা মডেলটো পটভূমিৰ পৰা হৰণ কৰা পদধ্বনিৰ ছবিৰ পৰা সৃষ্টি কৰিব পাৰি, যিবোৰ সহ-পৰিৱৰ্তনশীল পৰিস্থিতিৰ দ্বাৰা সলনি হয়, যেনে খোজৰ গতিৰ পৰিৱৰ্তন আৰু কাপোৰৰ ধৰণত পৰিবৰ্তন। পদব্ৰজেৰে চলা স্বাক্ষৰসমূহ বাম হাড়, বাম হাঁটু, সোঁ হাড় আৰু সোঁ হাঁটুৰ জইণ্ট এংগল ট্ৰেক্টৰীৰ পৰা ধৰা পৰে। Kinectৰ পদব্ৰজে ডাটা পৰীক্ষা কৰাৰ পাছত আমাৰ ইন-হাউছ বিকাশৰ সেন্সৰ ভিত্তিক বায় মেট্ৰিক ছ্যুট, ইন্টেলিজেণ্ট গেট অ চিলেশ্যন ডিটেক্টৰ (IGOD) ৰ সৈতে তুলনা কৰা হৈছে। এই ছেন্সৰ ভিত্তিক বায় মেট্ৰিক ছুটটো কিনেক্ট ডিভাইচৰ সৈতে শক্তিশালী গেইট চিনাক্তকৰণ প্ৰণালীৰ প্ৰসাৰৰ বাবে সলনি কৰিব পৰা যায় নে নাই সেয়া পৰীক্ষা কৰাৰ প্ৰয়াস কৰা হৈছে। ফিচাৰ বৈষম্যমূলক বিশ্লেষণ প্ৰশিক্ষণ পদধ্বনি স্বাক্ষৰত প্ৰয়োগ কৰা হৈছে বৈশিষ্ট্য ভেক্টৰৰ বৈষম্যমূলক শক্তিৰ সন্ধান কৰিবলৈ। নেভ বেইচিয়ান ক্লাচিফায়াৰে Kinect চেন্সৰৰ দ্বাৰা ধৰা পৰা সীমিত ডাটাছেটত ত্ৰুটিৰ অনুমানৰে উৎসাহজনক শ্ৰেণীবিভাজনৰ ফলাফল প্ৰদৰ্শন কৰে।

582ea307db25c5764e7d2ed82c4846757f4e95d7

ফাংচন সমীকৰণক পৰিমাপকৰ স্থানতকৈ ফাংচন স্থানত সংখ্যাসূচক অনুকূলিতকৰণৰ দৃষ্টিকোণৰ পৰা দেখা যায়। পৰ্যায়ক্ৰমে সংযোজনীয় সম্প্ৰসাৰণ আৰু তৰপতম অৱনমনৰ মাজত এটা সংযোগ কৰা হয়। যিকোনো মানদণ্ডৰ ওপৰত ভিত্তি কৰি সংযোজনীয় সম্প্ৰসাৰণৰ বাবে এটা সাধাৰণ গ্ৰেডিয়েন্ট{ডাচেন্ট \উন্নয়ন" প্ৰকৃতিৰ বিকাশ কৰা হয়। নিম্নতম স্কোয়াৰ, সৰ্বনিম্ন সম্পূৰ্ণ বিচ্যুতি আৰু হাবাৰ ক্ষতিৰ কাৰকসমূহ প্ৰতিলিপিৰ বাবে আৰু শ্ৰেণীবিভাজনৰ বাবে মাল্টি-ক্লাস লজিষ্টিক সম্ভাৱ্যতাৰ বাবে নিৰ্দিষ্ট এলগৰিথম প্ৰদৰ্শন কৰা হৈছে। বিশেষ উন্নতকৰণসমূহ বিশেষ ক্ষেত্ৰত প্ৰাপ্ত কৰা হয় য ত পৃথক সংযোজন উপাদানবোৰ সিদ্ধান্ত বৃক্ষ হয়, আৰু এনে "TreeBoost" মডেলৰ ব্যাখ্যাৰ বাবে সঁজুলিসমূহ উপস্থাপন কৰা হয়। সিদ্ধান্ত বৃক্ষৰ ক্ৰমান্বয়ে বৃদ্ধিৰ ফলত প্ৰতিযোগিতামূলক, অতিশয় শক্তিশালী, ব্যাখ্যামূলক পদ্ধতিৰ প্ৰক্ৰিয়া আৰু শ্ৰেণীবিভাজনৰ বাবে বিশেষভাৱে উপযুক্ত, নিৰ্মল তথ্যৰ তুলনাত কম খনিৰ বাবে উপযুক্ত। এই পদ্ধতি আৰু ফ্ৰইণ্ড আৰু চেপায়াৰ ১৯৯৬ আৰু ফ্ৰিডমেন, হাষ্টি আৰু টিবছিৰানী ১৯৯৮ ৰ প্ৰণালীবদ্ধ পদ্ধতিৰ মাজত থকা সংযোগৰ বিষয়ে আলোচনা কৰা হৈছে। 1 ফাংচন অনুমান ফাংচন অনুমান সমস্যাত এটা ৰ্যান্ডম \output" বা \response" ভেৰিয়েবল y আৰু ৰ্যান্ডম \input" বা \explanatory" ভেৰিয়েবল x = fx1; ; xng ৰ সমষ্টিৰে এটা ব্যৱস্থা আছে। এটা \training" নমুনা fyi;xig N 1 জনা (y;x) {মানৰ, লক্ষ্য হৈছে এটা ফাংশন F (x) ৰ সন্ধান কৰা যি x ৰ পৰা y লৈ মেপ কৰে, যাতে সকলো (y;x) {মানৰ যৌথ বিতৰণৰ ওপৰত, কিছুমান নিৰ্দিষ্ট ক্ষতি ফাংশনৰ (y; F (x)) প্ৰত্যাশিত মান হ্ৰাস কৰা হয় F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) সঘনাই ব্যৱহৃত ক্ষতি ফাংশন (y; F) ত y 2 R (regression) ৰ বাবে squared error (y F) আৰু absolute error jy F আৰু negative binal logomial {likelihood, log1 + e 2y F), যেতিয়া y 2 f 1 (classification); এটা সাধাৰণ প্ৰক্ৰিয়া হৈছে F (x) ক F (x;P) ৰ এটা পাৰামেটাৰী ক্লাছৰ সদস্য হিচাপে লোৱা, য ত P = fP1; P2; g হৈছে পৰিমাপৰ এটা সমষ্টি। এই প্ৰবন্ধত আমি ফৰ্মটোৰ "অতিৰিক্ত" সম্প্ৰসাৰণৰ ওপৰত গুৰুত্ব দিম

6a7c63a73724c0ca68b1675e256bb8b9a35c94f4

আপুনি JSTOR আৰ্কাইভ ব্যৱহাৰ কৰিলে আপুনি http://www.jstor.org/about/terms.html ত উপলব্ধ JSTOR ৰ ব্যৱহাৰৰ চৰ্তসমূহ গ্ৰহণ কৰিছে। JSTOR ৰ ব্যৱহাৰৰ চৰ্ত আৰু নিয়মাবলীত আংশিকভাৱে উল্লেখ আছে যে আপুনি যদি পূৰ্বৰ অনুমতি নাপায়, আপুনি আলোচনীখনৰ এটা সম্পূৰ্ণ সংখ্যা বা প্ৰবন্ধৰ একাধিক প্ৰতিলিপি ডাউনলোড কৰিব নোৱাৰিব, আৰু আপুনি JSTOR আৰ্কাইভৰ সামগ্ৰী কেৱল আপোনাৰ ব্যক্তিগত, অ-বাণিজ্যিক ব্যৱহাৰৰ বাবেহে ব্যৱহাৰ কৰিব পাৰে। অনুগ্ৰহ কৰি এই কামৰ যিকোনো পৰৱৰ্তী ব্যৱহাৰৰ বিষয়ে প্ৰকাশকৰ সৈতে যোগাযোগ কৰক। প্ৰকাশকৰ যোগাযোগৰ তথ্য http://www.jstor.org/journals/econosoc.html ত পাব পাৰি। JSTOR সম্প্ৰচাৰৰ যিকোনো অংশৰ প্ৰতিখন প্ৰতিলিপিতে এনে সম্প্ৰচাৰৰ স্ক্ৰীণ বা ছপা পৃষ্ঠাত প্ৰকাশিত কপিৰাইটৰ একেটা জাননী থাকিব লাগিব।

8eca169f19425c76fa72078824e6a91a5b37f470

কম খৰচী আৰু উচ্চ প্ৰদৰ্শনসম্পন্ন ৰেডাৰ ব্যৱস্থাৰ সফল ডিজাইনৰ বাবে সঠিক আৰু দক্ষ ব্যৱস্থাৰ অনুকৰণ কৰাটো এক মূল আৱশ্যক। এই প্ৰবন্ধত আমি প্ৰাৱণতা-সংযোজিত অবিৰত-তরঙ্গ ৰাডাৰ প্ৰণালীৰ বাবে এক নতুন বহুমুখী অনুকৰণ পৰিৱেশ উপস্থাপন কৰিছো। সাধাৰণ হাৰ্ডৱেৰ অনুকৰণ কৰাৰ উপৰিও ই সংহত প্ৰণালী অনুকৰণ আৰু সংকেত সংশ্লেষণৰ পৰা বেছবেণ্ডলৈ ধাৰণাৰ বিশ্লেষণ সামৰি লয়। ই এটা নমনীয় দৃশ্যপট জেনেৰেটৰ, সঠিক শব্দৰ মডেলিং আৰু সংকেত প্ৰক্ৰিয়া কৰা এলগৰিথমৰ বিকাশ আৰু পৰীক্ষাৰ বাবে অনুকৰণ তথ্যৰ দক্ষতাৰে বিতৰণ কৰে। এটা সংহত ৭৭ গিগাহাৰ্জ ৰেডাৰ প্ৰ টোটাইপৰ বাবে অনুকৰণ আৰু পৰিমাপৰ ফলাফলৰ তুলনা কৰি দুটা ভিন্ন দৃশ্যত অনুকৰণকৰ সামৰ্থসমূহ দেখুওৱা হৈছে।

71337276460b50a2cb37959a2d843e593dc4fdcc

এটা নতুন অ-বিচ্ছিন্ন তিনি-পোৰ্ট কনভাৰ্টাৰ (NI-TPC) প্ৰস্তাৱিত হৈছে যিয়ে এটা PV পোৰ্ট, এটা দ্বি-মুখী বেটাৰী পোৰ্ট আৰু এটা লোড পোৰ্টৰ সৈতে সংযোগ স্থাপন কৰিব। যিকোনো দুটা পোর্টৰ মাজত এক পর্যায়ৰ শক্তিৰ ৰূপান্তৰ সাধন কৰা হয়। এই টপ লজিটো পৰম্পৰাগত গাঁথনিৰ দ্বি-মুখী শক্তি প্ৰবাহ পথক দুটা একমুখীলৈ বিচ্ছিন্ন কৰি আহৰণ কৰা হয়। ত্ৰিটা পোৰ্টৰ দুটাক PVৰ বাবে সৰ্বাধিক শক্তি আহৰণ বা বেটাৰী চাৰ্জ নিয়ন্ত্ৰণ কৰিবলৈ আৰু একে সময়তে লোড ভল্টেজ ধ্ৰুবক ৰাখিবলৈ নিয়ন্ত্ৰণ কৰিব পাৰি, আনহাতে তৃতীয় পোৰ্টটো কনভাৰ্টাৰৰ শক্তি অসততা পূৰণ কৰিবলৈ নমনীয় হৈ থাকে। অপাৰেচন ষ্টেটছ বিশ্লেষণ কৰা হয়। মাল্টি-ৰেগুলেটৰ প্ৰতিযোগিতামূলক নিয়ন্ত্ৰণ কৌশলটো প্ৰদৰ্শন কৰা হৈছে যাতে PV ইনপুট পাৱাৰ হ্ৰাস-বৃদ্ধি হ লে স্বতন্ত্ৰ আৰু মসৃণ অৱস্থা চুইচিং লাভ কৰিব পাৰি। পৰীক্ষামূলক ফলাফলৰ দ্বাৰা বিশ্লেষণটো পৰীক্ষা কৰা হয়।

ac8877b0e87625e26f52ab75e84c534a576b1e77

ডিজিটেল বিশ্বত, ব্যৱসায়ৰ কাৰ্য্যবাহীসকলে তেওঁলোকৰ কোম্পানীৰ মূল্য সৃষ্টিৰ বাবে তথ্য আৰু তথ্য ব্যৱস্থাপনাৰ কৌশলগত গুৰুত্বৰ বিষয়ে অধিক সচেতন। এইটোৱে চিআইঅ ৰ বাবে নেতৃত্বৰ সুযোগ আৰু প্ৰত্যাহ্বান দুয়োটাই উপস্থাপন কৰে। চিআইঅ ৰ পদটো প্ৰান্তিককৰণ হোৱাটো ৰোধ কৰিবলৈ আৰু ব্যৱসায়ৰ মূল্য সৃষ্টিত চিআইঅ ৰ অৱদান বৃদ্ধি কৰিবলৈ, তেওঁলোকে দক্ষ আইটি ইউটিলিটি মেনেজাৰ হোৱাৰ উপৰিও তেওঁলোকৰ কোম্পানীবোৰে এক শক্তিশালী তথ্য ব্যৱহাৰৰ সংস্কৃতি গঢ়ি তোলাত সক্ৰিয় ভূমিকা পালন কৰিব লাগিব। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে চিআইঅ আৰু ব্যৱসায়িক কাৰ্য্যনিৰ্বাহকসকলে তেওঁলোকৰ কোম্পানীৰ তথ্য অভিমুখীকৰণ উন্নত কৰিবলৈ গ্ৰহণ কৰিব পৰা নেতৃত্বৰ পদ্ধতিসমূহৰ এক ভাল বুজাবুজি প্ৰদান কৰা। আমি চাৰিটা কেচ ষ্টডিৰ পৰা লাভ কৰা তথ্যৰ ভিত্তিত আমি নেতৃত্বৰ স্থান নিৰ্ধাৰণৰ বাবে চাৰিটা কোয়ড্ৰেণ্টৰ ফ্ৰেমৱৰ্ক প্ৰস্তুত কৰিছো। এই ফ্ৰেমৱৰ্কটো চিআইঅ ৰ দৃষ্টিকোণৰ পৰা নিৰ্মাণ কৰা হৈছে আৰু ই সূচায় যে চিআইঅ এ কৌশলগত লক্ষ্য প্ৰাপ্ত কৰিবলৈ কোম্পানীৰ তথ্য অভিমুখ বিকাশত নেতৃত্ব, অনুসৰণকাৰী বা ন প্লেয়াৰ হিচাপে কাম কৰিব পাৰে। এই প্ৰবন্ধৰ শেষত চিআইঅ সকলে তেওঁলোকৰ কোম্পানীৰ তথ্য-প্ৰণালীবদ্ধতা প্ৰচেষ্টা প্ৰৱৰ্তন বা বজাই ৰখাৰ ক্ষেত্ৰত নেতৃত্বৰ প্ৰত্যাহ্বানসমূহ স্থিতিত ৰখাত সহায় কৰিবলৈ ব্যৱহাৰ কৰিব পৰা নিৰ্দেশনাৱলী আগবঢ়োৱা হৈছে আৰু চিআইঅ ৰ বিশেষ পৰিস্থিতিৰ ওপৰত নিৰ্ভৰ কৰি নিৰ্দিষ্ট নেতৃত্বৰ প্ৰণালী সুপারিশ কৰা হৈছে।

5c6b51bb44c9b2297733b58daaf26af01c98fe09

এই কাগজত পদ্ধতিগতভাৱে দুটা বৈশিষ্ট্য নিষ্কাশন এলগৰিথমক গ্ৰাহকৰ পৰ্যালোচনাত মন্তব্য কৰা খনিৰ প্ৰডাক্ট বৈশিষ্টৰ সৈতে তুলনা কৰা হৈছে। প্ৰথম পদ্ধতি [17]ত POS পৰ্ট্ৰনৰ এটা ছেট প্ৰয়োগ কৰি আৰু লগ প্ৰত্যাশিত অনুপাত পৰীক্ষাৰ ওপৰত ভিত্তি কৰি প্ৰাৰ্থী ছেটটো ছাঁকনি কৰি প্ৰাৰ্থী বৈশিষ্ট্যসমূহ চিনাক্ত কৰে। দ্বিতীয় পদ্ধতিত [11] সঘনাই হোৱা বৈশিষ্ট্য চিনাক্তকৰণৰ বাবে সংযুক্তি নিয়ম খনন আৰু সঘনাই নথকা বৈশিষ্ট্য চিনাক্তকৰণৰ বাবে অনুভূতি শব্দৰ উপস্থিতিৰ ওপৰত ভিত্তি কৰি এক হেউৰিষ্টিক প্ৰয়োগ কৰা হয়। আমি গ্ৰাহক ইলেকট্ৰনিক ডিভাইচসমূহৰ সৈতে সম্পৰ্কিত পাঁচটা নিৰ্দিষ্ট দস্তাবেজ সংগ্ৰহত এলগৰিথমৰ কাৰ্যক্ষমতা মূল্যায়ন কৰো। আমি ত্ৰুটিৰ বিশ্লেষণ কৰো আৰু এলগৰিদমৰ সুবিধা আৰু সীমাবদ্ধতাৰ বিষয়ে আলোচনা কৰো।

623fd6adaa5585707d8d7339b5125185af6e3bf1

বৰ্তমানৰ অধ্যয়নটো ইন্টাৰনেট গেমিং ডিছঅৰ্ডাৰ (IGD) ৰ বাবে হস্তক্ষেপৰ এক প্ৰায়-পৰীক্ষামূলক, ভৱিষ্যতপ্ৰত্যাশিত অধ্যয়ন। এশ চাৰিজন অভিভাৱক আৰু তেওঁলোকৰ কিশোৰ-কিশোৰীসকলক চাৰিটা চিকিৎসা গোটৰ ভিতৰত এটাত ভাগ কৰা হৈছিল; ৭ দিনৰ চিৰিৰাজ থেৰাপিউটিক ৰেছিডেন্সিয়েল কেম্প (এছ-টিআৰচি) কেৱল, ৮ সপ্তাহৰ পেৰেন্ট মেনেজমেণ্ট ট্ৰেইনিং ফৰ গেম এডিকশ্যন (পিএমটি-জি) কেৱল, এছ-টিআৰচি আৰু পিএমটি-জিৰ সংমিশ্ৰণ আৰু মৌলিক মানসিক শিক্ষা (নিয়ন্ত্ৰণ) । IGD ৰ তীব্ৰতা গেম এডিকশ্যন স্ক্ৰীনিং টেষ্ট (GAST) ৰ দ্বাৰা জোখা হয়। GAST স্ক ৰত গোটসমূহৰ মাজৰ গড় পাৰ্থক্য পৰিসংখ্যাগতভাৱে গুৰুত্বপূৰ্ণ আছিল, P মান ক্ৰমে ০.০০১, ০.০০২ আৰু ০.০০৫ আছিল। সকলো গোটতে নিয়ন্ত্ৰণ গোটৰ তুলনাত উন্নতি দেখা যায়। আসক্ত বা সম্ভৱতঃ আসক্ত গোটত থকা কিশোৰ-কিশোৰীৰ শতাংশ S-TRC, PMT-G, আৰু সংযুক্ত গোটত 50% তকৈ কম আছিল। মুঠতে, এছ-টিআৰচি আৰু পিএমটি-জি দুয়োটাই আইজিডিৰ বাবে ফলপ্ৰসূ মনস্তাত্ত্বিক হস্তক্ষেপ আছিল আৰু কেৱল মৌলিক মনস্তাত্ত্বিক শিক্ষাৰ তুলনাত উন্নত আছিল।

aca437e9e2a453c84a38d716ca9a7a7683ae58b6

এই প্ৰবন্ধত 3D দৃশ্যৰ বুদ্ধিবৃত্তিক ধাৰণা আৰু স্থিৰতা আৰু সুৰক্ষাৰ ধাৰণা প্ৰদৰ্শন কৰা হৈছে। আমাৰ পদ্ধতিত এটা সহজ পৰ্যবেক্ষণ ব্যৱহাৰ কৰা হৈছে যে, মানৱ ডিজাইনৰ দ্বাৰা স্থিৰ দৃশ্যত বস্তুবোৰ মাধ্যাকর্ষণ ক্ষেত্ৰত স্থিৰ হোৱা উচিত আৰু মানৱ কাৰ্যকলাপৰ দৰে বিভিন্ন শাৰীৰিক বিসংগতিৰ ক্ষেত্ৰত সুৰক্ষিত হোৱা উচিত। এই অনুমান সকলো দৃশ্যৰ শ্ৰেণীৰ ক্ষেত্ৰত প্ৰযোজ্য আৰু দৃশ্যৰ বুজাত যুক্তিসংগত ব্যাখ্যা (পাৰ্চ) ৰ বাবে উপযোগী সীমাবদ্ধতা সৃষ্টি কৰে। গভীৰতাৰ কেমেৰাৰ দ্বাৰা স্থিৰ দৃশ্যৰ বাবে ধৰা পৰা এটা 3D বিন্দু মেঘ প্ৰদান কৰি, আমাৰ পদ্ধতিত তিনিটা পদক্ষেপ থাকে: (i) ভক্সেলৰ পৰা কঠিন 3D ভলিউমেট্ৰিক প্ৰাথমিক পুনৰুদ্ধাৰ; (ii) অস্থিৰ প্ৰাথমিকক শাৰীৰিকভাৱে স্থিৰ বস্তুলৈ গোটাই স্থিৰতা আৰু দৃশ্য পূৰ্বৰ অনুকূলিতকৰণ কৰি স্থিৰতা; আৰু (iii) মানৱ কাৰ্য্যকলাপ, বতাহ বা ভূমিকম্পৰ দৰে শাৰীৰিক বিঘ্নৰ অধীনত বস্তুবোৰৰ বাবে শাৰীৰিক বিপদৰ মূল্যায়ন কৰি সুৰক্ষা যুক্তি। আমি এক নতুন স্বজ্ঞাত পদাৰ্থবিজ্ঞান মডেল গ্ৰহণ কৰো আৰু দৃশ্যত প্ৰতিজন আদিম আৰু বস্তুৰ শক্তিৰ আৰ্হি এটা বিচ্ছিন্নতা গ্ৰাফ (ডিজি) ৰ দ্বাৰা প্ৰতিনিধিত্ব কৰোঁ। আমি এটা যোগাযোগৰ গ্ৰাফ নিৰ্মাণ কৰো য ত ন ডবোৰ হ ল ৩ডি ভলিউমেট্ৰিক প্ৰাথমিক আৰু এজবোৰে সমৰ্থন সম্পৰ্কবোৰ প্ৰতিনিধিত্ব কৰে। তাৰপিছত আমি এটা স্বেণ্ডছন-ৱাং কাটিয়া আলগোৰিদিম গ্ৰহণ কৰো যাতে যোগাযোগৰ গ্ৰাফটো গোটত ভাগ কৰিব পাৰি, যিবোৰৰ প্ৰত্যেকটো স্থিৰ বস্তু। স্থিৰ দৃশ্যত অনিরাপদ বস্তু চিনাক্ত কৰিবলৈ, আমাৰ পদ্ধতিয়ে দৃশ্যত লুকাই থকা আৰু অৱস্থিত কাৰণ (বিঘ্ন) আৰু তাৰ পিছত বিঘ্নৰ পৰিণতি হিচাপে সম্ভাব্য প্ৰভাৱ (যেনে, পতন) পূৰ্বানুমান কৰিবলৈ স্বজ্ঞাত ভৌতিক মেকানিকৰ প্ৰৱৰ্তন কৰে। পৰীক্ষাত আমি প্ৰমাণ কৰিছো যে এই এলগৰিথমটোৱে (i) বস্তু বিভাজন, (ii) 3D ভলিউমেট্ৰিক পুনৰুদ্ধাৰ, আৰু (iii) দৃশ্যৰ বুজ লোৱাত আন অত্যাধুনিক পদ্ধতিৰ তুলনাত যথেষ্ট ভাল প্ৰদৰ্শন কৰে। আমি স্বজ্ঞাত যান্ত্ৰিক মডেলৰ পৰা সুৰক্ষাৰ ভৱিষ্যদ্বাণী আৰু মানুহৰ বিচাৰ-বিবেচনাৰ সৈতে তুলনা কৰো।

7e9507924ceebd784503fd25128218a7119ff722

আমাৰ পদ্ধতিয়ে প্ৰতিটো পাঠ্যক্ৰমক এটা বিষয়ৰ গ্ৰাফ হিচাপে মডেল কৰে। এই গ্ৰাফসমূহক তাৰপিছত এটা ধাৰাবাহিক গ্ৰাফ মেচিং পদ্ধতি ব্যৱহাৰ কৰি মিলাই লোৱা হয়। তাৰপাছত আমি এটা লেভেল অৱ ডিটেইল (LOD) ভিজুৱেলাইজেশ্যন প্ৰস্তুত কৰো যিয়ে পঢ়িব পৰা আৰু স্থিৰতা দুয়োটা সমন্বয় কৰে। সেই অনুসৰি, ফলস্বৰূপে দৃশ্যমানকৰণে ব্যৱহাৰকাৰীৰ সমন্বিত গ্ৰাফক একাধিক দৃষ্টিকোণৰ পৰা বুজি আৰু বিশ্লেষণ কৰাৰ ক্ষমতা বৃদ্ধি কৰে। মেট্ৰিক লাৰ্ণিং আৰু ফিচাৰ চেলেকশ্যনক গ্ৰাফ মেচিং এলগৰিথমত অন্তৰ্ভুক্ত কৰি, আমি ব্যৱহাৰকাৰীসকলক তেওঁলোকৰ তথ্যৰ প্ৰয়োজনৰ ভিত্তিত গ্ৰাফ মেচিং ফলাফলটো আন্তঃক্ৰিয়ভাৱে সংশোধন কৰিবলৈ অনুমতি দিওঁ। আমি আমাৰ পদ্ধতি বিভিন্ন ধৰণৰ তথ্যৰ ওপৰত প্ৰয়োগ কৰিছো, য ত বাতৰি প্ৰবন্ধ, টুইট আৰু ব্লগ তথ্য অন্তৰ্ভুক্ত আছে। পৰিমানগত মূল্যায়ন আৰু বাস্তৱ জগতৰ কেছ ষ্টডিসমূহে আমাৰ পদ্ধতিৰ প্ৰতিশ্ৰুতি প্ৰদৰ্শন কৰে, বিশেষকৈ বিভিন্ন স্তৰৰ বিৱৰণত বিষয়-গ্ৰাফ-ভিত্তিক সম্পূৰ্ণ ছবি পৰীক্ষা কৰাৰ সমৰ্থনত। এই প্ৰবন্ধত বাতৰি, ব্লগ বা মাইক্ৰ ব্লগ আদিৰ দৰে একাধিক উৎসত আলোচনা কৰা প্ৰাসংগিক বিষয়ৰ সম্পূৰ্ণ ছবি বিশ্লেষণ কৰিবলৈ এটা দৃশ্য বিশ্লেষণ পদ্ধতিৰ বিষয়ে উপস্থাপন কৰা হৈছে। সম্পূৰ্ণ ছবিখন একাধিক উৎসৰ দ্বাৰা সামৰি লোৱা কিছুমান সাধাৰণ বিষয়ৰ লগতে প্ৰতিটো উৎসৰ পৰা পৃথক বিষয়ৰ দ্বাৰা সামৰি লোৱা হৈছে।

b04a503487bc6505aa8972fd690da573f771badb

গভীৰ স্নায়ুগত উপলব্ধি আৰু নিয়ন্ত্ৰণ নেটৱৰ্ক স্বচালিত বাহনৰ এটা মূল উপাদান হোৱাৰ সম্ভাৱনা আছে। এই মডেলবোৰ ব্যাখ্যাযোগ্য হোৱা প্ৰয়োজন - তেওঁলোকে তেওঁলোকৰ আচৰণৰ বাবে সহজেই ব্যাখ্যা কৰিব পৰা যুক্তি প্ৰদান কৰিব লাগে - যাতে যাত্ৰী, বীমা কোম্পানী, আইন বলবৎকাৰী, ডেভলপাৰ আদিয়ে কি কাৰণে এক বিশেষ আচৰণ আৰম্ভ কৰিছিল বুজিব পাৰে। ইয়াত আমি দৃশ্য ব্যাখ্যাৰ ব্যৱহাৰৰ বিষয়ে অনুসন্ধান কৰিম। এই ব্যাখ্যাসমূহ এটা ছবিৰ বাস্তৱ-সময়ত হাইলাইট কৰা অঞ্চলসমূহৰ ৰূপ লয় যি নেটৱৰ্কৰ আউটপুট (ষ্টেৰিং নিয়ন্ত্ৰণ) ক কাৰণগতভাৱে প্ৰভাৱিত কৰে। আমাৰ পদ্ধতিটো দুটা পৰ্যায়ৰ। প্ৰথম পৰ্যায়ত, আমি এটা ভিজুৱেল এটেন্সন মডেল ব্যৱহাৰ কৰি এটা কনভল্যুচন নেটৱৰ্ক এণ্ড-টু-এণ্ড ইমেজ পৰা ষ্টীৰিং এংগুললৈ ট্ৰেইনিং কৰো। মনোযোগৰ মডেলটোৱে ছবিৰ অঞ্চলসমূহক আলোকপাত কৰে যিবোৰে নেটৱৰ্কৰ আউটপুটত প্ৰভাৱ পেলাব পাৰে। ইয়াৰ কিছুমান সঁচা প্ৰভাৱ, কিন্তু কিছুমান ভুৱা। তাৰ পিছত আমি এটা কাৰণগত ফিল্টাৰিং পদক্ষেপ প্ৰয়োগ কৰো যাতে নিৰ্ণয় কৰিব পাৰি কোনটো ইনপুট অঞ্চলে আউটপুটক প্ৰভাৱিত কৰে। ইয়াৰ ফলত অধিক সংক্ষিপ্ত দৃশ্যমান ব্যাখ্যা পোৱা যায় আৰু নেটৱৰ্কটোৰ আচৰণ অধিক সঠিকভাৱে প্ৰকাশ পায়। আমি আমাৰ মডেলৰ কাৰ্য্যকৰিতা ১৬ ঘন্টাৰ মুঠ তথ্যৰ ওপৰত প্ৰদৰ্শন কৰিছো। আমি প্ৰথমে দেখুৱাম যে মনোযোগেৰে প্ৰশিক্ষণে এণ্ড-টু-এণ্ড নেটৱৰ্কৰ কাৰ্যক্ষমতা হ্ৰাস নকৰে। তাৰ পিছত আমি দেখুৱাম যে নেটৱৰ্কটোৱে বিভিন্ন ধৰণৰ কাৰকসমূহক সূচায় যিবোৰ মানুহে গাড়ী চলোৱাৰ সময়ত ব্যৱহাৰ কৰে।

4954bb26107d69eb79bb32ffa247c8731cf20fcf

এট্ৰিবিউট ভিত্তিক এনক্ৰিপচন (এবিই) [13] ব্যৱহাৰকাৰীৰ বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি ডিক্ৰিপ্ট কৰাৰ ক্ষমতা নিৰ্ধাৰণ কৰে। বহু-প্ৰশাসনিক ABE আঁচনিৰ ক্ষেত্ৰত, একাধিক বৈশিষ্ট্য-প্ৰশাসনসমূহে বিভিন্ন বৈশিষ্ট্যসমূহৰ পৰ্যবেক্ষণ কৰে আৰু ব্যৱহাৰকাৰীসকলক সংশ্লিষ্ট ডিক্ৰিপ্টাৰ কী প্ৰদান কৰে, আৰু এনক্ৰিপ্টাৰসমূহে ব্যৱহাৰকাৰীক এটা বাৰ্তা ডিক্ৰিপ্ট কৰাৰ আগতে প্ৰতিটো কৰ্তৃপক্ষৰ পৰা উপযুক্ত বৈশিষ্ট্যৰ বাবে কী লাভ কৰিবলৈ দাবী কৰিব পাৰে। চেজ (Chase) [5]এ এটা বহু-প্ৰশাসনিক ABE আঁচনি প্ৰদান কৰিছিল য ত এটা বিশ্বাসযোগ্য কেন্দ্ৰীয় কৰ্তৃপক্ষ (CA) আৰু বিশ্বব্যাপী চিনাক্তকৰণ (GID) ৰ ধাৰণাৰ ব্যৱহাৰ কৰা হৈছিল। অৱশ্যে, সেই গঠনত CA ৰ প্ৰতিটো চিফ্ট টেক্সট ডিক্ৰিপ্ট কৰাৰ ক্ষমতা আছে, যিটো বহুতো সম্ভাব্য অবিশ্বাস্য কৰ্তৃপক্ষৰ ওপৰত নিয়ন্ত্ৰণ বিতৰণ কৰাৰ মূল লক্ষ্যৰ সৈতে কোনোমতে বিৰোধী যেন দেখা যায়। তদুপৰি, এই নিৰ্মাণত, এটা সুসংগত জিআইডিৰ ব্যৱহাৰ কৰ্তৃপক্ষক তেওঁলোকৰ তথ্যসমূহ একত্ৰিত কৰি ব্যৱহাৰকাৰীৰ সকলো বৈশিষ্টৰে সৈতে এটা সম্পূৰ্ণ প্ৰফাইল নিৰ্মাণ কৰিবলৈ অনুমতি দিয়ে, যিটো ব্যৱহাৰকাৰীৰ গোপনীয়তাক অযথা আপত্তি কৰে। এই প্ৰবন্ধত আমি এটা সমাধানৰ প্ৰস্তাৱ আগবঢ়াইছো যিয়ে বিশ্বাসযোগ্য কেন্দ্ৰীয় কৰ্তৃপক্ষক আঁতৰ কৰে আৰু কৰ্তৃপক্ষক নিৰ্দিষ্ট ব্যৱহাৰকাৰীৰ তথ্য একত্ৰিত কৰাত বাধা প্ৰদান কৰি ব্যৱহাৰকাৰীৰ গোপনীয়তা সুৰক্ষিত কৰে, যাৰ ফলত ব্যৱহাৰিক ক্ষেত্ৰত এ বি ই অধিক ব্যৱহাৰযোগ্য হয়।

25098861749fe9eab62fbe90c1ebeaed58c211bb

এই প্ৰবন্ধত আমি এক নতুন দৃষ্টিকোণৰ পৰা বুষ্টিং পদ্ধতিৰ অধ্যয়ন কৰিম। আমি ইফ্ৰন আৰু আনসকলৰ শেহতীয়া কামৰ ওপৰত নিৰ্ভৰ কৰো। প্ৰমাণ কৰিবলৈ যে প্ৰায় (আৰু কিছুমান ক্ষেত্ৰত ঠিক) বুষ্টেজিংয়ে কোয়েফিয়েণ্ট ভেক্টৰৰ ওপৰত l1 সীমাবদ্ধতাৰ সৈতে ইয়াৰ লোকচান মানদণ্ডক হ্ৰাস কৰে। এইটোৱে ক্ষতিৰ মানদণ্ডৰ নিয়মীয়াকৰণযোগ্যতা হিচাপে আগতীয়া বন্ধৰ সৈতে উত্সাহৰ সফলতা বুজিবলৈ সহায় কৰে। দুটা সৰ্বাধিক ব্যৱহৃত মানদণ্ড (প্ৰতিঘাটি আৰু দ্বিপদী লগ-সম্ভাব্যতা) ৰ বাবে আমি আৰু দেখুৱাম যে যেতিয়া সীমাবদ্ধতা শিথিল হয়-বা সমতুল্যভাৱে ব ষ্টিং পুনৰাবৃত্তি চলি থাকে-উত্তৰ (বিভিন্ন কৰিব পৰা ক্ষেত্ৰত) এটা l1-অতি সৰ্বোত্তম বিভাজন হাইপাৰ-প্লেনলৈ সংলগ্ন হয়। আমি প্ৰমাণ কৰোঁ যে এই l1-উত্তম বিভাজন হাইপাৰ-প্লেনৰ প্ৰশিক্ষণ তথ্যৰ ন্যূনতম l1-মাৰ্জিনৰ সৰ্বাধিক কৰাৰ সম্পত্তি আছে, যেনে বুস্টিং সাহিত্যত সংজ্ঞায়িত। বুষ্টিং আৰু কাৰ্নেল সমৰ্থন ভেক্টৰ মেচিনৰ মাজত এক আকৰ্ষণীয় মৌলিক সাদৃশ্য উদ্ভৱ হয়, কিয়নো দুয়োকে উচ্চ-মাত্রিক ভৱিষ্যদ্বাণী স্থানত নিয়মীয়া অনুকূলিতকৰণৰ পদ্ধতি হিচাপে বৰ্ণনা কৰিব পাৰি, গণনা কাৰ্য্যকৰী কৰিবলৈ এটা গণনামূলক কৌশল ব্যৱহাৰ কৰি, আৰু মাৰ্জিন-সৰ্বাধিক সমাধানলৈ সংলগ্ন। এই বিবৃতিয়ে SVMৰ সঠিক বৰ্ণনা কৰে, কিন্তু ই মাত্ৰ প্ৰায় বুষ্টিংৰ ক্ষেত্ৰত প্ৰযোজ্য।

0825788b9b5a18e3dfea5b0af123b5e939a4f564

শব্দৰ ভেক্টৰ স্পেচ প্ৰতিনিধিত্ব শিকাৰ শেহতীয়া পদ্ধতিবোৰে ভেক্টৰ অংকন ব্যৱহাৰ কৰি সূক্ষ্ম-অনুভূমিক আৰু সিন্টেক্টিকেল নিয়মীয়াকৰণ ধৰা পেলোৱাত সফল হৈছে, কিন্তু এই নিয়মীয়াকৰণৰ উৎপত্তি অস্পষ্ট হৈ আছে। আমি বিশ্লেষণ কৰোঁ আৰু শব্দ ভেক্টৰত এনে নিয়মীয়াকৰণৰ বাবে প্ৰয়োজনীয় মডেলৰ বৈশিষ্ট্যসমূহ স্পষ্ট কৰি দিওঁ। ইয়াৰ ফলত এটা নতুন গোলকীয় লগবিলিনীয়াৰ ৰিগ্ৰেশ্যন মডেলৰ সৃষ্টি হয় যিয়ে সাহিত্যত থকা দুটা প্ৰধান মডেল পৰিয়ালৰ সুবিধা সমূহক একত্ৰিত কৰেঃ গোলকীয় মেট্ৰিকছ ফেক্টৰাইজেশ্যন আৰু স্থানীয় প্ৰেক্ষাপট উইণ্ডো পদ্ধতি। আমাৰ মডেলটোৱে পৰিসংখ্যাগত তথ্যৰ দক্ষতা লাভ কৰে কেৱল শূন্যৰ বাহিৰৰ উপাদানসমূহক শব্দৰ-শব্দৰ সমান্তৰাল মেট্ৰিক্সত প্ৰশিক্ষণ দিয়াৰ দ্বাৰা, সমগ্ৰ বিৰল মেট্ৰিক্স বা বৃহৎ ক ৰপাসৰ পৃথক প্ৰসংগ উইণ্ড ত নহয়। এই মডেলটোৱে অৰ্থপূৰ্ণ উপ-কাঠামোৰ সৈতে এটা ভেক্টৰ স্থান সৃষ্টি কৰে, যিটো এটা সাম্প্ৰতিক শব্দৰ উপমা কাৰ্যত 75% ৰ কাৰ্যক্ষমতাৰ দ্বাৰা প্ৰমাণিত হয়। ই সমতুল্যতা কাম আৰু নাম থকা সত্তা স্বীকৃতিৰ ক্ষেত্ৰত সম্পৰ্কিত মডেলক অতিক্ৰম কৰে।

326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5

আমি দুটা বিতৰণৰ মাজত এটা মেট্ৰিকৰ বৈশিষ্ট্য অনুসন্ধান কৰো, যি হৈছে ইৰথ মুভাৰৰ দূৰত্ব (ই এম ডি), বিষয়বস্তু-ভিত্তিক ছবি আহৰণৰ বাবে। ই এম ডি এক নিৰ্দিষ্ট অৰ্থত এটা বিতৰণক আনটোলৈ ৰূপান্তৰ কৰিবলৈ পৰিশোধ কৰিবলগীয়া ন্যূনতম খৰচৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছিল আৰু প্ৰথমবাৰৰ বাবে কিছুমান দৃষ্টিশক্তিৰ সমস্যাৰ বাবে পেলিগ, ৱাৰমেন আৰু ৰ মে প্ৰস্তাৱ দিছিল। ছবিৰ পুনৰুদ্ধাৰৰ বাবে, আমি এই ধাৰণাটো বিতৰণৰ বাবে প্ৰতিনিধিত্ব আঁচনিৰ সৈতে সংযুক্ত কৰোঁ যি ভেক্টৰ কোয়ান্টাইজেশ্যনৰ ওপৰত ভিত্তি কৰি। এই সংমিশ্ৰণে এটা ছবিৰ তুলনা ফ্ৰেমৱৰ্কৰ সৃষ্টি কৰে যি প্ৰায়ে পূৰ্বৰ প্ৰস্তাৱিত পদ্ধতিতকৈ ভালভাৱে উপলব্ধিৰ সাদৃশ্যৰ বাবে দায়ী। ই এম ডি ৰ আধাৰ হৈছে সৰলীকৰণ অপ্টিমাইজেশ্যনৰ পৰিবহণ সমস্যাৰ সমাধান, যাৰ বাবে দক্ষ অ্যালগৰিদম উপলব্ধ, আৰু আংশিক মিলনৰ বাবে স্বাভাৱিকভাৱে অনুমতি দিয়ে। ই হিষ্টোগ্ৰাম মেচিং কৌশলতকৈ অধিক শক্তিশালী, যেনে ই বিতৰণৰ ভেৰিয়েবল-লংঘৰ প্ৰতিনিধিত্বত কাম কৰিব পাৰে যি হিষ্টোগ্ৰামৰ বাবে স্বাভাৱিক কোৱান্টিজেশ্যন আৰু অন্যান্য বিন্নিং সমস্যা এৰাই চলায়। একে মুঠ ভৰৰ সৈতে বিতৰণ তুলনা কৰিবলৈ ব্যৱহাৰ কৰা হ লে, ই এম ডি হৈছে এটা সত্য মেট্ৰিক। এই প্ৰবন্ধত আমি ৰং আৰু গঠন প্ৰয়োগৰ ওপৰত গুৰুত্ব দিছো, আৰু আমি ই এম ডিৰ পুনৰুদ্ধাৰ প্ৰদৰ্শন অন্যান্য দূৰত্বৰ সৈতে তুলনা কৰো।

508d8c1dbc250732bd2067689565a8225013292f

স্থানীয় পালছ ৱেভ বেগ (পিডব্লিউভি) ৰ বাবে এক নতুন দ্বৈত ফট প্লেটিস্ম গ্ৰাফ (পিপিজি) জৰীপ আৰু পৰিমাপ ব্যৱস্থা প্ৰস্তাৱিত আৰু প্ৰদৰ্শন কৰা হৈছে। বিকশিত জৰীপ নক্সাত প্ৰতিফলন পিপিজি ট্ৰেন্সডুচাৰ ব্যৱহাৰ কৰা হৈছে যাতে দুটা সংলগ্ন পৰিমাপ পইণ্টৰ পৰা (২৮ মিমি আঁতৰত) তেজৰ পালছ প্ৰসাৰণ তৰংগ আকৃতিৰ অ-আক্রমণকাৰী চিনাক্তকৰণ কৰিব পৰা যায়। ধাৰাবাহিকভাৱে আহৰণ কৰা দ্বৈত পালছ তৰংগ আকৃতিৰ মাজত পাৰ্থক্যৰ সময় বিলম্বক বীট-টু-বিট স্থানীয় পিডব্লিউভি জোখাৰ বাবে ব্যৱহাৰ কৰা হৈছিল। PPG চণ্ডিচ ডিজাইন আৰু স্থানীয় PWV পৰিমাপ প্ৰণালীৰ বৈধতা প্ৰমাণ কৰিবলৈ ১০ জন সুস্থ স্বেচ্ছাসেৱক (৮ জন পুৰুষ আৰু ২ জন মহিলা, ২১ ৰ পৰা ৩৩ বছৰ বয়স) ৰ ওপৰত এটা in- vivo পৰীক্ষামূলক বৈধতা অধ্যয়ন কৰা হৈছিল। প্ৰস্তাৱিত ব্যৱস্থাই একাধিক বিষয়ৰ পৰা কাৰোটাইড স্থানীয় পিডব্লিউভি জোখাৰ বাবে সক্ষম হৈছিল। গৱেষণাৰ সময়ত ১০ জনৰ ৭ জনৰ ক্ষেত্ৰত বেছলাইন কেৰোটাইড পিডব্লিউভিৰ বীট- টু- বীট পৰিৱৰ্তন ৭. ৫% তকৈ কম আছিল, যিটো ১৬% ৰ সৰ্বোচ্চ বীট- টু- বীট পৰিৱৰ্তন আছিল। ব্যায়ামৰ পিছত আৰোগ্য হোৱাৰ সময়ত ক ৰ টিডৰ স্থানীয় পিডব্লিউভি আৰু ব্ৰাচিয়াল ৰক্তচাপ (বিপি) ৰ মানৰ বৈকল্পিকতাও পৰীক্ষা কৰা হৈছিল। ব্যক্তিৰ অন্তৰ্গত স্থানীয় PWV পৰিৱৰ্তন আৰু ব্ৰাচিয়েল BP পৰামিতিৰ মাজত এক পৰিসংখ্যাগতভাৱে গুৰুত্বপূৰ্ণ সম্পৰ্ক দেখা পোৱা যায় (r > 0. 85, p < 0. 001) । ফলাফলসমূহে ক ৰ টিড ধমনীৰ পৰা ধাৰাবাহিক বীট-টু-বিট স্থানীয় পিডব্লিউভি জোখাৰ বাবে প্ৰস্তাৱিত পিপিজি জৰীপৰ কাৰ্য্যকৰীতা প্ৰদৰ্শন কৰে। এনে ধৰণৰ অ-আক্ৰমণাত্মক স্থানীয় PWV জোখাৰ এককক সম্ভৱতঃ ধাৰাবাহিক এম্বুলেটৰী BP জোখাৰ বাবে ব্যৱহাৰ কৰিব পাৰি।

79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6

এই প্ৰবন্ধত গভীৰতাৰ মানচিত্ৰৰ ক্ৰমৰ পৰা মানৱ কাৰ্য্যসমূহ চিনাক্ত কৰাৰ এটা পদ্ধতি উপস্থাপন কৰা হৈছে। বিশেষভাৱে, আমি একচন গ্ৰাফ ব্যৱহাৰ কৰো যাতে কাৰ্য্যসমূহৰ গতিশীলতা স্পষ্টভাৱে মডেল কৰিব পাৰি আৰু একচন গ্ৰাফৰ ন ডসমূহৰ সৈতে মিল থকা এক নিৰ্দিষ্ট স্থিতিৰ বৈশিষ্ট্য নিৰ্ণয় কৰিবলৈ 3D বিন্দুৰ এটা বেগ ব্যৱহাৰ কৰো। ইয়াৰ উপৰিও, আমি এটা সৰল, কিন্তু কাৰ্যকৰী প্ৰক্ষেপণ ভিত্তিক নমুনা গ্ৰহণৰ প্ৰস্তাৱ দিছো যাতে গভীৰতাৰ মানচিত্ৰৰ পৰা 3D বিন্দুৰ নমুনা ল ব পৰা যায়। পৰীক্ষামূলক ফলাফলত দেখিবলৈ পোৱা গৈছে যে গভীৰতাৰ মানচিত্ৰৰ পৰা মাত্ৰ ১% ত্ৰিমাত্ৰিক বিন্দুৰ নমুনা লৈ ৯০% ৰো অধিক স্বীকৃতিৰ সঠিকতা প্ৰাপ্ত কৰা হৈছে। 2D ছাইলুয়েট ভিত্তিক চিনাক্তকৰণৰ তুলনাত, চিনাক্তকৰণ ত্ৰুটিসমূহ অৰ্ধেক হ্ৰাস কৰা হৈছিল। ইয়াৰ উপৰিও, আমি প্ৰতীকৰণৰ জৰিয়তে আন্ধাৰৰ সৈতে মোকাবিলা কৰিবলৈ পইণ্টৰ ভংগীমাৰ মডেলৰ সম্ভাৱনীয়তা প্ৰদৰ্শন কৰোঁ।

46fd85775cab39ecb32cf2e41642ed2d0984c760

এই প্ৰবন্ধত এআই ৰবটৰ আইনী স্থিতিৰ বিষয়ে বৰ্তমান চলি থকা বিতৰ্কৰ বিষয়ে আলোচনা কৰা হৈছে আৰু এই কৃত্ৰিম এজেন্টৰ আইনী স্থিতিৰ সৈতে আইনী ব্যক্তিৰ স্থিতিৰ বিষয়ে পণ্ডিত আৰু নীতি নিৰ্ধাৰকসকলে কিমান সঘনাই বিভ্ৰান্ত কৰে। এই ক্ষেত্ৰত বৰ্তমানৰ প্ৰৱণতাসমূহ বিবেচনা কৰি, এই পত্ৰখনত দুটা দিশৰ প্ৰতি দৃষ্টি নিবদ্ধ কৰা হৈছে। প্ৰথমতে, নীতি নিৰ্ধাৰকসকলে চুক্তি আৰু ব্যৱসায় আইনত এআই ৰবটৰ কাৰ্যকলাপৰ বাবে জবাবদিহিতা আৰু দায়বদ্ধতাৰ নতুন ৰূপ স্থাপন কৰাৰ সম্ভাৱনাৰ বিষয়ে গুৰুত্ব সহকাৰে বিবেচনা কৰিব লাগিব, উদাহৰণস্বৰূপে, জটিল বিতৰণিত দায়িত্বৰ ক্ষেত্ৰত আইনী এজেন্টৰ নতুন ৰূপ। দ্বিতীয়তে, এআই ৰবটক সম্পূৰ্ণ আইনী ব্যক্তিত্ব প্ৰদান কৰাৰ যিকোনো অনুমান অদূৰ ভৱিষ্যতে নাকচ কৰিব লাগিব। কিন্তু, আমি ছোফিয়া (Sophia) ৰ সৈতে কিদৰে মোকাবিলা কৰিব লাগে, যিটো অক্টোবৰ ২০১৭ ত ছৌদি আৰৱৰ নাগৰিকত্ব লাভ কৰা প্ৰথম এআই এপ্লিকেচন আছিল? কোনো ব্যক্তিক বা কোনো বস্তুক আইনী ব্যক্তি হিচাপে স্বীকৃতি প্ৰদান কৰাটো এটা অতি স্পৰ্শকাতৰ ৰাজনৈতিক বিষয় যিটো কেৱল যুক্তিসংগত সিদ্ধান্ত আৰু অভিজ্ঞতাৰ ওপৰত নিৰ্ভৰশীল নহয়। এই ক্ষেত্ৰত বিচক্ষণতা, স্বৈৰাচাৰী আৰু অদ্ভুত সিদ্ধান্তইও ভূমিকা পালন কৰে। কিন্তু আইনী ব্যৱস্থাই মানৱ আৰু কৃত্ৰিম সত্তা যেনে-কৰ্মচাৰীসকলক তেওঁলোকৰ মৰ্যাদা প্ৰদান কৰাৰ নিয়মীয়াকৰণীয় কাৰণবোৰে আমাক এআই ৰবটৰ আইনী ব্যক্তিৰ বাবে বৰ্তমানৰ যুগত পক্ষ ল বলৈ সহায় কৰে। নাগৰিক ছোফিয়া সঁচাকৈয়ে সচেতন নে, অথবা অসভ্য পণ্ডিতসকলৰ তৰোৱাল আৰু তৰোৱাল সহ্য কৰিবলৈ সক্ষম?

0943ed739c909d17f8686280d43d50769fe2c2f8

আমি মানৱ আচৰণ বিশ্লেষণ আৰু সংশ্লেষণৰ বাবে এক পদ্ধতি হিচাপে ক্ৰিয়া-প্ৰতিক্ৰিয়া শিকাৰ প্ৰস্তাৱ দিছো। এই দৃষ্টান্তই অতীত আৰু ভৱিষ্যতৰ ঘটনাৰ মাজত বা এটা ক্ৰিয়া আৰু ইয়াৰ প্ৰতিক্ৰিয়াৰ মাজত সময়ৰ ক্ৰম পৰ্যবেক্ষণ কৰি কাৰণগত মেপিং আৱিষ্কাৰ কৰে। আমি এই পদ্ধতি ব্যৱহাৰ কৰি মানুহৰ ক্ৰিয়া-কলাপ বিশ্লেষণ কৰো আৰু তাৰ পিছত মানুহৰ আচৰণ সংকলন কৰো। এক সময় শৃংখলাৰ ধাৰণাগত জোখৰ ব্যৱহাৰ কৰি, এটা প্ৰণালীয়ে স্বয়ংক্ৰিয়ভাৱে এজন মানৱ অংশগ্ৰহণকাৰীৰ (এটা কাৰ্য্য) আৰু আন অংশগ্ৰহণকাৰীৰ পৰৱৰ্তী কাৰ্য্য (এটা প্ৰতিক্ৰিয়া) ৰ মাজত মেপিং আৱিষ্কাৰ কৰে। এটা সম্ভাব্যতা মডেলক মানৱ ক্ৰিয়া-কলাপৰ তথ্যৰ পৰা এটা নতুন অনুমান কৌশল, চৰ্তসাপেক্ষ প্ৰত্যাশা সর্বাধিকীকৰণ (CEM) ব্যৱহাৰ কৰি প্ৰশিক্ষণ দিয়া হয়। এই ব্যৱস্থাই এটা গ্ৰাফিক ইণ্টাৰেক্টিভ চৰিত্ৰ চালিত কৰে যিয়ে ব্যৱহাৰকাৰীৰ আচৰণৰ প্ৰতি সৰ্বাধিক প্ৰতিক্ৰিয়াৰ সম্ভাৱনাযুক্তভাৱে ভৱিষ্যদ্বাণী কৰে আৰু ইয়াক ইণ্টাৰেক্টিভভাৱে সম্পাদন কৰে। এনেদৰে, অংশগ্ৰহণকাৰীসকলৰ এটা জোপা মানুহৰ মাজত হোৱা ক্ৰিয়া-কলাপ বিশ্লেষণ কৰাৰ পিছত, প্ৰণালীটোৱে তেওঁলোকৰ এজনক সলনি কৰিবলৈ সক্ষম হয় আৰু এজন বাকী থকা ব্যৱহাৰকাৰীৰ সৈতে ক্ৰিয়া-কলাপ কৰে।

272216c1f097706721096669d85b2843c23fa77d

আমি এডামৰ প্ৰৱৰ্তন কৰো, নিম্ন-অৰ্ডাৰ মুহূৰ্তৰ অভিযোজিত অনুমানৰ ওপৰত ভিত্তি কৰি ষ্ট কাষ্টিক উদ্দেশ্য কাৰ্যৰ প্ৰথম-অৰ্ডাৰ গ্ৰেডিয়েন্ট-ভিত্তিক অপ্টিমাইজেশ্যনৰ বাবে এটা এলগৰিথম। এই পদ্ধতিটো ৰূপায়ণ কৰিবলৈ সহজ, গণনাকাৰীভাৱে দক্ষ, ইয়াৰ কম মেমৰিৰ প্ৰয়োজন, গ্ৰেডিয়েন্টৰ ডায়েগ নেল ৰিস্কেলিংৰ বাবে অবিভক্ত, আৰু তথ্য আৰু/বা পেৰামিটাৰৰ ক্ষেত্ৰত ডাঙৰ সমস্যাৰ বাবে উপযুক্ত। এই পদ্ধতিটো অস্থায়ী লক্ষ্য আৰু অতিশয় শব্দপূৰ্ণ আৰু/বা কম ঢাল থকা সমস্যাৰ বাবেও উপযুক্ত। হাইপাৰ-পাৰামিটাৰসমূহৰ স্বজ্ঞাত ব্যাখ্যা আছে আৰু সাধাৰণতে অলপ টিউনিংৰ প্ৰয়োজন হয়। আদমক অনুপ্ৰাণিত কৰা সম্পৰ্কীয় এলগৰিথমৰ সৈতে কিছুমান সংযোগৰ বিষয়ে আলোচনা কৰা হৈছে। আমি আলগোৰিদিমৰ তাত্ত্বিক ঘনিষ্ঠতা বৈশিষ্ট্যসমূহ বিশ্লেষণ কৰো আৰু অনলাইন কনভেক্স অপ্টিমাইজেশ্যন ফ্ৰেমৱৰ্কৰ অধীনত সৰ্বশ্ৰেষ্ঠ পৰিচিত ফলাফলৰ সৈতে তুলনাযোগ্য ঘনিষ্ঠতা হাৰৰ ওপৰত এক অনুশোচনা প্ৰদান কৰোঁ। প্ৰামাণিক ফলাফলসমূহে প্ৰমাণ কৰে যে আদম ব্যৱহাৰিকভাৱে ভাল কাম কৰে আৰু অন্যান্য ষ্ট কাষ্টিক অপ্টিমাইজেশ্যন পদ্ধতিৰ সৈতে তুলনা কৰে। শেষত, আমি এডামেক্সৰ বিষয়ে আলোচনা কৰিম, যিটো এডামৰ এক বৈকল্পিক যিটো অসীমতাৰ নিয়মৰ ওপৰত আধাৰিত।

05aba481e8a221df5d8775a3bb749001e7f2525e

আমি উপস্থাপন কৰিছো উপ-শ্ৰেণীৰ পদ্ধতিৰ এটা নতুন পৰিয়াল যি পূৰ্বৰ পুনৰাবৃত্তিত তথ্যৰ জ্যামিতিক জ্ঞানৰ সৈতে গতিশীলভাৱে অন্তৰ্ভুক্ত কৰে যাতে অধিক তথ্যপূৰ্ণ শ্ৰেণীৰ ভিত্তিত শিকন সম্ভৱ হয়। উপমা স্বৰূপে, এই অভিযোজনাই আমাক খুব ভৱিষ্যদ্বাণীমূলক কিন্তু বিৰলভাৱে দেখা পোৱা বৈশিষ্ট্যৰ ৰূপত শস্যৰ গুড়ত থকা ন-ডাল বিচাৰি উলিয়াবলৈ অনুমতি দিয়ে। আমাৰ দৃষ্টান্তটো ষ্ট কাষ্টিক অপ্টিমাইজেশ্যন আৰু অনলাইন শিক্ষণৰ শেহতীয়া অগ্ৰগতিৰ পৰা উদ্ভূত হয় যিয়ে এলগৰিথমৰ গ্ৰেডিয়েন্ট পদক্ষেপ নিয়ন্ত্ৰণ কৰিবলৈ প্ৰক্সিমেল ফাংচন ব্যৱহাৰ কৰে। আমি প্ৰক্সিমেল ফাংচনক অভিযোজিতভাৱে সংশোধন কৰাৰ বাবে এটা যন্ত্ৰৰ বিৱৰণ আৰু বিশ্লেষণ কৰো, যিটোৱে শিকাৰ হাৰ নিৰ্ধাৰণক যথেষ্ট সহজ কৰে আৰু ফলাফলত অনুশোচনাৰ নিশ্চয়তা প্ৰদান কৰে যি প্ৰমাণিতভাৱে সৰ্বশ্ৰেষ্ঠ প্ৰক্সিমেল ফাংচনৰ দৰে ভাল যি পিছলৈ চয়ন কৰিব পাৰি। আমি সাধাৰণ আৰু গুৰুত্বপূৰ্ণ নিয়মীয়াকৰণ কাৰ্য্য আৰু ডোমেইন সীমাবদ্ধতাৰ সৈতে অভিজ্ঞতাতাতাত বিপদ হ্ৰাস কৰাৰ বাবে কেতবোৰ কাৰ্যকৰী এলগৰিথম প্ৰদান কৰিছো। আমি আমাৰ তাত্ত্বিক বিশ্লেষণৰ পৰীক্ষামূলক অধ্যয়ন কৰি দেখুৱাম যে অভিযোজিত উপ-শ্ৰেণী পদ্ধতিয়ে অত্যাধুনিক, কিন্তু অভিযোজিত, উপ-শ্ৰেণী পদ্ধতিতকৈ অধিক ভাল প্ৰদৰ্শন কৰে।

f2bc77fdcea85738d1062da83d84dfa3371d378d

এই প্ৰবন্ধত চিপ-টু-চিপ প্ৰয়োগৰ বাবে ৯০ এনএম চিএমঅ এচত ৬.২৫ গিগাবাইট/ছেকেণ্ড ১৪ মেগাৱাট ট্ৰেন্সচিভাৰ বৰ্ণনা কৰা হৈছে। ট্ৰান্সচিভাৰে শক্তিৰ খৰচ হ্ৰাস কৰিবলৈ বিভিন্ন বৈশিষ্ট্য ব্যৱহাৰ কৰে, যাৰ ভিতৰত আছে এক ভাগ কৰা এলচি-পিএলএল ক্লক মাল্টিপ্লাইয়াৰ, ইণ্ডাক্টৰ-লোডড ৰিজ নেণ্ট ক্লক বিতৰণ নেটৱৰ্ক, এটা নিম্ন- আৰু প্ৰগ্ৰামযোগ্য-স্উইং ভল্টেজ-মোড ট্ৰান্সমিটাৰ, ছফ্টৱেৰ নিয়ন্ত্ৰিত ক্লক আৰু ডাটা পুনৰুদ্ধাৰ (চিডিআৰ) আৰু ৰিচিভাৰৰ ভিতৰত অভিযোজিত সমীকৰণ, আৰু চিডিআৰৰ বাবে এক নতুন পিএলএল-ভিত্তিক ফেজ ৰোটাৰ। এই ডিজাইনটো -১৫ ডিচিবি বা তাতকৈ অধিক চেনেল এটেনিউয়েশ্যনৰ সৈতে ১০-১৫ বা তাতকৈ কম বিট-এৰ ৰ ৰেটত কাম কৰিব পাৰে, একে সময়তে প্ৰতি ট্ৰান্সচিভাৰত ২.২৫ এমডব্লিউ/জিবি/ছেকেণ্ডতকৈ কম ব্যৱহাৰ কৰে।

9da870dbbc32c23013ef92dd9b30db60a3cd7628

গতিশীল দৃশ্যৰ স্কেনিংৰ বাবে কমোডিটি গভীৰতা ছেন্সৰ অধিক ব্যাপকভাৱে উপলব্ধ হোৱাৰ বাবে 3D আকাৰৰ অ-শক্তিক ৰেজিষ্ট্ৰেচন এক গুৰুত্বপূৰ্ণ কাম। অ-শক্ত পঞ্জীয়ন শক্ত পঞ্জীয়নৰ তুলনাত অধিক প্ৰত্যাহ্বানজনক কিয়নো ই একক বিশ্বব্যাপী ৰূপান্তৰক সলনি স্থানীয় ৰূপান্তৰসমূহৰ এক সংহতি অনুমান কৰে, আৰু সেয়েহে নিম্ন নিৰ্ধাৰণৰ বাবে অতিৰিক্ত ফিটিং সমস্যাৰ প্ৰৱণতা থাকে। পূৰ্বৰ পদ্ধতিত সাধাৰণ জ্ঞানটো হৈছে স্থানীয় ৰূপান্তৰ পাৰ্থক্যৰ ওপৰত এক আই-১২ নিয়মীয়াকৰণ আৰোপ কৰা। অৱশ্যে, l2-নৰ্মৰ নিয়মীয়াকৰণটোৱে সমাধানটো আউটলিয়ৰ আৰু শব্দৰ প্ৰতি প্ৰবণতা সৃষ্টি কৰে, যিটো গাউছীয়ান বিতৰণৰ পৰিৱৰ্তন পাৰ্থক্যৰ ওপৰত ভাল-অফ-ফিট দ্বাৰা প্ৰমাণিত হয়। ইয়াৰ বিপৰীতে, লাপ্লেচিয়ান বিতৰণ পৰিৱৰ্তন পাৰ্থক্যৰ সৈতে ভালদৰে খাপ খায়, যি এটা স্পাৰ্চিটি প্ৰিৰিয়াৰ ব্যৱহাৰৰ পৰামৰ্শ দিয়ে। আমি পৰিৱৰ্তন অনুমানৰ বাবে এক আই-নৰ্মৰ নিয়মীয়া মডেলৰ সৈতে এটা বিৰল অ-শক্ত পঞ্জীয়ন (SNR) পদ্ধতিৰ প্ৰস্তাৱ দিছো, যাক উন্নত লেগ্ৰাঞ্জিয়ান ফ্ৰেমৱৰ্কৰ অধীনত বিকল্প দিশ পদ্ধতি (ADM) ৰ দ্বাৰা কাৰ্যকৰীভাৱে সমাধান কৰা হয়। আমি এক শক্তিশালী আৰু প্ৰগতিশীল পঞ্জীয়নৰ বাবে বহু-সংকল্পৰ আঁচনিও প্ৰস্তুত কৰিছো। ৰাজহুৱা ডাটা ছেট আৰু আমাৰ স্কেন কৰা ডাটা ছেট দুটাৰ ফলাফলত আমাৰ পদ্ধতিৰ উচ্চতা প্ৰদৰ্শন কৰা হৈছে, বিশেষকৈ বৃহৎ স্কেল বিকৃতিৰ লগতে আউটলিয়াৰ্ছ আৰু শব্দৰ ক্ষেত্ৰত।

e36ecd4250fac29cc990330e01c9abee4c67a9d6

এই পত্ৰখনত এক নতুন কে-বেণ্ড ডুৱেল-বেণ্ড ডুৱেল-চাৰ্কুলাৰ-প লাৰাইজড এণ্টেনা এৰেজ উপস্থাপন কৰা হৈছে। Ka-band ডাউনলিংক ফ্ৰেক্সিঙৰ বাবে বাওঁ-হাতৰ বৃত্তাকাৰ পলাৰাইজেশ্যন আৰু Ka-band আপলিংক ফ্ৰেক্সিঙৰ বাবে সোঁ-হাতৰ বৃত্তাকাৰ পলাৰাইজেশ্যন থকা এটা ডুৱেল-বেণ্ড এণ্টেনা কমপেক্ট এনিউলাৰ ৰিং স্লটসমূহৰ সৈতে উপলব্ধ। ক্ৰমিক ঘূৰ্ণন প্ৰণালী প্ৰয়োগ কৰি, ভাল প্ৰদৰ্শন সহ 2 × 2 উপ-অৰণ্য প্ৰাপ্ত কৰা হয়। এই পত্ৰখনত ডিজাইন প্ৰক্ৰিয়াটো বৰ্ণনা কৰা হৈছে আৰু অনুকৰণ আৰু পৰিমাপৰ ফলাফলসমূহ দাঙি ধৰা হৈছে।

0bb71e91b29cf9739c0e1334f905baad01b663e6

এই প্ৰবন্ধত এলটিই নেটৱৰ্কত ব্যৱহাৰ কৰা বেটাৰী চালিত ডিভাইচৰ শক্তিৰ ব্যৱহাৰ হ্ৰাস কৰিবলৈ সময়সূচী আৰু প্ৰচাৰ শক্তি নিয়ন্ত্ৰণ কৰা হৈছে। বৃহৎ সংখ্যক মেচিন-প্ৰকাৰৰ গ্ৰাহকৰ বাবে কাৰ্যকৰী কাৰ্যসূচী সুনিশ্চিত কৰিবলৈ, এটা নতুন বিতৰণ আঁচনি প্ৰস্তাৱ কৰা হৈছে যিয়ে মেচিন ন ডবোৰক স্থানীয় ক্লাষ্টাৰ গঠন কৰিবলৈ আৰু ক্লাষ্টাৰ-হেডসমূহৰ জৰিয়তে বেছ-ষ্টেচনৰ সৈতে যোগাযোগ কৰিবলৈ অনুমতি দিয়ে। তাৰ পিছত, এলটিই নেটৱৰ্কত আপলিংক সময়সূচী আৰু শক্তি নিয়ন্ত্ৰণ প্ৰৱৰ্তন কৰা হয় আৰু ক্লাষ্টাৰ-হেড আৰু বেছ-ষ্টেচনৰ মাজত যোগাযোগৰ বাবে ব্যৱহাৰ কৰিব পৰা জীৱনকাল-সচেতন সমাধানৰ অনুসন্ধান কৰা হয়। সঠিক সমাধানৰ লগতে, কম জটিলতাযুক্ত উপ-সৰ্বোত্তম সমাধানসমূহ এই কামত উপস্থাপন কৰা হৈছে যি বহু কম গণনামূলক জটিলতাৰে প্ৰায় সৰ্বোত্তম কাৰ্যক্ষমতা অৰ্জন কৰিব পাৰে। প্ৰদৰ্শনৰ মূল্যায়নে দেখুৱাইছে যে প্ৰস্তাৱিত প্ৰট কল ব্যৱহাৰ কৰি নেটৱৰ্কৰ জীৱনকাল যথেষ্ট বৃদ্ধি কৰা হৈছে।

6dc4be33a07c277ee68d42c151b4ee866108281f

সংক্ষেপণীয় পৰিমাপৰ পৰা সমভেদকৰণ মেট্ৰিচসমূহৰ অনুমানক বিজ্ঞান আৰু অভিযান্ত্ৰিকাৰ বিভিন্ন ক্ষেত্ৰত শেহতীয়াকৈ যথেষ্ট গৱেষণা প্ৰচেষ্টা আকৰ্ষিত কৰিছে। কম সংখ্যক পৰ্যবেক্ষণৰ বাবে, সহ-বৈকল্পিকতা মেট্ৰিক্সৰ অনুমান এটা গুৰুতৰভাৱে অসুবিধাজনক সমস্যা। এই সমস্যাটো সহ-বৈকল্পিকতা মেট্ৰিক্সৰ গাঁথনিৰ বিষয়ে পূৰ্বৰ তথ্যৰ ব্যৱহাৰৰ দ্বাৰা সমাধান কৰিব পাৰি। এই প্ৰবন্ধত এটা শ্ৰেণীৰ ঘোঁহোৰ ফৰ্মুলেচন আৰু সংশ্লিষ্ট সমাধানৰ বিষয়ে আলোচনা কৰা হৈছে, যিবোৰ সমাধানৰ ওপৰত Toeplitz, sparseness, null-pattern, low rank, বা low permuted rank structureৰ উপৰিও ধনাত্মক অৰ্ধ-নিৰ্দিষ্টতা আৰোপ কৰি সংকোচনীয় জোখৰ অধীনত উচ্চ-মাত্রিক সহ-বৈকল্পিকতা মেট্ৰিক্স অনুমান সমস্যাৰ সমাধান কৰা হৈছে। অপ্টিমাইজেশ্যন সমস্যা সমাধানৰ বাবে, আমি কো-ভেৰিয়ান্স বাই এগমেন্টেড লেগ্ৰাঞ্জিয়ান সংকোচন এলগৰিথম (CoVALSA) প্ৰৱৰ্তন কৰো, যি স্প্লিট এগমেন্টেড লেগ্ৰাঞ্জিয়ান সংকোচন এলগৰিথম (SALSA) ৰ এটা উদাহৰণ। আমি আমাৰ পদ্ধতিৰ কাৰ্য্যকৰিতা অত্যাধুনিক এলগৰিথমৰ সৈতে তুলনা কৰি দেখুৱাম।

05357314fe2da7c2248b03d89b7ab9e358cbf01e

সকলো অধিকাৰ সংৰক্ষিত। প্ৰকাশকৰ লিখিত অনুমতি অবিহনে এই গ্ৰন্থৰ কোনো অংশই কোনো বৈদ্যুতিন বা যান্ত্ৰিক মাধ্যমত (ফটোকপি, ৰেকৰ্ডিং বা তথ্য সংৰক্ষণ আৰু পুনৰুদ্ধাৰকে ধৰি) কোনো ৰূপত প্ৰতিলিপি কৰিব নোৱাৰিব।

06d0a9697a0f0242dbdeeff08ec5266b74bfe457

আমি প্ৰাকৃতিক ভাষাৰ বৃক্ষৰ গাঁথনিৰ বাবে এক নতুন প্ৰজন্মৰ মডেল আগবঢ়াইছো য ত অৰ্থগত (শব্দাৰ্থগত নিৰ্ভৰশীলতা) আৰু সিন্টেক্টিকেল গাঁথনিসমূহ পৃথক মডেলৰ দ্বাৰা স্ক ৰ কৰা হয়। এই কাৰককৰণটোৱে ধাৰণাগত সৰলতা, উপাদান মডেলসমূহক পৃথকে উন্নত কৰাৰ সহজ সুযোগ প্ৰদান কৰে, আৰু প্ৰদৰ্শন স্তৰ ইতিমধ্যে একেধৰণৰ, অ-কাৰকযুক্ত মডেলৰ সৈতে সমীপৱৰ্তী। আটাইতকৈ গুৰুত্বপূৰ্ণ কথা, আন আধুনিক পাৰ্সিং মডেলৰ বিপৰীতে, কাৰকযুক্ত মডেলত অতি কাৰ্যকৰী পাৰ্সিং এলগৰিথমৰ ব্যৱস্থা কৰা হৈছে, যি কাৰ্যকৰী, সঠিক অনুমান সম্ভৱপৰ কৰে।

8f76334bd276a2b92bd79203774f292318f42dc6

এই প্ৰবন্ধত এটা বৃত্তাকাৰ শিং এণ্টেনাৰ বিষয়ে আলোচনা কৰা হৈছে যিটো L আকৃতিৰ এটা চণ্ডী দ্বাৰা সঞ্চালিত হয়। 50 ওমেগা ক অক্সিয়েল কেবলৰ সৈতে ব্ৰডবেণ্ড মেচিংৰ বাবে ডিজাইন প্ৰক্ৰিয়া আৰু অক্ষীয় অনুপাত আৰু লাভত এন্টেনাৰ প্ৰদৰ্শন দাঙি ধৰা হৈছে। এই প্ৰবন্ধৰ অনুকৰণ ফলাফল Ansoft HFSS 9.2 ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হৈছিল

41c987b8a7e916d56fed2ea7311397e0f2286f3b

পৰম্পৰাগত পদ্ধতিৰ বিপৰীতে যি নেটৱৰ্ক স্তৰত কোয়ান্টাইজেশ্যনৰ ওপৰত গুৰুত্ব দিয়ে, এই কামত আমি টেনছৰ স্তৰত কোয়ান্টাইজেশ্যন প্ৰভাৱ কমাবলৈ প্ৰস্তাৱ দিছো। আমি কম স্পষ্টতাৰ নেটৱৰ্কত কোৱান্টিজেশ্যন শব্দ আৰু ক্লিপিং বিকৃতিৰ মাজত বাণিজ্য-অফ বিশ্লেষণ কৰোঁ। আমি বিভিন্ন টেন্সৰৰ পৰিসংখ্যা চিনাক্ত কৰোঁ, আৰু ক্লিপিংৰ বাবে গড়-চতুৰ্থাংশ-ত্ৰুটি অৱনমনৰ বাবে সঠিক অভিব্যক্তি আহৰণ কৰোঁ। এই অভিব্যক্তিসমূহক অনুকূলিতকৰণ কৰি, আমি প্ৰমিত কোয়ান্টাইজেশ্যন আঁচনিৰ তুলনাত উল্লেখনীয় উন্নতি দেখুৱাব পাৰো যি সাধাৰণতে ক্লিপিং এৰাই চলে। উদাহৰণস্বৰূপে, সঠিক ক্লিপিং মানবোৰ নিৰ্বাচন কৰি, VGG16-BN ৰ 4-বিট স্পষ্টতাৰ বাবে 40% তকৈ অধিক স্পষ্টতা উন্নতি লাভ কৰা হয়। আমাৰ ফলাফলৰ বহুতো প্ৰয়োগ আছে নিউৰেল নেটৱৰ্কৰ কোয়ান্টাইজেশ্যনৰ বাবে প্ৰশিক্ষণ আৰু অনুমান উভয় সময়তে। এটা তাৎক্ষণিক প্ৰয়োগ হ ল কম-নিখুঁততা ত্বৰান্বিতকৰণলৈ নিউৰেল নেটৱৰ্কৰ দ্ৰুত প্ৰৱৰ্তন সময় ব্যয়কাৰী সূক্ষ্ম টুনিং বা সম্পূৰ্ণ ডাটা ছেটৰ উপলব্ধতা অবিহনে।

1bde4205a9f1395390c451a37f9014c8bea32a8a

ৰোবটিকৰ দ্বাৰা মনিপুলেচন আৰু নেভিগেচনৰ বাবে পৰিসৰৰ ছবিত অনুসন্ধান কৰা বস্তুসমূহ চিনাক্ত কৰা আৰু স্থানীয়কৰণ কৰাটো গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে। যদিও ইয়াক নিৰন্তৰভাৱে অধ্যয়ন কৰা হৈছে, ই এতিয়াও আন্ধাৰ আৰু জৰাজীৰ্ণ দৃশ্যৰ বাবে এক প্ৰত্যাহ্বানমূলক কাম।

242caa8e04b73f56a8d4adae36028cc176364540

আমি এটা ভোটদান-ভিত্তিক পোজ অনুমান এলগৰিথমৰ প্ৰস্তাৱ দিছো যি 3D ছেন্সৰসমূহৰ বাবে প্ৰযোজ্য, যিবোৰে দ্ৰুতগতিত তেওঁলোকৰ 2D সমতুল্যবোৰক ৰবট, কম্পিউটাৰ ভিজন আৰু গেমিং এপ্লিকেচনত প্ৰতিস্থাপন কৰিছে। শেহতীয়াকৈ প্ৰমাণ কৰা হৈছে যে এটা ভোটদান ফ্ৰেমৱৰ্কত অগ্ৰণী 3D বিন্দুৰ জোপা, যিটো বস্তু পৃষ্ঠত বিন্দু আৰু সাধাৰণ, দ্ৰুত আৰু শক্তিশালী পোজ অনুমান সক্ষম কৰে। যদিও দিশ নিৰ্ধাৰিত পৃষ্ঠত থকা বিন্দুবোৰ যথেষ্ট বক্ৰতা পৰিৱৰ্তন থকা বস্তুৰ বাবে বৈষম্যমূলক, কিন্তু ইবোৰ কমপেক্ট নহয় আৰু বহুতো ঔদ্যোগিক আৰু বাস্তৱ জগতৰ বস্তুৰ বাবে যথেষ্ট বৈষম্যমূলক নহয় যি বেছিভাগ সমতল। যিহেতু 2D ৰেজিষ্ট্ৰেশ্যনত এডজবোৰে মুখ্য ভূমিকা পালন কৰে, 3D ত গভীৰতাৰ বিসংগতি গুৰুত্বপূৰ্ণ। এই প্ৰবন্ধত, আমি এই সীমা তথ্যৰ ভাল ব্যৱহাৰ কৰা পোজ অনুমান এলগৰিথমৰ এটা পৰিয়াল অনুসন্ধান আৰু বিকাশ কৰিম। দিশ নিৰ্ধাৰিত পৃষ্ঠৰ বিন্দুৰ উপৰিও, আমি আন দুটা প্ৰাথমিক ব্যৱহাৰ কৰোঃ দিশ আৰু সীমাৰ ৰেখা অংশৰ সৈতে সীমা বিন্দু। আমাৰ পৰীক্ষাসমূহে দেখুৱাইছে যে এই সাৱধানে নিৰ্বাচিত প্ৰাথমিকবোৰে অধিক তথ্য সংকেত কৰে আৰু ইয়াৰ ফলত শিল্পৰ বিভিন্ন অংশৰ বাবে উচ্চ নির্ভুলতা প্ৰদান কৰে আৰু দ্ৰুত গণনা সম্ভৱ কৰে। আমি প্ৰস্তাৱিত এলগৰিথম আৰু এটা থ্ৰীডি ছেন্সৰ ব্যৱহাৰ কৰি এটা ব্যৱহাৰিক ৰবট-ডবা-পিকিং চিষ্টেম প্ৰদৰ্শন কৰিম।

5df318e4aac5313124571ecc7e186cba9e84a264

চৰকাৰী ম বাইল এপ বজাৰত বাৰে বাৰে হোৱা ম লৱেৰ প্ৰৱেশৰ সংখ্যাই অন্তিম ব্যৱহাৰকাৰীৰ ব্যক্তিগত আৰু সংবেদনশীল তথ্যৰ গোপনীয়তা আৰু গোপনীয়তাক এক উচ্চ নিৰাপত্তাজনিত ভাবুকি প্ৰদান কৰিছে। চূড়ান্ত ব্যৱহাৰকাৰী ডিভাইচসমূহক বিপৰীতমুখী এপসমূহৰ বলি হোৱাৰ পৰা সুৰক্ষা প্ৰদান কৰাটো একাডেমী আৰু উদ্যোগৰ সুৰক্ষা গৱেষক/ অভিযন্তাৰ বাবে এক কাৰিকৰী আৰু গৱেষণা প্ৰত্যাহ্বান হিচাপে বিবেচিত হয়। এপ মাৰ্কেটত প্ৰয়োগ কৰা সুৰক্ষা অনুশীলন আৰু বিশ্লেষণ পৰীক্ষা সত্ত্বেও, ম লৱেৰবোৰ প্ৰতিৰক্ষাৰ মাজেৰে সোমাই যায় আৰু ব্যৱহাৰকাৰীৰ ডিভাইচসমূহ সংক্ৰমিত কৰে। ম লৱেৰ বিৱৰ্তনৰ ফলত ই অতিশয় জটিল আৰু গতিশীলভাৱে পৰিৱৰ্তনশীল ছফ্টৱেৰ হৈ পৰিছে যিটো সাধাৰণতে বৈধ এপ্লিকেশ্যনৰ ৰূপত ছদ্মবেশিত হৈ থাকে। অতি উন্নত এভাইজিব কৌশল ব্যৱহাৰ, যেনে এনক্ৰিপ্ট কৰা ক ড, অস্পষ্টকৰণ আৰু গতিশীল ক ড আপডেট ইত্যাদি, নতুন ম লৱেৰত পোৱা সাধাৰণ প্ৰক্ৰিয়া। গতিশীল ক ড আপডেটৰ এভেইভিয়েটিভ ব্যৱহাৰৰ সৈতে, এটা ম লৱেৰক মংগলজনক এপ হিচাপে ভুৱাভাৱে বিশ্লেষণ পৰীক্ষা কৰিব পাৰে আৰু ব্যৱহাৰকাৰীৰ ডিভাইচত ইনষ্টল কৰাৰ পিছতহে ইয়াৰ দূষিত কাৰ্য্যক্ৰম প্ৰকাশ কৰে। এই গৱেষণাপত্ৰত এণ্ড্ৰইড এপ্ সমূহৰ ডাইনামিক ক ড আপডেট আৰু ব্যৱহাৰৰ বিষয়ে বিশদভাৱে অধ্যয়ন কৰা হৈছে। তদুপৰি, আমি এটা হাইব্ৰিড বিশ্লেষণ পদ্ধতি প্ৰস্তাৱ কৰো, StaDART, যিয়ে গতিশীল কোড আপডেটৰ উপস্থিতিত এপ্লিকেশ্যন বিশ্লেষণ কৰিবলৈ স্থিৰ বিশ্লেষণ প্ৰণালীৰ অন্তৰ্নিহিত দুৰ্বলতাসমূহ আচ্ছাদন কৰিবলৈ স্থিৰ আৰু গতিশীল বিশ্লেষণৰ ইণ্টাৰলিফ্ট কৰে। বাস্তৱ জগতৰ এপসমূহত আমাৰ মূল্যায়নৰ ফলাফলবোৰে ষ্টেডাৰ্টৰ কাৰ্যকৰীতা প্ৰদৰ্শন কৰে। অৱশ্যে, সাধাৰণতে গতিশীল বিশ্লেষণ আৰু হাইব্ৰিড বিশ্লেষণেও এই বিষয়টোৰ বাবে, এপ্লিকেশ্যনৰ আচৰণ উদ্দীপিত কৰাৰ সমস্যা আনি দিয়ে যি স্বয়ংক্ৰিয় বিশ্লেষণ সঁজুলিৰ বাবে এক অ-বিষম্য প্ৰত্যাহ্বান। এই উদ্দেশ্যে, আমি এটা পিছৰ ফালে ছেকিং ভিত্তিক লক্ষ্যযুক্ত আন্তঃ-উপাদান ক ড পথৰ কাৰ্যকৰী কৌশল, TeICC প্ৰস্তাৱ দিছো। TeICC এ এপ্লিকেশ্যনৰ এটা লক্ষ্য বিন্দুৰ পৰা আৰম্ভ কৰি কোড পাথ আহৰণ কৰিবলৈ এটা পিছলৈ ছেদ কৰা ব্যৱস্থা ব্যৱহাৰ কৰে। ই এটা চিষ্টেম ডিপেণ্ডেন্সি গ্ৰাফৰ ব্যৱহাৰ কৰি কোড পাথ আঁতৰ কৰে য ত আন্তঃ-উপাদানৰ যোগাযোগ জড়িত থাকে। এই কোড পাথসমূহ এপ্লিকেশ্যনৰ প্ৰেক্ষাপটত প্ৰয়োগ কৰা হয় যাতে সংবেদনশীল গতিশীল আচৰণ ধৰা পৰে, গতিশীল কোড আপডেট আৰু অস্পষ্টতা সমাধান হয়। আমাৰ TeICC ৰ মূল্যায়নে দেখুৱাইছে যে ইয়াক অণ্ড্ৰইড এপ্ সমূহত আন্তঃ-উপাদান ক ড পাথৰ লক্ষ্য নিৰ্ধাৰিত কাৰ্য্যকৰীকৰণৰ বাবে কাৰ্যকৰীভাৱে ব্যৱহাৰ কৰিব পাৰি। লগতে, এতিয়াও ব্যৱহাৰকাৰীৰ ডিভাইচসমূহলৈ শত্ৰুয়ে প্ৰৱেশ কৰাৰ সম্ভাৱনাৰ কথা বাদ নলয়, আমি এটা ফোন-এপিআই হুকিংৰ প্ৰস্তাৱ দিছো

5ed4b57999d2a6c28c66341179e2888c9ca96a25

এই প্ৰবন্ধত, আমি জটিল জগতত কাৰ্য কৰিবলৈ শিকিব পৰা এজেন্ট বিকাশৰ লক্ষ্যৰ দিশত কাম কৰিছো। আমি এটা সম্ভাব্যতাবাদী, সম্পৰ্কীয় পৰিকল্পনাৰ নিয়মৰ প্ৰতিনিধিত্ব বিকাশ কৰো যি কম্পেক্টভাৱে শব্দহীন, অ-নিৰ্ধাৰিত কাৰ্যৰ প্ৰভাৱসমূহ মডেল কৰে আৰু দেখুৱায় যে এনে নিয়মবোৰ কেনেদৰে কাৰ্যকৰীভাৱে শিকিব পাৰি। সহজ পৰিকল্পনা ক্ষেত্ৰ আৰু বাস্তৱিক পদাৰ্থবিজ্ঞান সহ 3D অনুকৰণ কৰা ব্লক জগতৰ পৰীক্ষাৰ জৰিয়তে আমি প্ৰমাণ কৰিছো যে এই শিকন অ্যালগৰিথমে এজেন্টসকলক বিশ্ব গতিশীলতা কাৰ্যকৰীভাৱে মডেল কৰিবলৈ অনুমতি দিয়ে।

55c769b5829ca88ba940e0050497f4956c233445

ভিজুৱেল ওডোমেট্ৰিটো RGB-D কেমেৰা বা কেমেৰাসমূহৰ সৈতে জড়িত লিডাৰসমূহৰ পৰা প্ৰদান কৰা গভীৰতাৰ তথ্যৰ দ্বাৰা সম্প্ৰসাৰিত কৰিব পাৰি। অৱশ্যে, এনে গভীৰতাৰ তথ্য ছেন্সৰৰ দ্বাৰা সীমিত কৰিব পাৰি, দৃশ্যমান ছবিৰ বৃহৎ অঞ্চলসমূহ এৰি থৈ য ত গভীৰতা উপলব্ধ নহয়। ইয়াত, আমি এটা পদ্ধতি প্ৰস্তাৱ কৰো যিয়ে কেমেৰাৰ গতি পুনৰুদ্ধাৰত গভীৰতা ব্যৱহাৰ কৰিব, যদিও ই কম উপলব্ধ। ইয়াৰ উপৰিও, পদ্ধতিটোৱে পূৰ্বতে অনুমান কৰা গতি ব্যৱহাৰ কৰি গতিৰ পৰা গঠনৰ দ্বাৰা গভীৰতা আৰু গভীৰতা উপলব্ধ নোহোৱা গুৰুত্বপূৰ্ণ দৃশ্যমান বৈশিষ্ট্য ব্যৱহাৰ কৰে। সেয়েহে, পদ্ধতিটোৱে RGBD ভিজুৱেল ওডোমেট্ৰি বৃহৎ স্কেল, মুকলি পৰিৱেশলৈ সম্প্ৰসাৰিত কৰিব পাৰে য ত গভীৰতা প্ৰায়ে পৰ্যাপ্ত পৰিমাণে অধিগ্ৰহণ কৰিব নোৱাৰি। আমাৰ পদ্ধতিৰ মূল হৈছে এটা বান্ডেল সমন্বয়ৰ পদক্ষেপ যিয়ে এটা বেটচ অপ্টিমাইজেশ্যনত ছবিৰ ক্ৰম প্ৰক্ৰিয়াকৰণ কৰি সমান্তৰালভাৱে গতিৰ অনুমানক পৰিমাৰ্জন কৰে। আমি আমাৰ পদ্ধতিটো তিনিটা ছেন্সৰ ছেটআপত পৰীক্ষা কৰিছো, এটাত RGB-D কেমেৰা ব্যৱহাৰ কৰি, আৰু দুটাত কেমেৰা আৰু 3D লিডাৰ ব্যৱহাৰ কৰি। আমাৰ পদ্ধতিটো স্টেৰিঅ ভিজুৱেল ওড মেট্ৰি পদ্ধতিৰ তুলনাত, যিয়ে ত্ৰিভুজাকৰণৰ দ্বাৰা গভীৰতা আহৰণ কৰে, আমাৰ পদ্ধতিটো কেআইটিটিআই ওড মেট্ৰি বেঞ্চমাৰ্কত ৪ নম্বৰ স্থান লাভ কৰিছে, য ত কোনো ধৰণৰ সংবেদনৰ পদ্ধতিৰ ওপৰত নিৰ্ভৰ কৰি নহয়। ইয়াৰ ফলত গড় অৱস্থান ত্ৰুটি হৈছে ভ্ৰমণ কৰা দূৰত্বৰ ১.১৪%।

0c668ee24d58ecca165f788d40765e79ed615471

9cccd211c9208f790d71fa5b3499d8f827744aa0

বিভিন্ন শৈক্ষিক দিশৰ সমস্যাসমূহ শৈক্ষিক তথ্য খনিৰ জৰিয়তে সমাধান কৰা হয়, যিটো তথ্য খনিৰ সৰ্বাধিক প্ৰচলিত প্ৰয়োগ। এই প্ৰবন্ধৰ এটা গুৰুত্বপূৰ্ণ লক্ষ্য হ ল ইডিএমৰ ওপৰত সদ্যসমাপ্ত কামবোৰ অধ্যয়ন কৰা আৰু তেওঁলোকৰ গুণ আৰু অসুবিধাসমূহ বিশ্লেষণ কৰা। এই প্ৰবন্ধত বিভিন্ন তথ্য খনিৰ প্ৰক্ৰিয়া আৰু প্ৰযুক্তিৰ সঞ্চিত ফলাফলসমূহো প্ৰকাশ কৰা হৈছে, আৰু ইয়ে গৱেষকসকলক ইডিএমৰ ভৱিষ্যতৰ দিশৰ বিষয়ে পৰামৰ্শ আগবঢ়াইছে। তদুপৰি, ভৱিষ্যতৰ গৱেষণাৰ বাবে আটাইতকৈ নিৰ্ভৰযোগ্য এলগৰিথমসমূহ পৰ্যবেক্ষণ কৰিবলৈ কিছুমান শ্ৰেণীবিভাজন আৰু ক্লাষ্টাৰিং এলগৰিথমৰ মূল্যায়ন কৰিবলৈ এটা পৰীক্ষাও কৰা হৈছিল।

197a7fc2f8d57d93727b348851b59b34ce990afd

SRILM হৈছে C++ লাইব্ৰেৰী, কাৰ্যকৰী কৰিব পৰা প্ৰগ্ৰাম আৰু সহায়ক স্ক্ৰিপ্টৰ সংগ্ৰহ যিটো কণ্ঠ চিনাক্তকৰণ আৰু অন্যান্য প্ৰয়োগৰ বাবে পৰিসংখ্যাগত ভাষা মডেলৰ প্ৰযোজনাৰ বাবে আৰু পৰীক্ষণৰ বাবে প্ৰস্তুত কৰা হৈছে। এছআৰআইএলএম অ-বাণিজ্যিক উদ্দেশ্যত বিনামূলীয়াকৈ উপলব্ধ। এই টুলকিটটোৱে এন-গ্ৰাম পৰিসংখ্যাভিত্তিক বিভিন্ন ধৰণৰ ভাষা মডেলৰ সৃষ্টি আৰু মূল্যায়ন কৰাৰ লগতে এন-শ্ৰেষ্ঠ তালিকা আৰু শব্দ গ্ৰীটছৰ পৰিসংখ্যাগত ট্যাগিং আৰু প্ৰয়োগৰ দৰে কেইবাটাও সম্পৰ্কীয় কাম সমৰ্থন কৰে। এই প্ৰবন্ধত টুলকিটৰ কাৰ্য্যকৰীতা সংক্ষিপ্তভাৱে উল্লেখ কৰা হৈছে আৰু ইয়াৰ ডিজাইন আৰু ৰূপায়ণৰ বিষয়ে আলোচনা কৰা হৈছে, দ্ৰুত প্ৰটোটাইপিংৰ সহজতা, পুনৰ ব্যৱহাৰযোগ্যতা আৰু সঁজুলিৰ সংমিশ্ৰণযোগ্যতাক গুৰুত্ব প্ৰদান কৰা হৈছে।

12f661171799cbd899e1ff4ae0a7e2170c3d547b

ভাষাৰ পৰিসংখ্যাগত মডেলসমূহে বিভিন্ন প্ৰাকৃতিক ভাষাৰ ঘটনাৱলীৰ বিতৰণক ভাষাৰ স্বীকৃতি আৰু অন্যান্য ভাষা প্ৰযুক্তিৰ উদ্দেশ্যে অনুমান কৰে। ১৯৮০ চনত প্ৰথম গুৰুত্বপূৰ্ণ মডেলৰ প্ৰস্তাৱ দিয়াৰ পিছত, কলা-কৌশলৰ অৱস্থা উন্নত কৰিবলৈ বহুতো প্ৰচেষ্টা কৰা হৈছে। আমি সেইসমূহ পৰ্যালোচনা কৰোঁ, কিছুমান আশাব্যঞ্জক দিশলৈ আঙুলিয়াই দিওঁ, আৰু তথ্যৰ সৈতে ভাষিক তত্ত্বৰ একত্ৰীকৰণৰ বাবে বেইচীয়ানৰ পদ্ধতিৰ বাবে যুক্তি দিওঁ।

395f4b41578c3ff5139ddcf9e90eb60801b50394

এই প্ৰবন্ধত আমি এই প্ৰবন্ধৰ এটা নতুন সংস্কৰণ উপস্থাপন কৰিছো। আমি এই প্ৰবন্ধত প্ৰচলিত ভাষা মডেলিং প্ৰযুক্তিৰ বিষয়ে উল্লেখ কৰিছো আৰু এই প্ৰবন্ধত পূৰ্বৰ প্ৰগ্ৰামৰ তুলনাত এই প্ৰগ্ৰামৰ অধিক দক্ষতা আৰু কাৰ্য্যক্ষমতা সম্পৰ্কে বৰ্ণনা কৰিছো।

0b8f4edf1a7b4d19d47d419f41cde432b9708ab7

আমি এটা প্ৰযুক্তি প্ৰদৰ্শন কৰিছো, যি সিলিকন ভৰা সংহত ৱেভগাইড নিৰ্মাণৰ বাবে, যি কম-ক্ষতি উচ্চ-প্ৰদৰ্শন মিলিমিটাৰ-ৱেভ নিষ্ক্ৰিয় উপাদান আৰু উচ্চ লাভ এৰে এণ্টেনা উপলব্ধি কৰিবলৈ সক্ষম, যাৰ ফলত উচ্চ সংহত মিলিমিটাৰ-ৱেভ প্ৰণালী উপলব্ধি কৰাত সহায়ক হয়। প্ৰস্তাৱিত প্ৰযুক্তিটোৱে এলুমিনিয়াম ধাতবীকৰণ পদক্ষেপৰ সৈতে গভীৰ ৰিএক্টিভ-আয়ন-এচিং (ডিআৰআইই) কৌশল ব্যৱহাৰ কৰে যাতে উচ্চ জ্যামিতিক সঠিকতা আৰু ধাৰাবাহিক ধাতব পাৰৰ দেৱালসমূহৰ সৈতে আয়তক্ষেত্ৰাকাৰ ৱেভগাইডবোৰ একত্ৰিত কৰিব পৰা যায়। সমন্বিত আয়তক্ষেত্ৰাকাৰ ৱেভগাইডৰ পৰিমাপৰ ফলাফলসমূহত ১০৫ গিগাহাৰ্জত ০.১৫ ডিবি/ এলজিৰ ক্ষতি দেখুওৱা হৈছে। তদুপৰি, অতি-বিশাল-বন্দৰ কোপ্লানাৰ-ৱেভগাইড পৰিবৰ্তনসমূহ ১০৫ গিগাহাৰ্টছত ০.৬ ডিচিবি ইনচাৰ্ছ লষ্ট আৰু ৮০ৰ পৰা ১১০ গিগাহাৰ্টছত ১৫ ডিচিবিলতকৈ ভাল ৰিটাৰ্ণ লষ্টৰ সৈতে বৰ্ণনা কৰা হৈছে। এটা ফ্ৰিক্বেঞ্চ স্কেনিং স্লটড ৱেভগাইড এৰেজ এণ্টেনাৰ ডিজাইন, ইন্টিগ্ৰেচন আৰু পৰিমাপ কৰা পাৰদৰ্শিতাৰ প্ৰতিবেদন দিয়া হৈছে, যিয়ে 23 গিগাহৰ্টছৰ বেণ্ডৰ ভিতৰত 82 ° ৰ পৰিমাপিত বীম স্টিয়াৰিং ক্ষমতা আৰু 96 গিগাহৰ্টছত 8.5 ° ৰ আধা শক্তিৰ বীম-প্ৰস্থ (HPBW) লাভ কৰে। অৱশেষত, এই প্ৰযুক্তিৰ কম খৰচী এমএম-ৱেভ চিষ্টেম লেভেল ইণ্টিগ্ৰেচন সহজতৰ কৰাৰ সামৰ্থ প্ৰদৰ্শন কৰিবলৈ, ইমেজিং ৰেডাৰ এপ্লিকেচনৰ বাবে এটা ফ্ৰেক্সিটি মডুলেটেড কণ্টিন্যুএছ ৱেভ (এফএমচিডব্লিউ) ট্ৰান্সমিট-ৰিচিভ আইচি ফ্লিপ-চিপ হিচাপে সংহত এৰেত প্ৰত্যক্ষভাৱে স্থাপন কৰা হয় আৰু পৰীক্ষামূলকভাৱে চৰিত্ৰিত কৰা হয়।

31864e13a9b3473ebb07b4f991f0ae3363517244

এই প্ৰবন্ধত এজ ডিটেকচনৰ বাবে এক কম্পিউটেশ্যনেল পদ্ধতিৰ বিষয়ে বৰ্ণনা কৰা হৈছে। এই পদ্ধতিৰ সফলতা নিৰ্ভৰ কৰে এডজ পইণ্টৰ গণনাৰ বাবে লক্ষ্যৰ এক বিস্তৃত সংজ্ঞাৰ ওপৰত। এই লক্ষ্যসমূহ যথেষ্ট স্পষ্ট হ ব লাগিব সমাধানৰ ৰূপৰ বিষয়ে ন্যূনতম অনুমান কৰি ডিটেক্টৰৰ আকাংক্ষিত আচৰণক সীমাবদ্ধ কৰিবলৈ। আমি এটা শ্ৰেণীৰ প্ৰান্তসমূহৰ বাবে আৱিষ্কাৰ আৰু স্থানীয়কৰণ মানদণ্ড নিৰ্ধাৰণ কৰোঁ, আৰু এই মানদণ্ডসমূহৰ বাবে গাণিতিক ৰূপবোৰ অপাৰেটৰ প্ৰেৰণা সঁহাৰিৰ কাৰ্য্যকৰী হিচাপে উপস্থাপন কৰোঁ। ইয়াৰ পিছত তৃতীয় এটা মানদণ্ড যোগ কৰা হয় যাতে নিশ্চিত হয় যে ডিটেক্টৰটোৰ এটা এডাল এডালত মাত্ৰ এটাহে সঁহাৰি থাকে। আমি সংখ্যাসূচক অপ্টিমাইজেশ্যনত মানদণ্ড ব্যৱহাৰ কৰো, বিভিন্ন সাধাৰণ ছবিৰ বৈশিষ্টৰ বাবে ডিটেক্টৰ আহৰণ কৰিবলৈ, স্তৰ প্ৰান্তকে ধৰি। বিশ্লেষণক স্টেপ এজলৈ বিশেষীকৰণ কৰি আমি পাওঁ যে আৱিষ্কাৰ আৰু স্থানীয়কৰণ কাৰ্যক্ষমতাৰ মাজত এটা প্ৰাকৃতিক অনিশ্চয়তা নীতি আছে, যি দুটা প্ৰধান লক্ষ্য। এই নীতিৰ সহায়ত আমি এটা একক অপাৰেটৰ আকৃতি আহৰণ কৰো যি যিকোনো স্কেলত সৰ্বোত্তম। সৰ্বোত্তম ডিটেক্টৰৰ এটা সৰল আনুমানিক ৰূপায়ণ আছে য ত গাউছীয়ান-সমতলিত ছবিৰ গ্ৰেডিয়েন্ট আকাৰৰ সৰ্বাধিকত এডাল চিহ্নিত কৰা হয়। আমি এই সৰল ডিটেক্টৰটো বিস্তাৰিত কৰিছো বিভিন্ন প্ৰস্থৰ অপাৰেটৰ ব্যৱহাৰ কৰি যাতে ইমেজত বিভিন্ন সংকেত-শব্দ অনুপাতৰ সৈতে মোকাবিলা কৰিব পাৰি। আমি বিভিন্ন স্কেলৰ অপাৰেটৰসকলৰ পৰা তথ্যৰ সূক্ষ্ম-কঠোৰ সংহতকৰণৰ বাবে বৈশিষ্ট্য সংহতি নামৰ এটা সাধাৰণ পদ্ধতি প্ৰদৰ্শন কৰোঁ। শেষত আমি দেখুৱাম যে, লেপ এজ ডিটেক্টৰৰ কাৰ্যক্ষমতা যথেষ্ট উন্নত হয় যেতিয়া অপাৰেটৰ পইণ্ট স্প্ৰেড ফাংচনটো এজটোৰ লগতে সম্প্ৰসাৰিত হয়।

b41c45b2ca0c38a4514f0779395ebdf3d34cecc0

7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e

মুখসমূহে জটিল, বহুমাত্ৰিক, অৰ্থপূৰ্ণ চাক্ষুষ উদ্দীপক প্ৰতিনিধিত্ব কৰে আৰু মুখ চিনাক্তকৰণৰ বাবে এটা কম্পিউটেশ্যনেল মডেল বিকাশ কৰাটো কঠিন [42]। আমি এটা হাইব্ৰিড নিউৰেল নেটৱৰ্ক সমাধান আগবঢ়াইছো যিটো আন পদ্ধতিৰ সৈতে তুলনা কৰি ভাল পোৱা যায়। এই প্ৰণালীটোত স্থানীয় ছবিৰ নমুনা, স্ব-সংগঠিত মেপ নিউৰেল নেটৱৰ্ক আৰু কোৱলুশ্যনেল নিউৰেল নেটৱৰ্ক সংযুক্ত কৰা হৈছে। স্ব-সংগঠিত মানচিত্ৰই এটা টপ লজিকেল স্পেচত ছবিৰ নমুনাৰ এটা কোয়ান্টাইজেশ্যন প্ৰদান কৰে য ত মূল স্থানত থকা ইনপুটবোৰ আউটপুট স্থানত ওচৰৰ হয়, যাৰ ফলত ছবিৰ নমুনাৰ ক্ষুদ্ৰ পৰিৱৰ্তনলৈ আকাৰগততা ৰেডউকচন আৰু ইনভাৰেঞ্চ প্ৰদান কৰে, আৰু কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক অনুবাদ, ঘূৰ্ণন, স্কেল আৰু বিকৃতিৰ আংশিক ইনভাৰেঞ্চ প্ৰদান কৰে। কনভলুশ্যনেল নেটৱৰ্ক লেয়াৰৰ এক পৰ্যায়বৰ্ধিত ছেটত ক্ৰমান্বয়ে ডাঙৰ বৈশিষ্ট্যবোৰ আহৰণ কৰে। আমি স্ব-সংগঠিত মানচিত্ৰৰ ঠাইত কাৰহুনেন-ল ভৰ পৰিবৰ্তন আৰু সংক্ৰান্তীয় নেটৱৰ্কৰ ঠাইত বহু স্তৰীয় পাৰ্চপ্ট্ৰন ব্যৱহাৰ কৰি ফলাফল প্ৰদৰ্শন কৰোঁ। কাৰহুনেন-লোয়েভ পৰিবৰ্তন প্ৰায় ভালদৰে পৰিচালিত হয় (৫.৩% ত্ৰুটি ৩.৮%ৰ বিপৰীতে) । বহুস্তৰীয় পাৰ্চপ্ট্ৰন অতি দুৰ্বলভাৱে কাম কৰে (৩.৮%ৰ বিপৰীতে ৪০% ভুল) । এই পদ্ধতিৰ দ্ৰুত শ্ৰেণীবিভাজনৰ ক্ষমতা আছে, কেৱল দ্ৰুত, আনুমানিক নৰ্মলাইজেশ্যন আৰু প্ৰিপ্ৰচেছিঙৰ প্ৰয়োজন আৰু প্ৰতিবাৰেই স্বতন্ত্ৰ মুখ পদ্ধতিৰ তুলনাত শ্ৰেণীবিভাজনৰ ভাল প্ৰদৰ্শন কৰে [42] প্ৰতিজন ব্যক্তিৰ ৫ টা ছবিৰ সৈতে প্ৰস্তাৱিত পদ্ধতি আৰু স্বতন্ত্ৰ পৃষ্ঠত ক্ৰমে ৩.৮% আৰু ১০.৫% ত ত্ৰুটি হয়। চিনাক্তকৰণটোৱে ইয়াৰ আউটপুটত এক আস্থা প্ৰদান কৰে আৰু শ্ৰেণীবিভাজনৰ ত্ৰুটি শূন্যৰ ওচৰ চাপে যেতিয়া মাত্ৰ ১০% উদাহৰণ প্ৰত্যাখ্যান কৰা হয়। আমি ৪০ জন ব্যক্তিৰ ৪০০ টা ছবিৰ এটা ডাটাবেছ ব্যৱহাৰ কৰো য ত ব্যক্তিত্ব, অৱস্থান আৰু মুখৰ বিৱৰণত যথেষ্ট উচ্চ পৰ্যায়ৰ বৈচিত্ৰ্য আছে। আমি কম্পিউটেশ্যনেল জটিলতা বিশ্লেষণ কৰোঁ আৰু প্ৰশিক্ষিত চিনাক্তকৰণ যন্ত্ৰত নতুন শ্ৰেণী কেনেকৈ যোগ কৰিব পাৰি তাৰ বিষয়ে আলোচনা কৰোঁ।

5dd9dc47c4acc9ea3e597751194db52119398ac6

শিফ্ট ৰেজিষ্টাৰ হৈছে এক প্ৰকাৰৰ ক্ৰমিক যুক্তি চাৰ্কিট যি মূলতঃ ডিজিটেল তথ্য সংৰক্ষণ বা ৰেডিঅ ফ্ৰেকভেঞ্চাৰ চিনাক্তকৰণ (RFID) প্ৰয়োগত বাইনেৰী নম্বৰৰ ৰূপত তথ্যৰ স্থানান্তৰকৰণৰ বাবে ব্যৱহৃত হয় যাতে ব্যৱস্থাৰ সুৰক্ষা উন্নত হয়। এই প্ৰবন্ধত এটা নতুন ফ্লিপ-ফ্লপ ব্যৱহাৰ কৰি শক্তি-দক্ষ শিফট ৰেজিষ্টাৰ উপস্থাপন কৰা হৈছে। প্ৰস্তাৱিত ফ্লিপ-ফ্লপৰ উচ্চ প্ৰদৰ্শন আৰু কম শক্তিৰ বৈশিষ্ট্য আছে। ই পাঁচটা ট্ৰেঞ্জিষ্টৰৰ দ্বাৰা প্ৰণয়ন কৰা এটা নমুনা সংগ্ৰহ চক্ৰ, উত্থান আৰু পতনৰ পথৰ বাবে এটা চি-এলিমেন্ট আৰু এটা ৰক্ষক পৰ্যায়ৰ দ্বাৰা গঠিত। চাৰিটা ঘড়ীযুক্ত ট্ৰানজিষ্টৰক একত্ৰিত কৰি এটা পৰিবৰ্তন অৱস্থাৰ কৌশল প্ৰয়োগ কৰি গতি বৃদ্ধি কৰা হয়। অনুকৰণ ফলাফলৰ দ্বাৰা নিশ্চিত কৰা হৈছে যে প্ৰস্তাৱিত টোপ লজিৰ দ্বাৰা যথাক্ৰমে ২২ μm2 চিপ এলেকা সামৰি সমান্তৰাল ইন-পাৰালেল আউট (PIPO) আৰু ছিৰিয়েল ইন-ছিৰিয়েল আউট (SISO) শিফ্ট ৰেজিষ্টাৰৰ বাবে ৩০.৯৯৭ আৰু ২২.৭০৭১ এন.ডব্লিউৰ আটাইতকৈ কম শক্তি ব্যৱহাৰ কৰা হয়। সামগ্ৰিক ডিজাইনটো মাত্ৰ ১৬ টা ট্ৰানজিষ্টৰৰ দ্বাৰা গঠিত আৰু ১.২ ভি পাৱাৰ ছাপ্লাইৰ সৈতে ১৩০ এনএম কম্প্লিমেণ্টাৰী-মেটেল-অক্সাইড-ছেমিকণ্ডাক্টৰ (CMOS) প্ৰযুক্তিৰ দ্বাৰা অনুকৰণ কৰা হয়।

d76beb59a23c01c9bec1940c4cec1ca26e00480a

বায়ুসেনা গৱেষণা গৱেষণাগাৰটোৱে দুটা ব্ৰেইন-কম্পিউটাৰ ইণ্টাৰফেচ (বিচিআই) প্ৰয়োগ আৰু মূল্যায়ন কৰিছে যি স্থিৰ-ৰাজ্যৰ চাক্ষুষ উত্তৰণক এক শাৰীৰিক ডিভাইচ বা কম্পিউটাৰ প্ৰগ্ৰাম পৰিচালনা কৰিবলৈ এক নিয়ন্ত্ৰণ সংকেতলৈ অনুবাদ কৰে। এটা পদ্ধতিত, অপাৰেটৰসকলে মগজুৰ প্ৰতিক্ৰিয়া স্ব-নিয়ন্ত্ৰণ কৰে; আনটো পদ্ধতিত একাধিক উদ্দীপিত প্ৰতিক্ৰিয়া ব্যৱহাৰ কৰা হয়।

8a65dc637d39c14323dccd5cbcc08eed2553880e

এই প্ৰবন্ধত দক্ষিণ আফ্ৰিকাত জিলা প্ৰশাসনক সহায় কৰিবলৈ স্বাস্থ্য তথ্য প্ৰণালী বিকাশৰ বাবে চলি থকা এক কাৰ্য্য গৱেষণা প্ৰকল্পৰ প্ৰাৰম্ভিক সময়ছোৱা (১৯৯৪-২০০১) ৰ বিষয়ে বৰ্ণনা কৰা হৈছে। দক্ষিণ আফ্ৰিকাত স্বাস্থ্য খণ্ডৰ পুনৰ নিৰ্মাণ স্বাস্থ্য সেৱা প্ৰদানত সমতাৰ বাবে প্ৰচেষ্টা আৰু স্বাস্থ্য জিলাৰ ওপৰত ভিত্তি কৰি বিকেন্দ্ৰীকৃত গাঁথনি নিৰ্মাণ। তথ্য প্ৰণালীৰ বিকাশৰ ক্ষেত্ৰত, এই সংস্কাৰ প্ৰক্ৰিয়াটো স্বাস্থ্য তথ্যৰ মানকীকৰণত অনুবাদ কৰে যি তথ্যৰ পৰিচালনাৰ স্থানীয় নিয়ন্ত্ৰণ আৰু একত্ৰীকৰণ বৃদ্ধি কৰি নতুন দক্ষিণ আফ্ৰিকাৰ লক্ষ্যসমূহক অন্তৰ্ভুক্ত কৰে। আমি আমাৰ কাৰ্য্য গৱেষণাৰ পদ্ধতিৰ বিৱৰণ দিছো আৰু কেছ মেটৰিয়েল বিশ্লেষণত অভিনেতা-নেটৱৰ্ক আৰু গঠন তত্ত্বৰ ধাৰণা ব্যৱহাৰ কৰিছো। IS বিকাশৰ প্ৰক্ৰিয়াৰ বিশদ বিৱৰণ আৰু বিশ্লেষণত আমি মানকীকৰণ আৰু স্থানীয় স্থিতিস্থাপকতা (স্থানীয়কৰণ) ৰ মাজত ভাৰসাম্য বজাই ৰখাৰ প্ৰয়োজনীয়তাৰ ওপৰত গুৰুত্ব দিছো; মানকীকৰণক এনেদৰে বিভিন্ন ভিন্ন ভিন্ন অভিনেতাসকলৰ তলৰ পৰা ওপৰলৈ সমন্বয়ৰ ৰূপত দেখা যায়। তথ্য প্ৰণালীৰ সামাজিক প্ৰণালী মডেলৰ ওপৰত ভিত্তি কৰি আমি আইএছ ডিজাইন কৌশলটো বিকাশিত আৰু ব্যৱহৃত প্ৰক্ৰিয়াসমূহৰ খেতি হিচাপে ধাৰণ কৰো য ত এই অভিনেতাসকলে তেওঁলোকৰ স্বাৰ্থ অনুবাদ আৰু সমন্বয় কৰে। আমি এক মডুলাৰ পৰ্যায়-নিৰ্ধাৰিত বিশ্বজনীন আৰু স্থানীয় তথ্য-কোষৰ বিকাশ সাধন কৰিছো যিটো এক ফ্ৰেমৱৰ্কৰ ভিতৰত মানকীকৰণ আৰু স্থানীয়কৰণৰ মাজত থকা উত্তেজনাক বুজিব আৰু সমাধান কৰিব পাৰি। শেষত, আমি অন্য দেশৰ গৱেষণাৰ ফলাফলৰ সম্ভাৱ্য প্ৰাসংগিকতাৰ বিষয়ে আলোচনা কৰোঁ।

600434c6255c160b53ad26912c1c0b96f0d48ce6

ৰেণ্ডম ফৰেষ্ট হৈছে এটা গণনাকাৰীভাৱে দক্ষ কৌশল যি বৃহৎ ডাটা ছেটত দ্ৰুতভাৱে কাম কৰিব পাৰে। ইয়াক বিভিন্ন ক্ষেত্ৰত বহুতো শেহতীয়া গৱেষণা প্ৰকল্প আৰু বাস্তৱ-বিশ্বৰ প্ৰয়োগত ব্যৱহাৰ কৰা হৈছে। অৱশ্যে, ইয়াৰ সৈতে জড়িত সাহিত্যত এৰাব নোৱাৰা বনাঞ্চল গঠনৰ বাবে কিমান গছ ব্যৱহাৰ কৰিব লাগে সেই বিষয়ে প্ৰায় কোনো নিৰ্দেশনা দিয়া নাই। ইয়াত প্ৰকাশিত গৱেষণাত এটা এৰাব নোৱাৰা বনাঞ্চলৰ ভিতৰত গছৰ সৰ্বোত্তম সংখ্যা আছে নে নাই, অৰ্থাৎ, এটা প্ৰান্তিকৰ ওপৰত গছৰ সংখ্যা বৃদ্ধি কৰিলে কোনো উল্লেখযোগ্য কাৰ্যক্ষমতা লাভ নহয়, আৰু কেৱল গণনামূলক ব্যয় বৃদ্ধি কৰিব। আমাৰ মূল সিদ্ধান্তসমূহ হ ল যে গছৰ সংখ্যা বৃদ্ধি হোৱাৰ লগে লগে অৰণ্যৰ কাৰ্য্যক্ষমতা পূৰ্বৰ অৰণ্যতকৈ (কম গছ) ভাল হোৱাটো নিশ্চিত নহয় আৰু গছৰ সংখ্যা দুগুণ বৃদ্ধি কৰাটো মূল্যহীন। এটা প্ৰাথমিক সীমা আছে য ৰ ওপৰেদি কোনো গুৰুত্বপূৰ্ণ লাভ নহয়, যদিহে এটা বৃহৎ কম্পিউটেশ্যনেল পৰিৱেশ উপলব্ধ নহয়। তদুপৰি, যিকোনো বনাঞ্চলত গছৰ সংখ্যা দুগুণ কৰাৰ সময়ত AUC লাভৰ বাবে এটা পৰীক্ষামূলক সম্পৰ্ক পোৱা গৈছিল। তদুপৰি, গছৰ সংখ্যা বৃদ্ধি হোৱাৰ লগে লগে, এৰাব নোৱাৰা বনাঞ্চলৰ ভিতৰত সম্পূৰ্ণ বৈশিষ্ট্যসমূহৰ ব্যৱহাৰ কৰা হয়, যি জৈৱ-চিকিৎসা ক্ষেত্ৰখনত আকৰ্ষণীয় নহ ব পাৰে। ইয়াৰ উপৰিও, ইয়াত প্ৰস্তাৱিত ডাটাছেটসমূহত ঘনত্ব-ভিত্তিক মেট্ৰিকসমূহে সিদ্ধান্ত বৃক্ষৰ ভিচি মাত্ৰাৰ কিছুমান দিশ ধৰা পেলায় আৰু কম ঘনত্বৰ ডাটাছেটসমূহৰ বাবে বৃহৎ ক্ষমতাৰ মেচিনৰ প্ৰয়োজন হ ব পাৰে, যদিও ইয়াৰ বিপৰীতটোও সত্য যেন দেখা যায়।

4cbadc5f4afe9ac178fd14a6875ef1956a528313

বিগত কেইটামান বছৰত প্ৰযুক্তিৰ অগ্ৰগতিৰ ফলত সৰু সৰু ছেন্সৰ ন ডবোৰে বেতাৰ মাধ্যমেৰে ইন্টাৰনেটৰ বাকী অংশৰ সৈতে যোগাযোগ স্থাপন কৰাটো সম্ভৱ হৈ উঠিছে। এই সাফল্যৰ সৈতে এনে আইপি-সক্ষম ৱায়াৰলেচ চেন্সৰ নেটৱৰ্ক (আইপি-ডব্লিউএছএন) সুৰক্ষিত কৰাৰ প্ৰশ্ন উত্থাপিত হয় আৰু তেতিয়াৰ পৰা ই এক গুৰুত্বপূৰ্ণ গৱেষণা বিষয় হৈ আহিছে। এই থিছীত আমি কনটিকী অপাৰেটিং চিষ্টেমৰ বাবে প্ৰি-ছেয়াৰ্ড কী চিফাৰ চুইট (TLS PSK WITH AES 128 CCM 8) ব্যৱহাৰ কৰি TLS আৰু DTLS প্ৰট কলৰ প্ৰয়োগৰ বিষয়ে আলোচনা কৰিম। কনটিক অ এছ দ্বাৰা সমৰ্থিত প্ৰট কলৰ সংকলনলৈ এটা নতুন প্ৰট কল যোগ কৰাৰ উপৰিও, এই প্ৰকল্পই আমাক পৰ্য্যালোচনা কৰিবলৈ অনুমতি দিয়ে যে পৰিবহণ-স্তৰৰ সুৰক্ষা আৰু পূৰ্ব-ভাগাভাগি কৰা চাবি ব্যৱস্থাপনা আঁচনি IP-WSNs ৰ বাবে কিমান উপযুক্ত।

0ab99aa04e3a8340a7552355fb547374a5604b24

বহুতো ৰোগ নিৰ্ণয়ৰ কামত অস্বাভাৱিকতা চিনাক্ত কৰিবলৈ আৰু সময়ৰ সৈতে জোখ-মাপ আৰু পৰিৱৰ্তনসমূহ জোখ-মাপ কৰিবলৈ প্ৰাৰম্ভিক অনুসন্ধান প্ৰক্ৰিয়াৰ প্ৰয়োজন হয়। কম্পিউটাৰাইজড সঁজুলি, বিশেষকৈ ছবি বিশ্লেষণ আৰু মেচিন লাৰ্ণিং, ৰোগ নিৰ্ণয়ৰ উন্নতিৰ বাবে মূল সহায়ক, যিসমূহত চিকিৎসাৰ প্ৰয়োজন আৰু বিশেষজ্ঞৰ কামৰ গতি-প্ৰণালী সমৰ্থন কৰাৰ বাবে চিনাক্তকৰণ সহজ কৰি তোলে। এই সঁজুলিসমূহৰ ভিতৰত, গভীৰ শিক্ষণ দ্ৰুতভাৱে উন্নত নির্ভুলতাৰ বাবে অত্যাধুনিক ভিত্তি হিচাপে প্ৰমাণিত হৈছে। ই তথ্য বিশ্লেষণৰ ক্ষেত্ৰত নতুন সীমাও মুকলি কৰিছে যিটো পূৰ্বতে কেতিয়াও হোৱা নাছিল। D ইইপি লাৰ্ণিং হৈছে সাধাৰণ তথ্য বিশ্লেষণৰ এক ক্ৰমবৰ্ধমান প্ৰৱণতা আৰু ইয়াক ২০১৩ চনৰ ১০ টা যুগান্তকাৰী প্ৰযুক্তিৰ ভিতৰত এটা বুলি অভিহিত কৰা হৈছে [1]। গভীৰ শিকন হৈছে কৃত্ৰিম স্নায়ু নেটৱৰ্কৰ এক উন্নতি, ইয়াত অধিক স্তৰ থাকে যি উচ্চ স্তৰৰ বিমূর্ততা আৰু তথ্যৰ পৰা উন্নত ভৱিষ্যদ্বাণী [2] অনুমতি দিয়ে। বৰ্তমানলৈকে ই সাধাৰণ ইমেজিং আৰু কম্পিউটাৰ ভিজন ড মেইনসমূহত মেচিন লাৰ্ণিংৰ অগ্ৰণী সঁজুলি হিচাপে আত্মপ্ৰকাশ কৰিছে। বিশেষকৈ, কনভলুচনেল নিউৰেল নেটৱৰ্ক (CNNs) কম্পিউটাৰ ভিজনৰ বিভিন্ন কামৰ বাবে শক্তিশালী সঁজুলি হিচাপে প্ৰমাণিত হৈছে। গভীৰ চি এন এচসমূহে স্বয়ংক্ৰিয়ভাৱে কেঁচা তথ্যৰ পৰা প্ৰাপ্ত মধ্য-স্তৰ আৰু উচ্চ-স্তৰ বিমূর্ততা শিকিব পাৰে (যেনে, ছবি) । শেহতীয়া ফলাফলসমূহে সূচাইছে যে চিএনএনৰ পৰা আহৰণ কৰা সাধাৰণ বৰ্ণনাকাৰীবোৰ প্ৰাকৃতিক ছবিৰ বস্তু চিনাক্তকৰণ আৰু স্থানীয়কৰণত অতি কাৰ্যকৰী। বিশ্বৰ বিভিন্ন ঠাইত চিকিৎসা ছবি বিশ্লেষণ গোটসমূহে দ্ৰুতভাৱে ক্ষেত্ৰখনত প্ৰৱেশ কৰিছে আৰু বিভিন্ন প্ৰয়োগৰ বাবে চি এন এন আৰু অন্যান্য গভীৰ শিক্ষণ পদ্ধতি প্ৰয়োগ কৰিছে। আশাব্যঞ্জক ফলাফলৰ উদ্ভৱ হৈছে। চিকিৎসা বিষয়ক ছবিৰ ক্ষেত্ৰত, ৰোগৰ সঠিক চিনাক্তকৰণ আৰু/বা মূল্যায়ন ছবিৰ আহৰণ আৰু ছবিৰ ব্যাখ্যা দুয়োটাৰ ওপৰত নিৰ্ভৰ কৰে। সাম্প্ৰতিক বছৰবোৰত ছবিৰ অধিগ্ৰহণ যথেষ্ট উন্নত হৈছে, যন্ত্ৰসমূহে দ্ৰুত হাৰত আৰু বৰ্ধিত সংজ্ঞাত তথ্য আহৰণ কৰে। কিন্তু শেহতীয়াকৈ কম্পিউটাৰ প্ৰযুক্তিৰ দ্বাৰা ছবিৰ ব্যাখ্যা প্ৰক্ৰিয়াটো লাভান্বিত হৈছে। চিকিৎসা বিষয়ক ছবিৰ অধিকাংশ ব্যাখ্যা চিকিৎসকে কৰে; অৱশ্যে, মানুহৰ দ্বাৰা ছবিৰ ব্যাখ্যা ইয়াৰ বিষয়গততা, দৰ্শনকাৰীৰ মাজত বৃহৎ বৈচিত্ৰ্য আৰু ক্লান্তিৰ বাবে সীমিত।

5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70

অনিৰুদ্ধ ইমেজ অনুবাদ, যাৰ উদ্দেশ্য হৈছে ইমেজসমূহৰ দুটা স্বতন্ত্ৰ ছেট অনুবাদ কৰা, জোৰাবদ্ধ তথ্য অবিহনে সঠিক সমতুল্যতা আৱিষ্কাৰ কৰাত প্ৰত্যাহ্বানজনক। বৰ্তমানৰ কামবোৰ সৃষ্টিশীল বিৰোধী নেটৱৰ্ক (GANs) ৰ ওপৰত নিৰ্ভৰ কৰে যাতে অনুবাদিত ছবিৰ বিতৰণ লক্ষ্য ছেটৰ বিতৰণৰ পৰা পৃথক কৰিব নোৱাৰি। অৱশ্যে, এনে ছেট-স্তৰৰ সীমাবদ্ধতাই উদাহৰণ-স্তৰৰ সমতুল্যতা (যেনে, বস্তু ৰূপান্তৰ কাৰ্য্যত সমন্বিত অৰ্থগত অংশসমূহ) । এই সীমাবদ্ধতাৰ ফলত প্ৰায়ে মিছা পজিটিভ (যেনে- জ্যামিতিক বা অৰ্থগত নিদৰ্শন), আৰু ইয়াৰ পিছত মোডৰ পতনৰ সমস্যা লৈ যায়। ওপৰৰ সমস্যাসমূহ সমাধান কৰিবলৈ, আমি গভীৰ মনোযোগৰ GAN (DA-GAN) ৰ দ্বাৰা উদাহৰণ-স্তৰৰ ছবি অনুবাদৰ বাবে এক নতুন ফ্ৰেমৱৰ্ক প্ৰস্তাৱ দিছো। এই ধৰণৰ ডিজাইনে DA-GAN ক দুটা ছেটৰ পৰা নমুনা অনুবাদ কৰাৰ কামক এটা উচ্চ-গঠনযুক্ত গুপ্ত স্থানত অনুবাদৰ উদাহৰণলৈ বিভাজন কৰিবলৈ সক্ষম কৰে। বিশেষভাৱে, আমি যৌথভাৱে গভীৰ মনোযোগ এনকোডাৰ শিকো, আৰু উদাহৰণ-স্তৰৰ সমতুল্যবোৰ শেখা উদাহৰণবোৰত উপস্থিত হৈ ফলস্বৰূপে আৱিষ্কাৰ কৰিব পাৰি। সেয়েহে, এই সীমাবদ্ধতাসমূহক ছেট-লেভেল আৰু ইনষ্টেন্স-লেভেল দুয়োটাতে ব্যৱহাৰ কৰিব পাৰি। বিভিন্ন অত্যাধুনিক প্ৰযুক্তিৰ সৈতে তুলনা কৰি আমাৰ পদ্ধতিৰ উৎকৃষ্টতা প্ৰদৰ্শন কৰা হয় আৰু ব্যাপক প্ৰয়োগৰ ক্ষমতা, যেনে, প জ মৰ্ফিং, ডাটা এগ্ৰমেণ্টেশ্যন ইত্যাদিয়ে ড মেইন ট্ৰেন্সলেশ্যন সমস্যাৰ সীমা অতিক্ৰম কৰে।

f1526054914997591ffdb8cd523bea219ce7a26e

এই বছৰৰ মাৰ্চ মাহত, আমেৰিকান পৰিসংখ্যা সংস্থাই (এএছএ) পি-ভেল্যুসমূহৰ সঠিক ব্যৱহাৰৰ বিষয়ে এটা বিবৃতি প্ৰকাশ কৰিছিল, পি-ভেল্যুটো সাধাৰণভাৱে অপব্যৱহাৰ আৰু ভুল ব্যাখ্যা কৰা হৈছে বুলি উদ্বেগ বৃদ্ধি পোৱাৰ প্ৰতিক্ৰিয়াত। আমি এএছএৰ এই সতৰ্কবাণীসমূহক পৰিসংখ্যা বিজ্ঞানৰ গভীৰ জ্ঞান নথকা চিকিৎসক আৰু গৱেষকসকলে সহজে বুজি পোৱা ভাষালৈ অনুবাদ কৰাৰ লক্ষ্য লৈছো। তদুপৰি, আমি P-মানৰ সীমাবদ্ধতাসমূহ, সঠিকভাৱে ব্যৱহাৰ আৰু ব্যাখ্যা কৰিলেও, আৰু দুটা শেহতীয়াকৈ প্ৰকাশিত অধ্যয়নৰ উদাহৰণ ব্যৱহাৰ কৰি অধ্যয়নৰ ফলাফলৰ ক্লিনিকেল প্ৰাসংগিকতালৈ অধিক মনোযোগ আনাটো প্ৰত্যাহ্বান জনাম। আমি যুক্তি দিওঁ যে পি-মানবোৰ প্ৰায়ে ভুলকৈ ব্যাখ্যা কৰা হয়। এটা সাধাৰণ ভুল হৈছে P < 0.05 মানে শূন্য অনুমানটো মিছা, আৰু P ≥0.05 মানে শূন্য অনুমানটো সত্য। P-মান 0.05 ৰ সঠিক ব্যাখ্যা হ ল যদি শূন্য অনুমানটো সঁচাকৈয়ে সত্য হয়, একে ধৰণৰ নমুনাত অধ্যয়নটো পুনৰাবৃত্তি কৰাৰ পিছত 5% ৰ সমান বা অধিক চৰম ফলাফল দেখা যাব। অন্য কথাত, P-ভ্যালুৱে শূন্য অনুমান দিয়া তথ্যৰ সম্ভাৱনীয়তাৰ বিষয়ে অৱগত কৰে আৰু আনটো পথ নহয়। P-ভেল্যু সম্পৰ্কীয় এটা সম্ভাব্য বিকল্প হৈছে আস্থা ব্যৱধান (CI) । ই প্ৰভাৱৰ পৰিসৰ আৰু সেই প্ৰভাৱৰ অনুমান কৰা অস্পষ্টতাৰ বিষয়ে অধিক তথ্য প্ৰদান কৰে। অৱশ্যে, পি-মানৰ ঠাইত আৰু বৈজ্ঞানিক ফলাফলৰ ভুল ব্যাখ্যা বন্ধ কৰিবলৈ কোনো যাদুকৰী বুলেট নাই। বিজ্ঞানী আৰু পাঠকসকলে পৰিসংখ্যাগত পৰীক্ষা, পি-মান আৰু চিআইৰ সঠিক আৰু সুকীয়া ব্যাখ্যাৰ সৈতে নিজকে পৰিচিত কৰি ল ব লাগে।

50ca90bc847694a7a2d9a291f0d903a15e408481

আমি মানুহৰ অঙ্গভঙ্গি চিনাক্তকৰণৰ বাবে এটা সাধাৰণ পদ্ধতিৰ প্ৰস্তাৱ দিছো যিটো একাধিক ডাটা পদ্ধতিৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে যেনে গভীৰতা ভিডিঅ , সুস্পষ্ট ভংগীম আৰু ভাষণ। আমাৰ পদ্ধতিত, প্ৰতিটো অংগভঙ্গি বিভাজিত হয় শৰীৰৰ বৃহৎ আকাৰৰ গতি আৰু স্থানীয় সূক্ষ্ম গতি যেনে হাতৰ আখৰ। বহুতো স্কেলত শিকাৰ ধাৰণাটো সময়ৰ মাত্ৰাতো প্ৰয়োগ কৰা হয়, যাতে এটা আচাৰক চৰিত্ৰগত গতিৰ আকৰ্ষণ বা গতিশীল স্থিতিৰ সংহতি হিচাপে বিবেচনা কৰা হয়। প্ৰতিটো ধৰণ প্ৰথমে পৃথকে পৃথকে সংক্ষিপ্ত স্থানিক-সময়িক ব্লকসমূহত প্ৰক্ৰিয়া কৰা হয়, য ত নিৰ্দিষ্ট তথ্যৰ বিশেষ বৈশিষ্ট্যসমূহ হয় হাতেৰে আহৰণ কৰা হয় বা শিকি লোৱা হয়। শেষত, আমি এটা ৰিচিউৰেণ্ট নিউৰেল নেটৱৰ্ক ব্যৱহাৰ কৰো বৃহৎ স্কেল টাইম ৰেল ডিপেণ্ডেন্সি, ডাটা ফিউজন আৰু অৱশেষত জিষ্টাৰ ক্লাচিফিকেশ্যনৰ বাবে। ২০১৩ চনৰ মাল্টিম ডেল গেষ্টৰ ৰিকগনিশ্যন ডাটাছেটৰ ওপৰত আমাৰ পৰীক্ষাসমূহে প্ৰমাণ কৰিছে যে কেইবাটাও স্থানিক আৰু সময়সাপেক্ষে একাধিক পদ্ধতি ব্যৱহাৰ কৰিলে প্ৰদৰ্শন যথেষ্ট বৃদ্ধি পায় আৰু মডেলক পৃথক শ্ৰেণীবিভাগকৰ ভুলৰ লগতে পৃথক চেনেলত শব্দৰ ক্ষতিপূৰণ দিবলৈ অনুমতি দিয়ে।

586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6

আমি এটা পৰ্যবেক্ষণহীন পদ্ধতি প্ৰদৰ্শন কৰিছো যিটোৱে সৰু-সুৰা স্থানান্তৰ আৰু বিকৃতিৰ প্ৰতি অবিচল থকা বিৰল বৈশিষ্ট্যৰ ডিটেক্টৰৰ এক শ্ৰেণীবিভাগ শিকিবলৈ সহায় কৰিব। ফলস্বৰূপে বৈশিষ্ট্য নিষ্কাশকটো একাধিক কোৱল শ্যন ফিল্টাৰ, তাৰ পিছত এক বৈশিষ্ট্য-পুলিং স্তৰ যি সংলগ্ন উইন্ডোৰ ভিতৰত প্ৰতিটো ফিল্টাৰৰ আউটপুটৰ সৰ্বাধিক গণনা কৰে, আৰু এটা বিন্দু-বুদ্ধিমান ছিগময়েড অ-ৰেখিকতা থাকে। প্ৰথম স্তৰৰ বৈশিষ্ট্যৰ পেট্চৰ ওপৰত একে এলগৰিথম প্ৰশিক্ষণ কৰি ডাঙৰ আৰু অধিক ইনভাৰেন্ট বৈশিষ্ট্যৰ দ্বিতীয় স্তৰ প্ৰাপ্ত কৰা হয়। এই বৈশিষ্ট্যসমূহৰ ওপৰত নিৰীক্ষণ কৰা শ্ৰেণীবিভাজনকাৰীক প্ৰশিক্ষণ দিলে MNIST ত 0.64% ত্ৰুটি আৰু কেলটেক 101 ত গড় স্বীকৃতিৰ হাৰ 54% হয়। ফলস্বৰূপে আৰ্কিটেকচাৰটো কনভল্যুশ্যনেল নেটৱৰ্কৰ সৈতে একে, স্তৰ-বুদ্ধিমান নিৰীক্ষণহীন প্ৰশিক্ষণ প্ৰক্ৰিয়াই বিশুদ্ধভাৱে নিৰীক্ষণ কৰা শিক্ষণ প্ৰক্ৰিয়াক প্ৰহাৰ কৰা অতি-পৰামিতিৰ সমস্যাসমূহ লাঘৱ কৰে, আৰু খুব কম লেবেলযুক্ত প্ৰশিক্ষণ নমুনাৰ সৈতে ভাল প্ৰদৰ্শন দিয়ে।

80bcfbb1a30149e636ff1a08aeb715dad6dd9285

০.১৫μm GaN HEMT প্ৰক্ৰিয়া প্ৰযুক্তি ব্যৱহাৰ কৰি দুটা উচ্চ দক্ষতা Ka-বেণ্ড পাৱাৰ এম্প্লিফায়াৰ MMIC ৰ ডিজাইন আৰু পাৰফৰমেন্স প্ৰদৰ্শন কৰা হৈছে। ৩-পৰ্যায়ৰ সুষম এম্প্লিফায়াৰৰ বাবে মাপ কৰা ইন-ফিক্চাৰ কণ্টিন্যুয়েল ৱেভ (CW) ৰ ফলাফলত ১১ ৱট পৰ্যন্ত আউটপুট পাৱাৰ আৰু ৩০ গিগাহাৰ্জত ৩০% পাৱাৰ এডেড ইফেক্ট (PAE) প্ৰদৰ্শন কৰে। ৩-স্তৰৰ একক-শেষৰ ডিজাইনে ৬W ৰো অধিক আউটপুট শক্তি আৰু ৩৪% পৰ্যন্ত PAE উৎপাদন কৰে। ভাৰসাম্যপূৰ্ণ আৰু একক-শেষ MMICs ৰ বাবে ডাই আকাৰ ক্ৰমে 3.24 × 3.60mm2 আৰু 1.74 × 3.24mm2 হয়।

284de726e700a6c52f9f8fb9f3de4d4b0ff778bb

পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক (RNNs) স্বাভাৱিকতে কণ্ঠ চিনাক্তকৰণৰ বাবে উপযুক্ত কাৰণ ইয়াৰ গতিশীলভাৱে পৰিৱৰ্তনশীল সময়ৰ তথ্য ব্যৱহাৰ কৰাৰ ক্ষমতা আছে। গভীৰ আৰএনএছক বিভিন্ন সময়ত বিভিন্ন সময়ৰ সম্পৰ্ক মডেল কৰিবলৈ সক্ষম বুলি যুক্তি দিয়া হৈছে, কিন্তু বিলুপ্তি গ্ৰেডিয়েন্টৰ সমস্যাত ভুগিছে। এই প্ৰবন্ধত, আমি এই সমস্যাটো লাঘৱ কৰিবলৈ, কেৱল সাময়িক মাত্ৰা নহয়, গভীৰতা মাত্ৰাও গণনা কৰা গ্ৰীড এলএছটিএম ব্লক ব্যৱহাৰ কৰি ষ্টেকেড দীঘলীয়া স্বল্প-মেয়াদী মেম ৰি (এলএছটিএম) আৰএন সম্প্ৰসাৰিত কৰিছো। তদুপৰি, আমি গভীৰতা পৰিমাপক সাময়িক একৰ ওপৰত অগ্ৰাধিকাৰ দিওঁ যাতে গভীৰতা পৰিমাপক অধিক আপডেট তথ্য প্ৰদান কৰিব পাৰি, যিহেতু ইয়াৰ পৰা আউটপুট শ্ৰেণীবিভাজনৰ বাবে ব্যৱহাৰ কৰা হ ব। আমি এই মডেলক অগ্ৰাধিকাৰযুক্ত গ্ৰীড এলএছটিএম (pGLSTM) বুলি কওঁ। চাৰিটা বৃহৎ ডাটা ছেট (এএমআই, এইচকেউএছটি, গেইল আৰু এমজিবি) ৰ ওপৰত কৰা বিস্তৃত পৰীক্ষাই প্ৰমাণ কৰে যে পিজিএলএছটিএম বিকল্প গভীৰ এলএছটিএম মডেলতকৈ ভাল প্ৰদৰ্শন কৰে, ষ্টেকেড এলএছটিএমক ৪% ৰ পৰা ৭% আপেক্ষিক উন্নতিৰে পৰাজিত কৰে আৰু সকলো ডাটা ছেটত একমুখী মডেলৰ মাজত নতুন মানদণ্ড অৰ্জন কৰে।