Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_ne

_id stringlengths 40 40	text stringlengths 0 9.54k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	पदानुक्रमित पिटम्यान-योर प्रक्रिया प्राथमिकताहरू भाषा मोडेलहरू सिक्नको लागि बाध्यकारी विधिहरू हुन्, बिन्दु-अनुमान आधारित विधिहरू भन्दा राम्रो प्रदर्शन गर्दछन्। तर, यी मोडेलहरू कम्प्युटेशनल र तथ्याङ्क अनुमानका मुद्दाहरू जस्तै मेमोरी र समय प्रयोगका साथै नमूनाकर्ताको खराब मिश्रणका कारण लोकप्रिय छैनन्। यस कार्यमा हामी एक उपन्यास फ्रेमवर्क प्रस्ताव गर्दछौं जसले संकुचित प्रत्यय रूखहरू प्रयोग गरेर एचपीवाईपी मोडेललाई कम्प्याक्ट रूपमा प्रतिनिधित्व गर्दछ। त्यसपछि, हामी यस ढाँचामा एक कुशल अनुमानित अनुमान योजना विकास गर्छौं जुन पूर्ण HPYP को तुलनामा धेरै कम मेमोरी पदचिह्न छ र अनुमान समयमा छिटो छ। प्रयोगात्मक परिणामहरूले देखाउँदछ कि हाम्रो मोडेललाई अघिल्लो एचपीवाईपी मोडेलहरूको तुलनामा धेरै ठूलो डाटासेटमा निर्माण गर्न सकिन्छ, जबकि धेरै परिमाणको सानो, प्रशिक्षण र अनुमानको लागि छिटो, र राज्य-को-कला परिमार्जित केनेसर-नेई गणना आधारित एलएम स्मूथिंगको भ्रमलाई १ 15% सम्म पार गर्दछ।
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	यस लेखमा घटनाहरू र अर्थपूर्ण भूमिकाहरूको नयाँ भाषा स्रोत वर्णन गरिएको छ जुन वास्तविक विश्वको अवस्थाको विशेषता हो। कथा योजनामा सम्बन्धित घटनाहरूको सेटहरू (सम्पादन र प्रकाशन), घटनाहरूको समय क्रम (प्रकाशित गर्नु अघि सम्पादन), र सहभागीहरूको अर्थपूर्ण भूमिकाहरू (लेखकहरूले पुस्तकहरू प्रकाशित गर्छन्) समावेश गर्दछ। यस प्रकारको विश्व ज्ञान प्राकृतिक भाषाको समझमा प्रारम्भिक अनुसन्धानको केन्द्र थियो। लिपिहरू मुख्य औपचारिकताहरू मध्ये एक थिए, जसले संसारमा हुने घटनाहरूको सामान्य अनुक्रमलाई प्रतिनिधित्व गर्थे। दुर्भाग्यवश, यो ज्ञानको अधिकांश भाग हातले कोड गरिएको थियो र सिर्जना गर्न समय लाग्थ्यो। हालको मेसिन लर्निङ प्रविधिहरू, साथै कोररेफरेन्स चेनहरू मार्फत सिक्ने नयाँ दृष्टिकोणले हामीलाई खुला डोमेन पाठबाट स्वचालित रूपमा समृद्ध घटना संरचना निकाल्न अनुमति दिएको छ। यस लेखमा वर्णन गरिएको कथा योजना स्रोतमा लगभग ५००० अनौठो घटनाहरू छन् जुन विभिन्न आकारका योजनाहरूमा मिलाइएको छ। हामी स्रोतको वर्णन गर्छौं, यो कसरी सिकिएको छ, र यी योजनाहरूको कभरेजको नयाँ मूल्यांकन अदृश्य कागजातहरूमा।
8e508720cdb495b7821bf6e43c740eeb5f3a444a	भाषण, रोबोटिक्स, वित्त र जीवविज्ञानमा धेरै अनुप्रयोगहरू अनुक्रमिक डाटासँग सम्बन्धित छन्, जहाँ क्रमबद्ध विषयहरू र पुनरावर्ती संरचनाहरू सामान्य छन्। यद्यपि, यो संरचनालाई साधारण कर्नेल फंक्सनले सजिलैसँग कब्जा गर्न सक्दैन। यस्तो संरचनाको मोडेल बनाउन, हामी ग्यासियन प्रक्रियाहरूको लागि अभिव्यक्तिको बन्द-रूप कर्नेल प्रकार्यहरू प्रस्ताव गर्दछौं। परिणाम स्वरूप मोडेल, GP-LSTM, पूर्ण रूपमा लामो छोटो अवधिको मेमोरी (LSTM) पुनरावर्ती नेटवर्कको प्रेरक पूर्वाग्रहहरूलाई कभर गर्दछ, जबकि गैर-पैरामेट्रिक सम्भावित लाभहरू ग्यासियन प्रक्रियाहरूको। हामी प्रस्तावित कर्नेलहरूको गुणहरू सिक्छौं ग्यासियन प्रक्रिया सीमांकित सम्भावनालाई अनुकूलन गरेर नयाँ प्रमाणित रूपले कन्भर्जेन्ट सेमी-स्टोकास्टिक ग्रेडियन्ट प्रक्रिया प्रयोग गरेर, र यी कर्नेलहरूको संरचनालाई स्केलेबल प्रशिक्षण र पूर्वानुमानको लागि शोषण गर्दछौं। यस दृष्टिकोणले बेयसियन एलएसटीएमहरूको लागि व्यावहारिक प्रतिनिधित्व प्रदान गर्दछ। हामीले धेरै बेन्चमार्कमा अत्याधुनिक प्रदर्शन प्रदर्शन गरेका छौं र एक परिणाम स्व-चालित ड्राइभिंग अनुप्रयोगको गहन अनुसन्धान गरेका छौं, जहाँ GP-LSTM द्वारा प्रदान गरिएको भविष्यवाणी अनिश्चितताहरू अनौंठो मूल्यवान छन्।
033b62167e7358c429738092109311af696e9137	यस कागजातले समीक्षालाई सिफारिस गरिएको (थम्ब्स अप) वा सिफारिस नगरिएको (थम्ब्स डाउन) को रूपमा वर्गीकरण गर्न एक साधारण अनसुर्पेक्षित लर्निंग एल्गोरिथ्म प्रस्तुत गर्दछ। समीक्षाको वर्गीकरण समीक्षामा विशेषण वा विशेषणहरू समावेश गर्ने वाक्यांशहरूको औसत अर्थिक अभिमुखीकरण द्वारा भविष्यवाणी गरिएको छ। एक वाक्यांशको सकारात्मक अर्थपूर्ण अभिमुखीकरण हुन्छ जब यसमा राम्रो सम्बन्ध हुन्छ (उदाहरणका लागि, सूक्ष्म बारीकियाँ) र नकारात्मक अर्थपूर्ण अभिमुखीकरण जब यसमा खराब सम्बन्ध हुन्छ (उदाहरणका लागि, धेरै काभिलियर) । यस लेखमा, वाक्यांशको अर्थिक अभिमुखीकरणलाई दिइएको वाक्यांश र शब्द उत्कृष्ट बीचको पारस्परिक जानकारीलाई दिइएको वाक्यांश र शब्द गरीब बीचको पारस्परिक जानकारी घटाएर गणना गरिन्छ। एक समीक्षालाई सिफारिस गरिएको रूपमा वर्गीकृत गरिन्छ यदि यसको वाक्यांशहरूको औसत अर्थिक अभिमुखीकरण सकारात्मक छ। एल्गोरिथ्मले औसतमा ७४% शुद्धता प्राप्त गर्दछ जब Epinions बाट 410 समीक्षामा मूल्याङ्कन गरिन्छ, चार फरक डोमेनबाट नमूनाहरू (अटोमोबाइल, बैंक, चलचित्र, र यात्रा गन्तव्यहरूको समीक्षा) । यो सटीकता अटोमोबाइल समीक्षाको लागि ८४ प्रतिशतदेखि चलचित्र समीक्षाको लागि ६६ प्रतिशतसम्म हुन्छ।
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	विद्युतीय माइग्रेसन (ईएम) एकीकृत सर्किट (आईसी) डिजाइनमा इन्टरकनेक्ट विश्वसनीयताको लागि अगाडि बढ्ने प्रमुख चिन्ताहरू मध्ये एक हो। एनालग डिजाइनरहरू केही समयदेखि ईएम समस्याको बारेमा सचेत भए पनि, डिजिटल सर्किटहरू पनि अहिले प्रभावित भइरहेका छन्। यो व्याख्यानले आधारभूत डिजाइन मुद्दाहरू र इन्टरकनेक्ट भौतिक डिजाइनको समयमा इलेक्ट्रोमिग्रेसनमा उनीहरूको प्रभावहरूलाई सम्बोधन गर्दछ। विद्युतीय गतिरोधात्मक उपायहरू जस्तै छोटो-लम्बाइ र जलाशय प्रभावहरू अपनाएर इन्टरकनेक्टमा वर्तमान घनत्व सीमाहरू बढाउने उद्देश्य छ। यी प्रभावहरूको प्रयोगले लेआउट चरणमा भविष्यमा आईसी डिजाइन प्रवाहमा ईएम चिन्ताहरूको आंशिक राहत प्रदान गर्न सक्छ।
45e2e2a327ea696411b212492b053fd328963cc3	मोबाइल एपले जनस्वास्थ्यमा जीवनशैलीको हस्तक्षेपको रूपमा सेवा प्रदान गर्ने र दीर्घकालीन रोगहरूलाई कम गर्ने सम्भावना छ, तर दीर्घकालीन रोग भएका व्यक्तिहरूले मोबाइल एप कसरी प्रयोग गर्छन् वा बुझ्छन् भन्ने बारेमा थोरै मात्र थाहा छ। यस अध्ययनको उद्देश्य दीर्घकालीन रोग भएका व्यक्तिहरूको बीचमा मोबाइल फोनमा आधारित स्वास्थ्यका लागि एपहरूको बारेमा व्यवहार र धारणाको खोजी गर्नु थियो। METHODS डाटा संयुक्त राज्य अमेरिकामा १,६०४ मोबाइल फोन प्रयोगकर्ताहरूको राष्ट्रिय क्रस-सेक्शनल सर्वेक्षणबाट स collected्कलन गरिएको थियो जसले mHealth प्रयोग, विश्वास र प्राथमिकताहरूको मूल्या assess्कन गर्यो। यस अध्ययनले स्वास्थ्य अनुप्रयोगको प्रयोग, डाउनलोडको कारण, र दीर्घकालीन अवस्था द्वारा कथित प्रभावकारिताको जाँच गर्यो। परिणाम सहभागीहरूमध्ये, कुनै पनि अवस्था नभएका ३८.९% (३१४/८०७) र उच्च रक्तचाप भएका ६.६% (२४/३६४) प्रतिवादीहरूले १ देखि ५ वटा एपहरू भएको बताएका थिए। स्वास्थ्य अनुप्रयोगहरूको प्रयोग प्रति दिन २ पटक वा बढी रिपोर्ट गरिएको थियो २१.३% (१७२/८०७) बिना अवस्थाका उत्तरदाताहरू, २.७% (१०/३६४) उच्च रक्तचापका साथ, १३.१% (२६/१९८) मोटोपनाका साथ, १२.३% (२०/१६३) मधुमेहका साथ, १२.०% (३२/२६७) डिप्रेसनको साथ, र १६.६% (५३/३१९) उच्च कोलेस्ट्रोलको साथ। लजिस्टिक रिग्रेसनको नतिजाले दीर्घकालीन अवस्था भएका र नभएका व्यक्तिहरूबीच स्वास्थ्य अनुप्रयोग डाउनलोडमा महत्त्वपूर्ण भिन्नता देखाएन (पी>.०५) । खराब स्वास्थ्य भएका व्यक्तिको तुलनामा, स्वास्थ्य अनुप्रयोग डाउनलोड गर्ने सम्भावना धेरै राम्रो स्वास्थ्य (odds ratio [OR] 3.80, 95% CI 2.38-6.09, P<.001) र उत्कृष्ट स्वास्थ्य (OR 4.77, 95% CI 2.70-8.42, P<.001) भएका व्यक्तिहरूमा बढी थियो। त्यस्तै गरी, शारीरिक गतिविधिमा कहिल्यै वा विरलै संलग्न हुने व्यक्तिहरूको तुलनामा, स्वास्थ्य अनुप्रयोग डाउनलोड गर्ने सम्भावना हप्तामा १ दिन व्यायाम गर्ने व्यक्तिहरूमा बढी थियो (OR २.४७, ९५% आईसी १.६- ३.८३, पी <.००१), हप्तामा २ दिन (OR ४.७७, ९५% आईसी ३.२७- ६.९४, पी <.००१), हप्तामा ३ देखि ४ दिन (OR ५.००, ९५% आईसी ३.५२- ७.१०, पी <.००१), र हप्तामा ५ देखि ७ दिन (OR ४.६४, ९५% आईसी ३.१- ६.९२, पी <.००१) । सबै तार्किक प्रतिगमन परिणामहरू उमेर, लिंग, र जाति वा जातीयताका लागि नियन्त्रण गरियो। निष्कर्ष यस अध्ययनको नतिजाले सुझाव दिन्छ कि खराब स्वास्थ्य र कम शारीरिक गतिविधि भएका व्यक्तिहरू, जसले स्वास्थ्य अनुप्रयोगहरूबाट सबैभन्दा बढी फाइदा लिन सक्दछन्, यी स्वास्थ्य उपकरणहरू डाउनलोड र प्रयोग गर्ने रिपोर्ट गर्ने सम्भावना कम थियो।
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	औसत विचलन पोर्टफोलियो विश्लेषणले मुनाफा र जोखिम बीचको व्यापारको पहिलो मात्रात्मक उपचार प्रदान गर्यो। हामी विस्तृत रूपमा वर्णन गर्दछौं उद्देश्य र प्रतिबन्धहरू बीचको अन्तरक्रिया एकल-अवधिको भिन्नताहरूमा, semivariance मोडेलहरू सहित। विशेष गरी अति कार्यसम्पादनको दण्डबाट बच्नमा जोड दिइएको छ। त्यसपछि परिदृश्य रूखहरूमा आधारित बहु-अवधि मोडेलहरूको विकास र सैद्धान्तिक विश्लेषणमा परिणामहरूलाई निर्माण ब्लकको रूपमा प्रयोग गरिन्छ। एउटा मुख्य गुण भनेको भविष्यमा हुने निर्णयहरूमा अतिरिक्त पैसा हटाउने सम्भावना हो, जसले लगभग डाउनसाइड जोखिमलाई कम गर्दछ।
0e1431fa42d76c44911b07078610d4b9254bd4ce	मुख्य घटक विश्लेषणको गैर-रेखीय रूप प्रदर्शन गर्नका लागि नयाँ विधि प्रस्ताव गरिएको छ। अभिन्न संचालक कर्नेल प्रकार्यहरूको प्रयोगद्वारा, एकले उच्च-आयामी सुविधा स्पेसमा मुख्य घटकहरू कुशलतापूर्वक गणना गर्न सक्दछ, केही गैर-रेखीय नक्सा द्वारा इनपुट स्पेससँग सम्बन्धित छ, उदाहरणका लागि, 16 16 छविहरूमा सबै सम्भावित पाँच-पिक्सेल उत्पादनहरूको ठाउँ। हामी विधि को व्युत्पन्न दिन्छौं र नमूना मान्यता को लागी बहुपद सुविधा निकासी मा प्रयोगात्मक परिणाम प्रस्तुत गर्दछौं।
292eee24017356768f1f50b72701ea636dba7982	हामी बाहिरी शहरी दृश्यहरू प्रतिनिधित्व गर्ने थ्रीडी पोइन्ट क्लाउडमा स्वचालित वस्तु स्थानीयकरण र पहिचानको लागि एक विधि प्रस्तुत गर्दछौं। यो विधि निहित आकार मोडेल (आईएसएम) फ्रेमवर्कमा आधारित छ, जसले केन्द्र स्थानका लागि मतदान गरेर वस्तुहरूलाई पहिचान गर्दछ। यसको लागि प्रति कक्षा केही प्रशिक्षण उदाहरणहरू मात्र आवश्यक हुन्छ, जुन व्यावहारिक प्रयोगको लागि महत्त्वपूर्ण गुण हो। हामी स्पिन छवि वर्णनकर्ताको सुधारिएको संस्करण पनि परिचय र मूल्यांकन गर्दछौं, सामान्य दिशा अनुमानमा पोइन्ट घनत्व भिन्नता र अनिश्चितताको लागि अधिक बलियो। हाम्रो प्रयोगले यी परिवर्तनहरूले पहिचानको कार्यसम्पादनमा महत्त्वपूर्ण प्रभाव पार्ने कुरा प्रकट गरेको छ। हामी हाम्रो नतिजालाई अत्याधुनिक विधिसँग तुलना गर्छौं र ओहायो डाटासेटमा दुबै सटीकता र सम्झनामा उल्लेखनीय सुधार प्राप्त गर्दछौं, जसमा कुल १ 150,000०,००० मिटर शहरी क्षेत्रको संयुक्त हवाई र जमिनको लिडार स्क्यान समावेश छ।
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	संचार र नियन्त्रणमा सैद्धान्तिक र व्यावहारिक समस्याहरूको एउटा महत्त्वपूर्ण वर्ग सांख्यिकीय प्रकृतिको हो। यस्ता समस्याहरू हुन्: (i) यादृच्छिक संकेतहरूको भविष्यवाणी; (ii) यादृच्छिक संकेतहरूलाई यादृच्छिक हल्लाबाट अलग गर्ने; (iii) यादृच्छिक हल्लाको उपस्थितिमा ज्ञात रूप (पल्स, साइनसॉइड्स) को संकेतहरूको पत्ता लगाउने। आफ्नो अग्रगामी कार्यमा, वाइनेरले [1]3 देखाए कि समस्या (i) र (ii) ले तथाकथित वाइनेर-होफ इन्टिग्रल समीकरणको नेतृत्व गर्दछ; उनले स्थिर तथ्या .्क र तर्कसंगत स्पेक्ट्राको व्यावहारिक रूपमा महत्त्वपूर्ण विशेष मामलामा यस इन्टिग्रल समीकरणको समाधानको लागि एक विधि (स्पेक्ट्रल फैक्टराइजेशन) पनि दिए। धेरै विस्तार र सामान्यीकरणहरूले वीनरको आधारभूत कार्यलाई पछ्याए। सादेह र रगाजिनीले सीमित-स्मृति केस समाधान गरे। [२] बोडे र शेनन [3] बाट स्वतन्त्र रूपमा उनीहरूले समाधानको सरलीकृत विधि [२] पनि दिए। बुटनले गैर-स्थिर विनेर-होफ समीकरणको बारेमा छलफल गरे। यी नतिजाहरू अहिले मानक पाठहरूमा छन् [५-६] । यी मुख्य रेखाहरूमा केही फरक दृष्टिकोण हालै डार्लिङ्गटनले दिएको छ []] । नमूना संकेतहरूको विस्तारको लागि, हेर्नुहोस्, उदाहरणका लागि, फ्रेंकलिन [8], लीज [9]. विनेरहोफ समीकरणको आन्तरिक कार्यमा आधारित अर्को दृष्टिकोण (जुन गैर-स्थिर समस्याहरूमा पनि लागू हुन्छ जबकि अघिल्लो विधिहरू सामान्यतया गर्दैनन्), डेभिसले [10] र अन्य धेरैले लागू गरेका छन्, उदाहरणका लागि, शिन्ब्रोट [11], ब्लम [12], पुगाचेभ [13], सोलोडोभ्निकोभ [14]। यी सबै कार्यहरूमा, लक्ष्य भनेको रैखिक गतिशील प्रणाली (वाइनेर फिल्टर) को विशिष्टता प्राप्त गर्नु हो जसले एक यादृच्छिक संकेतको पूर्वानुमान, विभाजन, वा पत्ता लगाउने कार्य गर्दछ। 2 7212 बेलोना एभिन्यू 3 कोष्ठकमा अंकहरू कागजको अन्त्यमा सन्दर्भहरू संकेत गर्दछ। 4 सामान्यतया यी कार्यहरू गैर-रेखीय फिल्टरहरूद्वारा राम्रोसँग गर्न सकिन्छ। तर, हालसम्म यी गैररेखीय फिल्टर कसरी प्राप्त गर्ने भन्नेबारे थोरै वा केही पनि थाहा छैन। यन्त्र र नियामक डिभिजनद्वारा योगदान र द अमेरिकन सोसाइटी अफ मेकानिकल इन्जिनियर्सको यन्त्र र नियामक सम्मेलन, मार्च २९- अप्रिल १२, १९५९ मा प्रस्तुत गरिएको। [पृष्ठ २३-मा भएको चित्र] एएसएमई मुख्यालयमा प्राप्त पाण्डुलिपि, २४ फेब्रुअरी, १९५९ कागज नं. ५९-आईआरडी-११ रैखिक फिल्टरिङ र भविष्यवाणी समस्याहरूको लागि नयाँ दृष्टिकोण
e50a316f97c9a405aa000d883a633bd5707f1a34	विगत २० वर्षमा संचित प्रयोगात्मक प्रमाणले संकेत गर्दछ कि उपयुक्त रूपमा तौल गरिएको एकल शब्दहरूको असाइनमेन्टमा आधारित पाठ अनुक्रमणिका प्रणालीहरूले पुनः प्राप्ति परिणामहरू उत्पादन गर्दछ जुन अन्य अधिक विस्तृत पाठ प्रतिनिधित्वहरूको साथ प्राप्त गर्न सकिने भन्दा उत्कृष्ट छ। यी परिणामहरू प्रभावकारी अवधि वजन प्रणालीको छनौटमा महत्त्वपूर्ण रूपमा निर्भर गर्दछ। यस लेखमा स्वचालित शब्द भारमा प्राप्त अन्तरदृष्टिको सारांश दिइएको छ, र आधारभूत एकल-अवधि-सूचकांक मोडेलहरू प्रदान गर्दछ जुन अन्य अधिक विस्तृत सामग्री विश्लेषण प्रक्रियाहरू तुलना गर्न सकिन्छ। १. स्वचालित पाठ विश्लेषण १९५० को दशकको अन्त्यमा, लुहनले पहिलो पटक स्वचालित पाठ पुनःप्राप्ति प्रणालीहरू डिजाइन गर्न सुझाव दिए जुन भण्डारण गरिएका पाठहरू र प्रयोगकर्ताहरूको सूचना प्रश्नहरू दुवैमा संलग्न सामग्री पहिचानकर्ताहरूको तुलनामा आधारित हुन सक्छ। सामान्यतया, कागजात र प्रश्नहरूको पाठबाट निकालेका केही शब्दहरू सामग्री पहिचानको लागि प्रयोग गरिनेछ; वैकल्पिक रूपमा, सामग्री प्रतिनिधित्वहरू म्यानुअल रूपमा चयन गर्न सकिन्छ प्रशिक्षित अनुक्रमणिकाहरू द्वारा छलफल गरिएको विषय क्षेत्रहरू र कागजात संग्रहको सामग्रीसँग परिचित। कुनै पनि अवस्थामा, कागजातहरू D = (ti,tj,...ytp) (1) को फारम वेक्टरहरू द्वारा प्रतिनिधित्व गरिनेछ जहाँ प्रत्येक tk ले केही नमूना कागजात D लाई तोकिएको सामग्री शब्द पहिचान गर्दछ। समान रूपमा, सूचना अनुरोधहरू, वा प्रश्नहरू, या त भेक्टर फारममा प्रतिनिधित्व गरिनेछ, वा बुलियन कथनहरूको रूपमा। यस प्रकार, एक विशिष्ट क्वेरी Q लाई Q = (qa,qbr.. . (४) (२)
6ac15e819701cd0d077d8157711c4c402106722c	यो प्राविधिक प्रतिवेदनले एमआईटीको टीमको दृष्टिकोणलाई डार्पा अर्बन च्यालेन्जमा वर्णन गर्दछ। हामीले धेरै सस्तो सेन्सरहरू प्रयोग गर्ने एउटा नयाँ रणनीति विकास गरेका छौं, जुन गाडीको परिधिमा जडान गरिएको छ र नयाँ क्रस-मोडल क्यालिब्रेसन प्रविधिको साथ क्यालिब्रेट गरिएको छ। लिडार, क्यामेरा र रडार डाटा स्ट्रिमहरू एक नवीन, स्थानीय रूपमा सुचारु राज्य प्रतिनिधित्व प्रयोग गरेर प्रशोधन गरिन्छ जसले वास्तविक समय स्वायत्त नियन्त्रणको लागि बलियो धारणा प्रदान गर्दछ। ट्राफिकमा ड्राइभिङका लागि एक लचिलो योजना र नियन्त्रण वास्तुकला विकास गरिएको छ, जुन मिशन योजना, परिस्थितिगत योजना, परिस्थितिगत व्याख्या र ट्रयाक्टरी नियन्त्रणका लागि राम्रोसँग प्रमाणित एल्गोरिदमको अभिनव संयोजन हो। यी आविष्कारहरू शहरी वातावरणमा स्वायत्त ड्राइभिङका लागि सुसज्जित दुई नयाँ रोबोटिक सवारी साधनहरूमा समावेश गरिएको छ, DARPA साइट भ्रमण कोर्समा व्यापक परीक्षणको साथ। प्रयोगात्मक परिणामहरूले सबै आधारभूत नेभिगेसन र केही आधारभूत ट्राफिक व्यवहारहरू प्रदर्शन गर्दछ, खाली स्वायत्त ड्राइभिंग सहित, शुद्ध-अनुसन्धान नियन्त्रण र हाम्रो स्थानीय फ्रेम धारणा रणनीति प्रयोग गरेर लेन अनुसरण गर्दै, किनो-डायनामिक आरटी मार्ग योजना प्रयोग गरेर बाधाबाट बच्न, हाम्रो स्थितिको व्याख्याकर्ता प्रयोग गरेर चौराहेमा अन्य कारहरू बीच प्राथमिकता मूल्यांकन। हामी यी दृष्टिकोणलाई उन्नत नेभिगेसन र ट्राफिक परिदृश्यहरूमा विस्तार गर्ने काम गरिरहेका छौं। † कार्यकारी सारांश यो प्राविधिक रिपोर्टले टीम एमआईटीको दृष्टिकोणलाई डार्पा अर्बन चुनौतीमा वर्णन गर्दछ। हामीले धेरै सस्तो सेन्सरहरू प्रयोग गर्ने एउटा नयाँ रणनीति विकास गरेका छौं, जुन गाडीको बाहिरी भागमा राखिएको छ, र नयाँ क्रस-मोडल क्यालिब्रेसन प्रविधिको साथ क्यालिब्रेट गरिएको छ। लिडर, क्यामेरा र रडार डाटा स्ट्रिमहरू एक नवीन, स्थानीय रूपमा सहज राज्य प्रतिनिधित्व प्रयोग गरेर प्रशोधन गरिन्छ जसले वास्तविक समय स्वायत्त नियन्त्रणको लागि बलियो धारणा प्रदान गर्दछ। यातायातमा सवारी चलाउनका लागि एक लचिलो योजना र नियन्त्रण वास्तुकला विकसित गरिएको छ, जुन मिशन योजना, परिस्थितिगत योजना, परिस्थितिगत व्याख्या र ट्रयाक्टरी नियन्त्रणका लागि राम्रोसँग प्रमाणित एल्गोरिदमको नवीन संयोजनबाट बनेको छ। यी आविष्कारहरू शहरी वातावरणमा स्वायत्त ड्राइभिङका लागि सुसज्जित दुई नयाँ रोबोटिक सवारी साधनहरूमा समावेश गरिएको छ, DARPA साइट भ्रमण कोर्समा व्यापक परीक्षणको साथ। प्रयोगात्मक परिणामहरूले सबै आधारभूत नेभिगेसन र केही आधारभूत ट्राफिक व्यवहारहरू प्रदर्शन गर्दछ, जसमा खाली स्वायत्त ड्राइभिंग, शुद्ध-पीछा नियन्त्रण र हाम्रो स्थानीय फ्रेम धारणा रणनीति प्रयोग गरेर लेन अनुसरण, किनो-डायनामिक आरआरटी मार्ग योजना प्रयोग गरेर बाधाबाट बच्ने, यू-टर्नहरू, र हाम्रो स्थितिको व्याख्याकर्ता प्रयोग गरेर चौराहेमा अन्य कारहरू बीच प्राथमिकता मूल्यांकन। हामी यी दृष्टिकोणलाई उन्नत नेभिगेसन र ट्राफिक परिदृश्यहरूमा विस्तार गर्ने काम गरिरहेका छौं। अस्वीकरण: यस कागजातमा समावेश जानकारीले रक्षा उन्नत अनुसन्धान परियोजना एजेन्सी (डार्पा) वा रक्षा विभागको आधिकारिक नीतिहरूको प्रतिनिधित्व गर्दैन। यस कागजातमा भएको जानकारीको शुद्धता वा विश्वसनीयताको ग्यारेन्टी डार्पाले दिँदैन। अतिरिक्त समर्थन ...
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	हामी निश्चित भौतिक लम्बाइको विश्लेषण र डिजाइन प्रस्तुत गर्दछौं, टेराहर्ट्ज आवृत्तिहरूमा समायोज्य ढिलाइको साथ स्पूफ सतह प्लाज्मन पोलरिटन आधारित वेभगाइडहरू। समायोज्य ढिलाइ कोर्गेटेड प्लानर Goubau लाइनहरु (CPGL) को उपयोग गरी प्राप्त हुन्छ यसको वेभगेसन गहिराई परिवर्तन गरेर तरंगमार्गको कुल भौतिक लम्बाई परिवर्तन नगरी। हाम्रो सिमुलेसनको नतिजाले देखाउँछ कि २३७.९°, २२०.६°, र ३१०.६° को विद्युतीय लम्बाइहरू २५० μm र २०० μm को भौतिक लम्बाइहरू द्वारा क्रमशः ०.२५, ०.२७५ र ०.३ THz मा प्रदर्शन प्रयोजनका लागि प्राप्त गर्न सकिन्छ। यी सिमुलेसन परिणामहरू भौतिक प्यारामिटर र सामग्री गुणहरू प्रयोग गरेर हाम्रो विश्लेषणात्मक गणनासँग पनि मिल्दोजुल्दो छ। जब हामी एउटै लम्बाइको विलम्ब रेखाहरूको जोडीलाई जोड्छौं मानौं तिनीहरू टेराहर्ट्ज चरण शिफ्टरका दुई शाखाहरू हुन्, हामीले सापेक्षिक चरण शिफ्ट अनुमानको त्रुटि दर 5.8% भन्दा राम्रो प्राप्त गर्यौं। हाम्रो ज्ञानको सर्वोत्तम, यो पहिलो पटक समायोज्य स्पूफ सतह प्लाज्मन पोलारिटोन आधारित सीपीजीएल ढिलाइ लाइनहरूको प्रदर्शन हो। यो विचार टेराहर्ट्ज ब्यान्ड सर्किट्रीका लागि निश्चित लम्बाइ र चरण शिफ्टरको साथ ट्युन गर्न योग्य ढिलाइ लाइनहरू प्राप्त गर्न प्रयोग गर्न सकिन्छ।
325d145af5f38943e469da6369ab26883a3fd69e	यस लेखमा, ग्रेस्केल फोटोलाई इनपुटको रूपमा दिइएको छ, यस लेखमा फोटोको रंगीन संस्करणको कल्पना गर्ने समस्यालाई सम्बोधन गरिएको छ। यो समस्या स्पष्ट रूपमा कम सीमित छ, त्यसैले अघिल्लो दृष्टिकोणहरू या त महत्त्वपूर्ण प्रयोगकर्ता अन्तर्क्रियामा निर्भर छन् वा परिणाममा डिसच्युरेटेड कलरिजेसनहरू छन्। हामी पूर्ण स्वचालित दृष्टिकोण प्रस्ताव गर्छौं जसले जीवन्त र यथार्थवादी रङ्गहरू उत्पादन गर्छ। हामी समस्याको अन्तर्निहित अनिश्चिततालाई वर्गीकरण कार्यको रूपमा प्रस्तुत गरेर स्वीकार गर्छौं र परिणाममा रंगहरूको विविधता बढाउन प्रशिक्षणको समयमा वर्ग-पुनः सन्तुलन प्रयोग गर्दछौं। यो प्रणाली परीक्षणको समयमा सीएनएनमा फिड-फर्वार्ड पासको रूपमा लागू गरिएको छ र एक लाख भन्दा बढी रंगीन छविहरूमा प्रशिक्षित गरिएको छ। हामी हाम्रो एल्गोरिथ्मको मूल्यांकन एक रंगीन ट्युरिङ परीक्षण प्रयोग गरेर गर्छौं, मानव सहभागीहरूलाई उत्पन्न र आधारभूत सत्य रङ्ग छवि बीच छनौट गर्न सोध्छौं। हाम्रो विधिले ३२ प्रतिशत परीक्षणमा मानिसलाई सफलतापूर्वक मूर्ख बनाउँछ, जुन अघिल्लो विधिभन्दा धेरै बढी हो। यसबाहेक, हामी देखाउँछौं कि रंगीनकरण एक शक्तिशाली बहाना कार्य हुन सक्छ आत्म-पर्यवेक्षण सुविधा सिक्ने को लागी, क्रस-च्यानल एन्कोडरको रूपमा कार्य गर्दै। यस दृष्टिकोणले धेरै सुविधाहरू सिकाउने बेन्चमार्कहरूमा अत्याधुनिक प्रदर्शनको परिणाम दिन्छ।
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	पहिलो पटक, रेडियो फ्रिक्वेन्सी माइक्रोइलेक्ट्रोमेकानिकल सिस्टम (आरएफ एमईएमएस) स्विचहरूसँग एक पूर्ण एकीकृत चरणबद्ध एरे एन्टेना एक लचिलो, जैविक सब्सट्रेटमा १० गीगाहर्ट्ज भन्दा माथि प्रदर्शन गरिएको छ। एक कम आवाज एम्पलीफायर (LNA), MEMS चरण shifter, र 2 पटक 2 पैच एन्टेना एरे एक प्रणाली-मा-प्याकेज (SOP) मा एक तरल क्रिस्टल बहुलक सब्सट्रेट मा एकीकृत छन्। दुई एन्टेना एरेहरू तुलना गरिन्छ; एक एकल-तह SOP प्रयोग गरेर कार्यान्वयन गरिएको छ र दोस्रो बहु-तह SOP को साथ। दुवै कार्यान्वयनहरू कम-हानि र 12 डिग्री बीम स्टीयरिंगको लागि सक्षम छन्। डिजाइन आवृत्ति १४ गीगाहर्ट्ज हो र मापन गरिएको रिटर्न हानि दुवै कार्यान्वयनका लागि १२ डीबी भन्दा बढी छ। एलएनएको प्रयोगले धेरै उच्च विकिरण शक्ति स्तरको लागि अनुमति दिन्छ। यी एन्टेनाहरू लगभग कुनै पनि आकार, आवृत्ति, र आवश्यक कार्यसम्पादन पूरा गर्न अनुकूलित गर्न सकिन्छ। यो अनुसन्धानले जैविक एसओपी उपकरणहरूको लागि अत्याधुनिक प्रविधिलाई बढावा दिन्छ।
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	उच्च भोल्टेज रेटेड ठोस राज्य स्विचहरू जस्तै इन्सुलेटेड-गेट बायपोलर ट्रान्जिस्टरहरू (आईजीबीटी) व्यावसायिक रूपमा 6.5 केभी सम्म उपलब्ध छन्। यस्तो भोल्टेज रेटिंग्स पल्सड पावर र उच्च भोल्टेज स्विच मोड कन्भर्टर अनुप्रयोगहरूको लागि आकर्षक छन्। तर, आईजीबीटी भोल्टेज रेटिंग्स बढ्दै जाँदा, हालको वृद्धि र गिरावटको दर सामान्यतया कम हुन्छ। यो व्यापार व्यापार गर्न गाह्रो छ किनकि आईजीबीटीले एपिटाक्सियल वा बहाव क्षेत्र तहमा कम प्रतिरोध कायम गर्नुपर्दछ। उल्टो भोल्टेजलाई समर्थन गर्न मोटा ढलान क्षेत्रहरू भएका उच्च भोल्टेज रेटेड आईजीबीटीहरूको लागि, आवश्यक उच्च वाहक एकाग्रताहरू खोल्दा ईन्जेक्ट गरिन्छ र बन्द हुँदा हटाइन्छ, जसले स्विचिंग गतिलाई ढिलो गर्दछ। छिटो स्विच गर्नका लागि एक विकल्प भनेको बहु, कम भोल्टेज रेटेड आईजीबीटीहरू श्रृंखलाबद्ध गर्नु हो। ६ वटा १२०० भोल्टको आईजीबीटीको प्रयोगात्मक परीक्षण गरिएको छ। छ-सीरीज IGBT स्ट्याकमा व्यक्तिगत, अप्टिकल रूपमा पृथक, गेट ड्राइभरहरू र एल्युमिनियम कूलि plat प्लेटहरू हुन्छन् जुन बाध्य वायु कूलि forको लागि हुन्छ जसले कम्प्याक्ट प्याकेजमा परिणाम दिन्छ। प्रत्येक IGBT अस्थायी भोल्टेज suppressors द्वारा overvoltage सुरक्षित छ। छ-सीरीज IGBT स्ट्याकको चालू-माउन्ट वर्तमान वृद्धि समय र एक 6.5 kV रेटेड IGBT एक पल्स प्रतिरोधात्मक-लोड, कन्डेन्सेटर डिस्चार्ज सर्किटमा प्रयोगात्मक रूपमा मापन गरिएको छ। आईजीबीटी स्ट्याकलाई दुई आईजीबीटी मोड्युलसँग पनि तुलना गरिएको छ, प्रत्येकलाई ३.३ केभी रेटेड गरिएको छ, ९ केएचजेडमा स्विच गर्ने र ५ केभीको आउटपुट उत्पादन गर्ने बूस्ट सर्किट अनुप्रयोगमा। छ-सीरीज IGBT स्ट्याकको परिणाममा सुधारिएको टर्न-अन स्विचिंग गति हुन्छ, र टर्न अफको समयमा कम हालको पुच्छरको कारण उल्लेखनीय रूपमा उच्च पावर बूस्ट कन्भर्टर दक्षता हुन्छ। प्रयोगात्मक परीक्षण मापदण्डहरू र तुलनात्मक परीक्षणहरूको परिणामहरू निम्न कागजमा छलफल गरिएको छ।
20f5b475effb8fd0bf26bc72b4490b033ac25129	हामी शहरी सडकमा लेन मार्कर पत्ता लगाउनको लागि एक बलियो र वास्तविक समय दृष्टिकोण प्रस्तुत गर्दछौं। यो सडकको शीर्ष दृश्य उत्पन्न गर्नमा आधारित छ, छनौट उन्मुख ग्यासियन फिल्टरहरू प्रयोग गरेर फिल्टरिङ गर्दै, बेजियर स्प्लिन्स फिट गर्नका लागि नयाँ र छिटो RANSAC एल्गोरिथ्मलाई प्रारम्भिक अनुमानहरू दिन RANSAC लाइन फिटिंग प्रयोग गरेर, जुन त्यसपछि पोस्ट-प्रोसेसिंग चरण द्वारा पछ्याइएको छ। हाम्रो एल्गोरिथ्मले सडकको विभिन्न अवस्थाहरूमा स्थिर छविहरूमा सबै लेनहरू पत्ता लगाउन सक्छ, जबकि 50 हर्ट्जको दरमा सञ्चालन गर्दै र अघिल्लो प्रविधिहरूको तुलनामा परिणामहरू प्राप्त गर्दछ।
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	अनलाइन समीक्षा र सिफारिसहरूको उपलब्धतामा भएको घातीय वृद्धिले भावना वर्गीकरणलाई शैक्षिक र औद्योगिक अनुसन्धानमा रोचक विषय बनाएको छ। समीक्षाले यति धेरै फरक-फरक क्षेत्रहरूलाई समेट्न सक्छ कि ती सबैका लागि एनोटेट गरिएको प्रशिक्षण डाटा संकलन गर्न गाह्रो छ। यसैले, यो कागजले भावना वर्गीकरणकर्ताहरूको लागि डोमेन अनुकूलनको समस्याको अध्ययन गर्दछ, यसैले एक प्रणालीलाई एक स्रोत डोमेनबाट लेबल गरिएको समीक्षामा प्रशिक्षित गरिन्छ तर अर्कोमा तैनाथ गर्नको लागि हो। हामी एउटा गहिरो सिकाइ दृष्टिकोण प्रस्ताव गर्छौं जसले प्रत्येक समीक्षाको लागि एक अर्थपूर्ण प्रतिनिधित्व निकाल्न सिक्छ एक अनसुर्धित फैशनमा। अमेजनले आफ्नो उत्पादनको मूल्य निर्धारणको लागि एक विशेष प्रणालीको विकास गरेको छ, जसले अमेजनको उत्पादनको मूल्य निर्धारणको लागि एक विशेष प्रणालीको विकास गर्दछ। यसबाहेक, यो विधि राम्रोसँग मापन गर्न सकिन्छ र हामीलाई २२ डोमेनको ठूलो औद्योगिक-शक्ति डाटासेटमा डोमेन अनुकूलन सफलतापूर्वक प्रदर्शन गर्न अनुमति दियो।
7cbbe0025b71a265c6bee195b5595cfad397a734	मानिसहरु कुर्सीहरुसँग बारम्बार अन्तरक्रिया गर्छन्, जसले उनीहरुलाई सम्भावित स्थान बनाउँछ निहित स्वास्थ्य अनुभूति गर्नका लागि जुन प्रयोगकर्ताहरु द्वारा कुनै अतिरिक्त प्रयासको आवश्यकता पर्दैन। हामीले ५५० जना सहभागीलाई सोधपुछ गर्यौं कि मानिसहरु कुर्सीमा कसरी बस्छन् र कुर्सीको डिजाइनको बारेमा जानकारी गराउन जसले क्रमशः कुर्सीको आर्मरेस्ट र ब्याकरेस्टबाट मुटु र श्वासप्रश्वासको दर पत्ता लगाउँछ। १८ जना सहभागीहरूसँग गरिएको प्रयोगशाला अध्ययनमा हामीले हृदय गति र श्वासप्रश्वासको दर पत्ता लगाउन सम्भव हुने समय (हृदयको दरको लागि ३२% समय, श्वासप्रश्वासको दरको लागि ५२% समय) र पत्ता लगाइएको दरको शुद्धताको मूल्याङ्कन गर्न सामान्य बस्ने स्थितिहरूको दायराको मूल्याङ्कन गर्यौं (हृदयको दरको लागि ८३%, श्वासप्रश्वासको दरको लागि ७३%) । हामी यो अनुभूतिलाई जंगली क्षेत्रमा लैजाने चुनौतीको बारेमा चर्चा गर्छौं जसमा ११ जना सहभागीहरूसँग ४० घण्टाको अध्ययनको मूल्यांकन गरिएको छ। हामी देखाउँछौं, एउटा निहित सेन्सरको रूपमा, कुर्सीले यसको बासिन्दाबाट महत्वपूर्ण संकेत डेटा संकलन गर्न सक्छ कुर्सीसँग प्राकृतिक अन्तरक्रियाको माध्यमबाट।
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	यो स्वायत्त वाहन एक मोबाइल रोबोट हो जसमा बहु-सेन्सर नेभिगेसन र पोजिशनिंग, बुद्धिमान निर्णय लिने र नियन्त्रण प्रविधि समावेश छ। यस लेखमा बुद्धिमान अग्रगामी नामक स्वायत्त वाहनको नियन्त्रण प्रणाली वास्तुकला प्रस्तुत गरिएको छ र अज्ञात वातावरणमा प्रभावकारी रूपमा नेभिगेट गर्न मार्ग ट्र्याकिंग र गति स्थिरताको बारेमा छलफल गरिएको छ। यस दृष्टिकोणमा, दुई डिग्री-स्वतन्त्रता गतिशील मोडेल राज्य स्थान ढाँचामा मार्ग-ट्र्याकिंग समस्याको सूत्र गर्न विकसित गरिएको छ। तत्काल पथ त्रुटि नियन्त्रण गर्नका लागि, परम्परागत नियन्त्रकहरूले प्यारामिटर परिवर्तन र गडबडीको विस्तृत दायरामा प्रदर्शन र स्थिरता ग्यारेन्टी गर्नमा कठिनाई अनुभव गर्दछन्। त्यसैले, एक नयाँ विकसित अनुकूलन-PID नियन्त्रक प्रयोग गरिनेछ। यो दृष्टिकोण प्रयोग गरेर सवारी साधन नियन्त्रण प्रणालीको लचिलोपन बढाइनेछ र ठूलो फाइदा प्राप्त हुनेछ। हामी इन्टेलिजेन्ट पायोनियर र यो दृष्टिकोण प्रयोग गरेर स्वायत्त वाहनको उदाहरण र परिणामहरू प्रदान गर्दछौं जुन २०१० र २०११ को चीनको भविष्य चुनौतीमा प्रतिस्पर्धा गर्यो। इन्टेलिजेन्ट पायोनियरले सबै प्रतियोगिता कार्यक्रमहरू पूरा गर्यो र २०१० मा पहिलो स्थान र २०११ मा तेस्रो स्थान जित्यो।
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	प्रतिस्पर्धी एमएनआईएसटी हस्तलिखित अंक पहिचान बेन्चमार्कको लामो इतिहास छ र यसले सन् १९९८ देखि नै रेकर्ड तोडेको छ। अन्यले गरेको सबैभन्दा पछिल्लो प्रगति ८ वर्ष पहिलेको हो (त्रुटि दर ०.४%) । साधारण बहु-तहको पर्सेप्ट्रोनहरूको लागि राम्रो पुरानो अन-लाइन ब्याक-प्रोपागनेसनले एकल एमएलपीको साथ एमएनआईएसटी हस्तलिखित अंक बेन्चमार्कमा ०.३५% र सात एमएलपीको समितिमा ०.३१% त्रुटि दर दिन्छ। २०११ सम्म यो उपलब्धि हासिल गर्न हामीलाई चाहिने सबै कुरा धेरै लुकेका तहहरू, प्रत्येक तहमा धेरै न्यूरोनहरू, धेरै विकृत प्रशिक्षण छविहरू अति फिटिंगबाट बच्न, र ग्राफिक्स कार्डहरू सिक्ने गति बढाउन।
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	बिटकॉइन एक वितरित डिजिटल मुद्रा हो जसले धेरै प्रयोगकर्ताहरूलाई आकर्षित गरेको छ। हामीले बिटकॉइनलाई यति सफल किन बनायो भन्ने बुझ्नको लागि गहन अनुसन्धान गर्यौं, जबकि क्रिप्टोग्राफिक ई-नगदमा दशकौंको अनुसन्धानले ठूलो स्तरमा प्रयोग गर्न सकेन। हामी यो पनि सोध्छौं कि बिटकॉइन कसरी लामो समयसम्म स्थिर मुद्राको लागि राम्रो उम्मेदवार बन्न सक्छ। यस्तो गर्दा, हामी बिटकॉइनका धेरै मुद्दाहरू र आक्रमणहरू पहिचान गर्छौं, र तिनीहरूलाई सम्बोधन गर्न उपयुक्त प्रविधिहरू प्रस्ताव गर्दछौं।
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	यस लेखमा पाँचौं पुस्ता (५जी) पूर्ण आयाम बहु-प्रवेश बहु-आउटपुट (एफडी-एमआईएमओ) प्रणालीको लागि २९ गीगाहर्ज आवृत्तिमा डब्ल्यूआर२८ वेव गाइडमा आधारित बीम स्टेरिबल उच्च लाभ चरणबद्ध एरे एन्टेनाको नयाँ डिजाइन अवधारणा प्रस्तुत गरिएको छ। ८×८ समतल चरणबद्ध एरेलाई त्रि-आयामिक बीमफार्मरद्वारा खुवाइएको छ जसले अजिमुथ र उचाइ दिशा दुवैमा -६० देखि +६० डिग्रीसम्मको भोल्युमेट्रिक बीम स्क्यानिङ प्राप्त गर्दछ। बीमफर्मिङ नेटवर्क (बीएफएन) लाई ६४ बीम स्टेट्स प्राप्त गर्नका लागि ८×८ बटलर म्याट्रिक्स बीमफर्मरको १६ सेट प्रयोग गरी डिजाइन गरिएको छ, जसले क्षैतिज र ठाडो कोणलाई नियन्त्रण गर्दछ। यो एक नयाँ अवधारणा हो जसले ५जी अनुप्रयोगका लागि का ब्यान्डमा भोल्युमेट्रिक मल्टीबीमका लागि वेभ गाइडमा आधारित उच्च शक्ति त्रि-आयामिक बीमफर्मर डिजाइन गर्न सक्छ। चरणबद्ध एरेको अधिकतम लाभ २८.५ डीबीआई हो जसले २८.९ गीगाहर्ट्जदेखि २९.४ गीगाहर्ट्जसम्मको आवृत्ति ब्यान्डलाई समेट्छ।
34feeafb5ff7757b67cf5c46da0869ffb9655310	कम पावर वायरलेस सेन्सर नेटवर्कका लागि वातावरणीय उर्जा एक आकर्षक उर्जा स्रोत हो। हामी प्रोमेथियस प्रस्तुत गर्दछौं, एउटा यस्तो प्रणाली जसले मानव हस्तक्षेप वा सेवा बिना अनन्त सञ्चालनको लागि ऊर्जा स्थानान्तरणको बुद्धिमानी व्यवस्थापन गर्दछ। विभिन्न ऊर्जा भण्डारण तत्वहरूको सकारात्मक विशेषताहरूको संयोजन र माइक्रोप्रोसेसरको बुद्धिको उपयोग गरेर, हामी एक कुशल बहु-चरण ऊर्जा स्थानान्तरण प्रणाली प्रस्तुत गर्दछौं जसले एकल ऊर्जा भण्डारण प्रणालीको सामान्य सीमितताहरूलाई कम गर्दछ लगभग अनन्त अपरेशन प्राप्त गर्न। हामी हाम्रो डिजाइन विकल्पहरू, व्यापार-अफहरू, सर्किट मूल्यांकनहरू, प्रदर्शन विश्लेषण, र मोडेलहरू प्रस्तुत गर्दछौं। हामी प्रणाली घटकहरू बीचको सम्बन्धको बारेमा छलफल गर्छौं र अनुप्रयोगको आवश्यकताहरू पूरा गर्न इष्टतम हार्डवेयर विकल्पहरू पहिचान गर्दछौं। अन्तमा हामी एउटा वास्तविक प्रणालीको कार्यान्वयन प्रस्तुत गर्दछौं जसले सौर्य ऊर्जाको प्रयोग गरेर बर्कलेको टेलोस मोटेलाई शक्ति प्रदान गर्दछ। हाम्रो विश्लेषणले प्रणाली ४३ वर्ष १ प्रतिशत लोडमा, ४ वर्ष १० प्रतिशत लोडमा र १ वर्ष १०० प्रतिशत लोडमा सञ्चालन हुने अनुमान गरेको छ। हाम्रो कार्यान्वयनमा दुई चरणको भण्डारण प्रणाली प्रयोग गरिएको छ जसमा सुपर क्यान्डेसिटर (प्राथमिक बफर) र लिथियम रिचार्जेबल ब्याट्री (द्वितीयक बफर) समावेश छ। यो मोटलाई शक्ति स्तरको पूर्ण ज्ञान छ र यसले जीवनकाललाई अधिकतम बनाउन ऊर्जाको स्थानान्तरणलाई बुद्धिमानीपूर्वक व्यवस्थापन गर्छ।
3689220c58f89e9e19cc0df51c0a573884486708	एम्बिमेक्स एक ऊर्जा संकलन सर्किट र एक सुपरकन्डेन्सेटर आधारित ऊर्जा भण्डारण प्रणाली हो जुन वायरलेस सेन्सर नोड (डब्लुएसएन) को लागि हो। यसअघि डब्लुएसएनले विभिन्न स्रोतबाट ऊर्जा संकलन गर्ने प्रयास गरेका थिए र केहीले ब्याट्रीको सट्टा सुपरकन्डेन्सेटरको प्रयोग गरेर ब्याट्रीको वृद्धिको समस्या समाधान गरेका थिए। तर, या त उनीहरूले इम्प्याडेन्स मिसम्याचको कारण धेरै उपलब्ध ऊर्जा खेर फाल्छन्, वा तिनीहरूलाई सक्रिय डिजिटल नियन्त्रण चाहिन्छ जुन ओभरहेडमा पर्दछ, वा तिनीहरू केवल एक विशिष्ट प्रकारको स्रोतको साथ काम गर्दछन्। एम्बिमेक्सले यी समस्याहरूलाई पहिले अधिकतम पावर प्वाइन्ट ट्र्याकिङ (एमपीपीटी) स्वायत्त रूपमा प्रदर्शन गरेर समाधान गर्दछ, र त्यसपछि सुपरकन्डेन्सेटरहरूलाई अधिकतम दक्षतामा चार्ज गर्दछ। यसबाहेक, एम्बिमेक्स मोड्युलर छ र सौर्य, वायु, थर्मल, र कम्पन सहित बहु ऊर्जा कटाई स्रोतहरूको संरचना सक्षम गर्दछ, प्रत्येक एक फरक इष्टतम आकारको साथ। वास्तविक WSN प्लेटफर्म, इकोमा प्रयोगात्मक परिणामहरूले देखाउँदछ कि AmbiMax सफलतापूर्वक एक साथ र स्वायत्त रूपमा WSNs को लागि हालको राज्यको कलाको दक्षतामा धेरै शक्ति स्रोतहरू प्रबन्ध गर्दछ
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	कम ऊर्जाको कम लागतको उच्च दक्षता अधिकतम पावर प्वाइन्ट ट्र्याकर (एमपीपीटी) लाई फोटोभोल्टिक (पीवी) प्यानलमा एकीकृत गर्न प्रस्ताव गरिएको छ। यसको परिणाम स्वरूप २५ प्रतिशत ऊर्जा वृद्धि हुन्छ, जबकि ब्याट्रीको भोल्टेज नियमन र लोडसँग PV एरेको मिलान जस्ता कार्यहरू गर्दछन्। बाह्य रूपमा जडित MPPT को सट्टा, यो PV प्यानल को भाग को रूप मा एक एकीकृत MPPT कनवर्टर को उपयोग गर्न को लागी प्रस्तावित छ। यो एकीकृत एमपीपीटीमा लागत प्रभावकारी हुनको लागि एउटा सरल नियन्त्रक प्रयोग गर्ने प्रस्ताव गरिएको छ। यसबाहेक, कन्भर्टर धेरै कुशल हुनु पर्छ, ताकि प्रत्यक्ष रूपमा जोडिएको प्रणाली भन्दा लोडमा अधिक ऊर्जा स्थानान्तरण गर्न सकियोस्। यो सरल नरम-स्विच गरिएको टोपोलोजी प्रयोग गरेर प्राप्त गरिन्छ। कम लागतमा धेरै उच्च रूपान्तरण दक्षता यसैले परिणाम हुनेछ, MPPT साना PV ऊर्जा प्रणाली को लागी एक सस्तो समाधान बनाउने।
61c1d66defb225eda47462d1bc393906772c9196	वायरलेस सेन्सर नेटवर्कको विशाल सम्भावनाले हाम्रो समाजमा सकारात्मक प्रभाव पार्न सक्छ, यस विषयमा धेरै अनुसन्धान भएको छ र यो अनुसन्धानले अब वातावरण-तयार प्रणालीहरू उत्पादन गरिरहेको छ। हालको टेक्नोलोजी सीमाहरू व्यापक रूपमा भिन्न अनुप्रयोग आवश्यकताहरूको साथ संयुक्त डिजाइन स्पेसको विभिन्न भागहरूको लागि हार्डवेयर प्लेटफर्मको विविधतामा नेतृत्व गर्दछ। यसको अतिरिक्त, एक प्रणालीको अनौठो ऊर्जा र विश्वसनीयता प्रतिबन्धहरू जुन मानव हस्तक्षेप बिना एक पटकमा महिनाको लागि काम गर्नुपर्दछ यसको मतलब यो हो कि सेन्सर नेटवर्क हार्डवेयरमा मागहरू मानक एकीकृत सर्किटहरूमा मागहरू भन्दा फरक छन्। यस लेखमा हामीले सेन्सर नोडहरू र तिनीहरूलाई नियन्त्रण गर्नका लागि सफ्टवेयरको डिजाइन गर्ने बारेमा अध्ययन गरेका छौं। जबरानेट प्रणालीमा हामी जीपीएस प्रविधिको प्रयोग गरेर साना-अंकको स्थान डेटा रेकर्ड गर्छौं ताकि लामो समयसम्म पशुहरूको प्रवासलाई ट्र्याक गर्न सकियोस् । जेब्रानेट हार्डवेयर १६ बिटको टीआई माइक्रो कन्ट्रोलर, ४ एमबिटको अफ-चिप फ्ल्यास मेमोरी, ९०० मेगाहर्ट्जको रेडियो र कम पावरको जीपीएस चिपबाट बनेको छ। यस लेखमा हामी सेन्सर नेटवर्कका लागि दक्ष विद्युत आपूर्तिहरू, नोडहरूको ऊर्जा खपत व्यवस्थापन गर्ने विधिहरू, र रेडियो, फ्ल्यास र सेन्सरहरू सहित परिधीय उपकरणहरू व्यवस्थापन गर्ने विधिहरूबारे छलफल गर्नेछौं। हामी जेब्रानेट नोडहरूको डिजाइनको मूल्याङ्कन गरेर र यसलाई कसरी सुधार गर्न सकिन्छ भन्नेबारे छलफल गरेर निष्कर्ष निकाल्छौं। यो हार्डवेयर विकास गर्दा हामीले सिकेका कुराहरू भविष्यमा प्रयोग हुने सेन्सर नोडहरू डिजाइन गर्दा र वास्तविक प्रणालीमा प्रयोग गर्दा उपयोगी हुन सक्छन्।
146da74cd886acbd4a593a55f0caacefa99714a6	कृत्रिम बुद्धिको विकासले प्रविधिको क्षेत्रमा उत्प्रेरकको रूपमा काम गरेको छ। हामी अहिले कल्पनामा मात्र सीमित रहेका कुराहरुको विकास गर्न सक्छौं। एउटा यस्तो आविष्कार हो, स्व-ड्राइभिङ कारको जन्म । आजका दिनहरूमा मानिसले आफ्नो काम गर्न सक्छ वा गाडीमा सुत्न सक्छ र स्टीयरिंग व्हील, एक्सेलेटरलाई छुनु नपर्ने भए पनि आफ्नो गन्तव्यमा सुरक्षित रूपमा पुग्न सक्छ। यस लेखमा एउटा यस्तो कारको काम गर्ने मोडेलको प्रस्ताव गरिएको छ, जुन एक स्थानबाट अर्को स्थानमा या विभिन्न प्रकारका ट्रयाकमा जस्तै घुमाउरो ट्रयाक, सीधा ट्रयाक र सीधा ट्रयाक पछि घुमाउरो ट्रयाकमा चलाउन सक्षम छ। एउटा क्यामेरा मोड्युल कारको माथिल्लो भागमा रास्पबेरी पाईको साथमा राखिएको छ जसले वास्तविक संसारबाट छविहरू कन्भोल्युसनल न्युरल नेटवर्कमा पठाउँदछ जसले त्यसपछि निम्न दिशाहरू मध्ये एकको भविष्यवाणी गर्दछ। अर्थात् दायाँ, बायाँ, अगाडि वा रोक्नुहोस् जसलाई पछि अर्डिनोबाट रिमोट कन्ट्रोल कारको कन्ट्रोलरमा सिग्नल पठाइन्छ र यसको परिणाम स्वरूप कार कुनै पनि मानव हस्तक्षेप बिना इच्छित दिशामा सर्छ।
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	हामी विरल क्यानोनिकल सहसंबंध विश्लेषण (सीसीए) को समस्यालाई विचार गर्दछौं, अर्थात् दुई रैखिक कम्बि राष्ट्रहरूको खोजी, प्रत्येक बहुभिन्नरूपको लागि एक, जसले निर्दिष्ट संख्यामा चरहरूको प्रयोग गरेर अधिकतम सहसंबंध उत्पन्न गर्दछ। हामी एक कुशल संख्यात्मक अनुमान प्रस्ताव गर्दछौं जुन प्रत्यक्ष लोभी दृष्टिकोणमा आधारित छ जुन प्रत्येक चरणमा सहसंबंधलाई सीमित गर्दछ। यो विधि विशेष रूपमा ठूलो डाटा सेटको सामना गर्न डिजाइन गरिएको छ र यसको कम्प्युटेशनल जटिलता केवल स्पायरिटी स्तरहरूमा निर्भर गर्दछ। हामी एल्गोरिथ्मको प्रदर्शनको विश्लेषण गर्छौं सहसंयोजक र सञ्चयको बीचको व्यापारको माध्यमबाट। संख्यात्मक सिमुलेसनको नतिजाले सुझाव दिन्छ कि सहसंबंधको एक महत्त्वपूर्ण भाग अपेक्षाकृत थोरै संख्यामा भेरिएबलहरू प्रयोग गरेर कब्जा गर्न सकिन्छ। यसको अतिरिक्त, हामीले विरल सीसीएको प्रयोगलाई नियमितकरण विधिको रूपमा जाँच गर्यौं जब उपलब्ध नमूनाहरूको संख्या बहु-भिन्नताहरूको आयामहरूको तुलनामा सानो हुन्छ। कैननिकल सहसंबंध विश्लेषण (सीसीए), Harol d Hotelling [1] द्वारा प्रस्तुत गरिएको, डाटा स्रोतहरूको एक जोडीबाट साझा सुविधाहरू निकाल्न बहु-भिन्नरूपी डाटा एन lysis मा एक मानक प्रविधि हो, [2] [3]। यी डाटा स्रोतहरु मध्ये प्रत्येकले एक यादृच्छिक वेक्टर r उत्पन्न गर्दछ जसलाई हामी बहु-भिन्नरूपी भन्छौं। क्लासिकल आयामियता घटाउने विधिहरू जस्तो कि एक बहु-भिन्नतालाई सम्बोधन गर्दछ, सीसीएले दुई ठाउँबाट सम्भवतः फरक आयाम र संरचनाका नमूनाहरू बीचको सांख्यिकीय सम्बन्धहरूलाई ध्यानमा राख्छ। विशेष गरी, यसले दुई रैखिक संयोजनहरू खोज्छ, प्रत्येक बहु-भिन्नताका लागि एक, उनीहरूको सहसंबंध अधिकतम गर्न। यो विभिन्न विषयहरूमा एक स्ट्यान्ड-अलोन उपकरणको रूपमा वा अन्य सांख्यिकीय विधिहरूको लागि पूर्व-प्रसंस्करण चरणको रूपमा प्रयोग गरिन्छ। यसबाहेक, सीसीए एक सामान्यीकृत ढाँचा हो जसमा तथ्याङ्कमा धेरै शास्त्रीय विधिहरू समावेश छन्, जस्तै, मुख्य घटक विश्लेषण (पीसीए), आंशिक न्यूनतम वर्गहरू (पीएलएस) र बहु रैखिक प्रतिगमन (एमएलआर) । हालै कर्नेल सीसीए र यसको स्वतन्त्र घटक विश्लेषणमा यसको प्रयोगको साथ सीसीएले ध्यान प्राप्त गरेको छ [५], [६] । पछिल्लो दशकमा संकेतहरूको विरल प्रतिनिधित्व र विरल संख्यात्मक विधिहरूको खोजीमा बढ्दो चासो देखिएको छ। यस प्रकार, हामी विरल सीसीए को समस्या विचार, अर्थात्, अधिकतम सहसंबंध संग रैखिक संयोजन को लागी खोज चर को एक सानो संख्या को उपयोग गरेर। विभिन्न तर्कहरूको माध्यमबाट स्परसिटीको खोजीलाई प्रेरित गर्न सकिन्छ। पहिलो, परिणामको व्याख्या र दृश्य क्षमता हो। थोरै संख्यामा भेरिएबलले हामीलाई ठूलो चित्र प्राप्त गर्न अनुमति दिन्छ, जबकि केही साना विवरणहरू त्यागेर। यसबाहेक, spars e प्रतिनिधित्व गणनात्मक कुशल प्रयोग गर्न सक्षम t पहिलो दुई लेखकहरूले यस पाण्डुलिपिमा समान योगदान दिए। यस कार्यलाई अंशतः एफएओएसआर मुरीद्वारा अनुदान एफए९५५०-०६-१-० ३२४ अन्तर्गत सहयोग गरिएको थियो। दोस्रो कारण भनेको नियमितता र स्थिरता हो । सीसीएको मुख्य कमजोरी भनेको यसको कम संख्यामा अवलोकनहरूको संवेदनशीलता हो। यसैले, नियमित विधिहरू जस्तै रिज सीसीए [7] प्रयोग गर्नुपर्दछ। यस सन्दर्भमा, स्पायर सीसीए एक उपसेट चयन योजना हो जसले हामीलाई भेक्टरहरूको आयामहरू कम गर्न र स्थिर समाधान प्राप्त गर्न अनुमति दिन्छ। हाम्रो ज्ञानको सर्वश्रेष्ठमा, पहिलो सन्दर्भमा कम सीसीए देखा पर्यो [2] जहाँ पछाडि र चरणबद्ध उपसमूह चयन प्रस्ताव गरिएको थियो। यो छलफल गुणात्मक थियो र कुनै विशेष संख्यात्मक एल्गोरिथ्म प्रस्ताव गरिएको थिएन। हालसालै, बहुआयामिक डाटा प्रोसेसिंगको लागि बढ्दो माग र कम्प्युटेशनल लागत घटाउँदा यस विषयलाई फेरि प्रख्यात हुन पुगेको छ []] - []] । यी वर्तमान समाधानहरूको मुख्य बेफाइदाहरू यो हो कि त्यहाँ sparsity मा कुनै प्रत्यक्ष नियन्त्रण छैन र यो गाह्रो छ (र nonintuitive) तिनीहरूको इष्टतम hyperparameters चयन गर्न। यसको अतिरिक्त, यी विधिहरूको अधिकांशको गणनात्मक जटिलता उच्च आयामी डाटा सेटको साथ व्यावहारिक अनुप्रयोगहरूको लागि धेरै उच्च छ। विरल सीसीए पनि अप्रत्यक्ष रूपमा सम्बोधन गरिएको छ []] []] र d विरल पीसीएमा भर्खरका परिणामहरूसँग नजिकको सम्बन्ध छ []] []] - []]। वास्तवमा, हाम्रो प्रस्तावित समाधान सीसीएमा [17] मा परिणामहरूको विस्तार हो। यस कार्यको मुख्य योगदान दुई प्रकारको छ। पहिलो, हामी सीसीए एल्गोरिदमहरू प्रत्येक बहुभिन्नरूपीमा विरलतामा प्रत्यक्ष नियन्त्रणको साथ निकाल्छौं र तिनीहरूको प्रदर्शनको जाँच गर्छौं। हाम्रो गणनात्मक रूपमा कुशल विधिहरू विशेष रूपमा दुई ठूला आयामहरूको डाटा सेटहरू बीचको सम्बन्ध बुझ्नको लागि प्रयोग गरिन्छ। हामी एक अग्रिम (वा पछाडि) लोभी दृष्टिकोण अपनाउँछौं जुन क्रमशः चयन (वा ड्रप) चरमा आधारित छ। प्रत्येक चरणमा, हामीले इष्टतम सीसीए समाधानलाई बाँध्यौं र सम्पूर्ण समस्या समाधान गर्न आवश्यक पर्दछ। यसबाहेक, अगाडी लोभी विधि को कम्प्यूटेशनल जटिलता डाटा को आयाम मा निर्भर गर्दैन तर केवल sparsity मापदण्डहरु मा। संख्यात्मक सिमुलेसन परिणामहरूले देखाउँदछ कि सहसंबंधको एक महत्त्वपूर्ण भागमा तुलनात्मक रूपमा कम संख्यामा गैर-शून्य गुणांकहरूको प्रयोग गरेर कुशलतापूर्वक क्याप्चर गर्न सकिन्छ। हाम्रो दोस्रो योगदान नियमितकरण विधिको रूपमा विरल सीसीएको अनुसन्धान हो। अनुभवजन्य सिमुलेशन प्रयोग गरेर हामी विभिन्न एल्गोरिदमको प्रयोगको जाँच गर्छौं जब बहुभिन्नरूपहरूको आयाम नमूनाहरूको संख्या भन्दा ठूलो हुन्छ (वा समान क्रमको) र विरल सीसीएको फाइदा प्रदर्शन गर्दछ। यस सन्दर्भमा, लोभी दृष्टिकोणको एक फाइदा यो हो कि यसले एकल रनमा पूर्ण स्परसिटी मार्ग उत्पन्न गर्दछ र प्रयोग गरेर कुशल प्यारामिटर ट्यूनिंगको लागि अनुमति दिन्छ।
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	सूचनालाई लामो समयसम्म भण्डारण गर्न सिक्नु धेरै लामो समय लाग्छ, प्रायः अपर्याप्त, क्षयशील त्रुटि ब्याकफ्लोको कारण। हामी संक्षेपमा Hochreiter को (1991) यस समस्या को विश्लेषण को समीक्षा, त्यसपछि लामो छोटो अवधि स्मृति (LSTM) भनिन्छ एक उपन्यास, कुशल, ढाँचा आधारित विधि परिचय गरेर यसलाई सम्बोधन। एलएसटीएमले कम समयमै १००० भन्दा बढी फरक-फरक समयका चरणहरू पार गर्न सिक्न सक्छ। गुणन गेट एकाइहरूले निरन्तर त्रुटि प्रवाहमा पहुँच खोल्न र बन्द गर्न सिक्छन्। LSTM स्थान र समय मा स्थानीय छ; यसको कम्प्यूटेशनल जटिलता प्रति समय चरण र वजन O हो। १. कृत्रिम डाटाका साथ हाम्रा प्रयोगहरूमा स्थानीय, वितरित, वास्तविक-मूल्यवान, र हल्लापूर्ण ढाँचा प्रतिनिधित्वहरू समावेश छन्। वास्तविक समयको पुनरावर्ती सिकाइ, समयको माध्यमबाट पछाडि प्रसारण, पुनरावर्ती क्यास्केड सहसंबंध, एल्मान नेटहरू, र न्यूरल अनुक्रम कन्ट्याकिंगको तुलनामा, LSTM ले धेरै सफल रनहरू निम्त्याउँछ, र धेरै छिटो सिक्छ। एलएसटीएमले जटिल, कृत्रिम लामो समय-ढिलाइ कार्यहरू पनि समाधान गर्दछ जुन पहिले कहिल्यै पुनरावर्ती नेटवर्क एल्गोरिदमहरू द्वारा समाधान गरिएको छैन।
9eb67ca57fecc691853636507e2b852de3f56fac	यसअघिका अध्ययनहरूले संकेत गरेका छन् कि शब्द र पाठको अर्थपूर्ण प्रतिनिधित्वहरू न्यूरल इम्बेडिङ मोडेलहरू मार्फत प्राप्त गर्न सकिन्छ। विशेष गरी, अनुच्छेद वेक्टर (पीवी) मोडेलहरूले कागजात (विषय) स्तर भाषा मोडेलको अनुमान गरेर केही प्राकृतिक भाषा प्रसंस्करण कार्यहरूमा प्रभावशाली प्रदर्शन देखाएका छन्। तर, पीवी मोडललाई परम्परागत भाषा मोडलको साथ एकीकृत गर्दा अस्थिर प्रदर्शन र सीमित सुधार हुन्छ । यस कागजमा, हामी औपचारिक रूपमा मूल PV मोडेलको तीन आन्तरिक समस्याहरूको बारेमा छलफल गर्दछौं जसले पुनः प्राप्ति कार्यहरूमा यसको प्रदर्शनलाई सीमित गर्दछ। हामी मोडेलमा भएका परिमार्जनहरूको पनि वर्णन गर्दछौं जसले यसलाई आईआर कार्यको लागि उपयुक्त बनाउँदछ, र प्रयोगहरू र केस स्टडीहरूको माध्यमबाट उनीहरूको प्रभाव देखाउँदछ। हामीले सम्बोधन गर्ने तीनवटा मुद्दाहरू हुन् (1) पीवीको अनियमित प्रशिक्षण प्रक्रिया छोटो कागजातको ओभरफिटिंगको लागि कमजोर छ जसले अन्तिम पुनः प्राप्ति मोडेलमा लम्बाई पूर्वाग्रह उत्पन्न गर्दछ; (2) पीवीको कर्पस-आधारित नकारात्मक नमूनाले शब्दहरूको लागि वजन योजनामा पुर्याउँछ जुन प्रायः शब्दहरूको महत्त्वलाई दबाउँछ; र (3) शब्द-सन्दर्भ जानकारीको अभावले पीवीलाई शब्द प्रतिस्थापन सम्बन्धहरू कब्जा गर्न असमर्थ बनाउँछ।
4df321947a2ac4365584a01d78a780913b171cf5	एस्पेक्ट बेस्ड सेन्टिमेन्ट एनालिसिस (एबीएसए) भनेको विशिष्ट संस्था र तिनका पक्षहरूको बारेमा पाठबाट रायहरू खानी र सारांश गर्ने कार्य हो। यस लेखमा फ्रान्सेली भाषाको लागि एबीएसए प्रणालीको विकास र परीक्षणका लागि दुई डाटासेटहरू वर्णन गरिएको छ जसमा प्रासंगिक संस्थाहरू, पक्षहरू र ध्रुवीयता मानहरूको साथ टिप्पणी गरिएको प्रयोगकर्ता समीक्षा समावेश छ। पहिलो डाटासेटमा ४५७ रेस्टुरेन्ट समीक्षाहरू (२३६५ वाक्यहरू) प्रशिक्षण र एबीएसए प्रणालीहरूको परीक्षणको लागि समावेश छन्, जबकि दोस्रोमा १६२ संग्रहालय समीक्षाहरू (६५५ वाक्यहरू) डोमेन बाहिरको मूल्यांकनको लागि समर्पित छन्। दुवै डाटासेटहरू SemEval-2016 कार्य 5 Aspect-Based Sentiment Analysis को भागको रूपमा निर्माण गरिएको थियो जहाँ सात विभिन्न भाषाहरू प्रतिनिधित्व गरिएको थियो, र अनुसन्धान उद्देश्यका लागि सार्वजनिक रूपमा उपलब्ध छन्। यस लेखमा एनोटेशन प्रकारका उदाहरण र तथ्याङ्कहरू प्रदान गरिएको छ, एनोटेशन दिशानिर्देशहरूको सारांश गरिएको छ र उनीहरूको क्रस-भाषा अनुप्रयोगको बारेमा छलफल गरिएको छ। यसले कसरी डाटालाई सेमेभल एबीएसए कार्यमा मूल्यांकनको लागि प्रयोग गरिएको थियो भन्ने पनि वर्णन गर्दछ र छोटकरीमा फ्रान्सेलीको लागि प्राप्त परिणामहरू प्रस्तुत गर्दछ।
2445089d4277ccbec3727fecfe73eaa4cc57e414	यस लेखमा मेसिन अनुवाद प्रणालीको अनुवाद गुणस्तरको मूल्याङ्कन गरिएको छ। यसमा आठ भाषाका जोडीहरू छन्। हामीले व्यापक मानव मूल्याङ्कन गर्यौं जसले हामीलाई विभिन्न एमटी प्रणालीहरूको श्रेणीकरण गर्न मात्र होइन, मूल्यांकन प्रक्रियाको उच्च स्तरको विश्लेषण पनि गर्न अनुमति दियो। हामीले समय र अन्तर-अन्नोटेटर र अन्तर-अन्नोटेटर सम्झौता तीन प्रकारका व्यक्तिपरक मूल्यांकनको लागि मापन गरेका छौं। हामीले स्वचालित मूल्याङ्कनको मापनको सम्बन्धलाई मानव निर्णयसँग मापन गर्यौं। यो मेटा-मूल्याङ्कनले सबैभन्दा सामान्य प्रयोग हुने विधिहरूको बारेमा आश्चर्यजनक तथ्यहरू प्रकट गर्दछ।
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	एक सर्कुलर ध्रुवीकृत एकल-तह यू-स्लट माइक्रोस्ट्रिप प्याच एन्टेना प्रस्ताव गरिएको छ। प्रस्तावित असममित यू-स्लटले प्रोब-फिड स्क्वायर प्याच माइक्रोस्ट्रिप एन्टेनाको कुनै पनि कुनालाई चम्फेर नगरी परिपत्र ध्रुवीकरणका लागि दुई ओर्थोगोनल मोडहरू उत्पन्न गर्न सक्छ। यु स्लटको विभिन्न हातको लम्बाइले पार्ने प्रभावको अनुसन्धान गर्न एउटा प्यारामिटर अध्ययन गरिएको छ। फोम सब्सट्रेटको मोटाई सञ्चालन आवृत्तिमा तरंगदैर्ध्यको लगभग ८.५% हुन्छ। एन्टेनाको ३ डीबी अक्षीय अनुपात ब्यान्डविथ ४% छ। एन्टेनाको प्रयोगात्मक र सैद्धान्तिक परिणामहरू प्रस्तुत र छलफल गरिएको छ। वृत्तीय ध्रुवीकरण, छापिएको एन्टेना, यू-स्लट।
9462cd1ec2e404b22f76c88b6149d1e84683acb7	यस पत्रमा, एक वाइडब्यान्ड कम्प्याक्ट सर्कुलरली पोलराइज्ड (सीपी) प्याच एन्टेना प्रस्ताव गरिएको छ। यो प्याच एन्टेनामा छापिएको मेन्डरिंग प्रोब (एम-प्रोब) र ट्रन्क्टेड प्याचहरू हुन्छन् जसले वाइडब्यान्ड सीपी अपरेशन उत्पन्न गर्न ओर्थोगोनल रेजोनन्ट मोडहरू उत्तेजित गर्दछ। स्ट्याक्ड प्याचलाई एक्सियल-रेशियो (एआर) ब्यान्डविथलाई ५जी वाइ-फाई एप्लिकेसनमा फिट गर्नका लागि प्रयोग गरिन्छ। प्रस्तावित एन्टेनाले क्रमशः ४२.३ प्रतिशत प्रतिरोध ब्यान्डविथ र १६.८ प्रतिशत एआर ब्यान्डविथ प्राप्त गर्दछ। एआर ब्यान्डविथ भित्र औसत लाभ ६.६ डीबीआईसी छ र ०.५ डीबीआईसी भन्दा कम परिवर्तन छ। यो कार्यले एम-सोनडले पोषित सीपी प्याच एन्टेनाको ब्यान्डविड्थ विस्तार गर्ने प्रविधिलाई प्रदर्शन गर्दछ। यो पहिलो अध्ययन हो जसले अनुसन्धान र प्रदर्शन गर्दछ कि एम-सन्डेले डाइलेक्ट्रिक लोडेड प्याच एन्टेनामा पनि वाइडब्यान्ड विशेषताहरू प्रदान गर्न सक्छ। एन्टेनाको सम्भावित अनुप्रयोगहरू 5G वाइफाइ र उपग्रह संचार प्रणाली हुन्।
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	यस लेखमा हामी वास्तविक समयमा बहु विशिष्ट थ्रीडी वस्तुहरू पत्ता लगाउनको लागि नयाँ विधि प्रस्ताव गर्दछौं। हामी टेम्प्लेटमा आधारित दृष्टिकोणबाट सुरु गर्छौं जुन हालै Hinterstoisser et al द्वारा प्रस्तुत गरिएको LINE2D/LINEMOD प्रतिनिधित्वमा आधारित छ, तर यसलाई दुई तरिकामा विस्तार गर्दछ। पहिलो, हामी टेम्प्लेटहरू एक भेदभावपूर्ण तरिकामा सिक्ने प्रस्ताव गर्दछौं। हामीले देखाएका छौं कि यो अनलाइनमा गर्न सकिन्छ उदाहरणका तस्बिरहरू संकलन गर्दा, केही मिलिसेकेन्डमा, र डिटेक्टरको शुद्धतामा ठूलो प्रभाव पार्छ। दोस्रो, हामी एउटा योजना प्रस्ताव गर्छौं जुन पत्ता लगाउने गति बढाउनका लागि क्यास्केडमा आधारित छ। वस्तुको पहिचान छिटो हुने हुनाले नयाँ वस्तुहरू धेरै कम लागतमा थप्न सकिन्छ, जसले हाम्रो दृष्टिकोणलाई राम्रो बनाउँछ। हाम्रो प्रयोगमा, हामी सजिलैसँग १०-३० थ्रीडी वस्तुहरू ह्यान्डल गर्न सक्छौं १० फ्रेम प्रति सेकेन्ड भन्दा माथि फ्रेम दरमा एकल सीपीयू कोर प्रयोग गरेर। हामी अत्याधुनिक प्रविधिलाई गति र सटीकता दुवैमा पार गर्छौं, जसरी तीन फरक डाटासेटमा प्रमाणित गरिएको छ। यो दुवै monocular रंग छविहरू प्रयोग गर्दा (LINE2D संग) र RGBD छविहरू प्रयोग गर्दा (LINEMOD संग) पकड गर्दछ। यसबाहेक, हामी १२ वस्तुहरूबाट बनेको एउटा नयाँ डाटासेट प्रस्ताव गर्छौं, जुन मोनोकुलर रङ्गीन चित्रहरूमा भविष्यमा प्रयोग गरिने प्रतिस्पर्धी विधिहरूको लागि हो।
41d103f751d47f0c140d21c5baa4981b3d4c9a76	मानिसहरूले इन्टरनेट वेबलोगहरूमा लेख्ने व्यक्तिगत कथाहरूमा दैनिक घटनाहरू बीचको कारण सम्बन्धको बारेमा पर्याप्त जानकारी समावेश गर्दछ। यस लेखमा हामी यी लाखौं कथाहरू स्वचालित सामान्य तर्कको लागि प्रयोग गर्ने हाम्रो प्रयासको वर्णन गर्दछौं। सामान्य तर्कको कारण तर्क समस्यालाई सम्भावित विकल्पहरूको छनौटको रूपमा कास्ट गर्दै, हामी चार प्रयोगहरू वर्णन गर्दछौं जुन विभिन्न सांख्यिकीय र सूचना पुनःप्राप्ति दृष्टिकोणहरूको तुलना गर्दछ कथा कर्पोरामा कारण जानकारीको शोषण गर्न। यी प्रयोगहरूमा सबैभन्दा राम्रो प्रदर्शन गर्ने प्रणालीले कारण पूर्ववर्ती र परिणाममा शब्दहरू बीचको एक साधारण सह-घटना तथ्याङ्क प्रयोग गर्दछ, लाखौं व्यक्तिगत कथाहरूको शरीरमा शब्दहरू बीचको बिन्दुवार पारस्परिक जानकारीको रूपमा गणना गरिन्छ।
c9d1bcdb95aa748940b85508fd7277622f74c0a4	कम्तिमा एक दशकदेखि सूचना प्रणाली (आईएस) विषयको क्षेत्रमा केस रिसर्चले सम्मान कमाएको छ। केस स्टडीको सान्दर्भिकता र सम्भावित मूल्यको बाबजुद, यो पद्धतिगत दृष्टिकोण एक पटक कम व्यवस्थित मध्ये एक मानिन्थ्यो। सन् १९८० को दशकको अन्त्यतिर पहिलोपटक आईएसको केस रिसर्च कडाइका साथ गरिएको थियो कि थिएन भन्ने प्रश्न उठ्यो । हाम्रो क्षेत्रका अनुसन्धानकर्ताहरू (उदाहरणका लागि, बेन्बासेट एट अल। १९८७; ली १९८९) र अन्य विषयहरू (जस्तै, आइजेनहार्ड १९८९; यिन १९९४) ले केस रिसर्चमा थप कठोरताका लागि आह्वान गरे र उनीहरूको सिफारिसहरू मार्फत केस स्टडी पद्धतिको प्रगतिको लागि योगदान गरे। यी योगदानहरूलाई ध्यानमा राख्दै, यस अध्ययनले आईएसको क्षेत्रमा केस स्टडी विधिको परिचालन प्रयोगमा कति हदसम्म प्रगति भएको छ भनेर निर्धारण गर्ने प्रयास गर्दछ। यस अध्ययनले विगत एक दशकमा गरिएको सकारात्मकवादी आईएस केस अनुसन्धानमा विधिगत कठोरताको स्तरको अनुसन्धान गरेको छ। यो उद्देश्य पूरा गर्न हामीले सात प्रमुख आईएस पत्रिकाहरूबाट १८३ केस लेखहरू पहिचान र कोड गरेका छौं। यस समीक्षामा विचार गरिएका मूल्याङ्कन विशेषताहरू वा मापदण्डहरू तीन मुख्य क्षेत्रमा केन्द्रित छन्, अर्थात् डिजाइन मुद्दाहरू, डाटा संग्रह, र डाटा विश्लेषण। जबकि केही विशिष्ट विशेषताहरूको सन्दर्भमा पद्धतिगत कठोरताको स्तरमा मामूली प्रगति भएको छ, समग्र मूल्याङ्कन गरिएको कठोरता केही अस्पष्ट छ र अझै सुधारको लागि महत्त्वपूर्ण क्षेत्रहरू छन्। एउटा प्रमुख कुरा भनेको विशेष गरी डाटा संकलन र डाटाको प्रबन्धसँग सम्बन्धित मुद्दाहरूको बारेमा राम्रो कागजात समावेश गर्नु हो।
025cdba37d191dc73859c51503e91b0dcf466741	औंठाछाप छवि वृद्धि औंठाछाप पहिचान अनुप्रयोगहरूमा आवश्यक पूर्व-प्रसंस्करण चरण हो। यस लेखमा हामी एक दृष्टिकोण प्रस्तुत गर्दछौं जसले एक साथ दिशा र स्थानीय रिजको फ्रिक्वेन्सी निकाल्छ ग्याबोर वेभलेट फिल्टर बैंक द्वारा फिंगरप्रिन्ट छविमा र तिनीहरूलाई छविको ग्याबोर फिल्टरि inमा प्रयोग गर्दछ। यसबाहेक, हामी औंठाछाप छवि वृद्धि गर्न एक बलियो दृष्टिकोण वर्णन गर्दछौं, जुन ग्याबोर फिल्टर र दिशात्मक मध्यवर्ती फिल्टर ((डीएमएफ) को एकीकरणमा आधारित छ। वास्तवमा, ग्यासियन-वितरित आवाजहरू ग्याबोर फिल्टरहरू र आवेग आवाजहरू डीएमएफद्वारा प्रभावकारी रूपमा कम हुन्छन्। प्रस्तावित डीएमएफले आफ्नो मूल कार्य पूरा गर्न मात्र होइन, यसले टुटेका फिंगरप्रिन्ट रिजेसलाई जोड्न, फिंगरप्रिन्ट छविहरूको प्वालहरू भर्न, अनियमित रिजेसलाई चिल्लो बनाउन र रिजेस बीचका केही कष्टप्रद साना कलाकृतिको हटाउन पनि सक्छ। प्रयोगात्मक परिणामहरूले हाम्रो विधि साहित्यमा वर्णन गरिएको भन्दा उच्च छ भनेर देखाउँछ।
3dfce4601c3f413605399267b3314b90dc4b3362	- आज विश्वव्यापी रूपमा सञ्जालमा जोडिएको समाजले सूचनाको प्रसार र आदानप्रदानमा ठूलो माग राख्छ। विगतमा सार्वजनिक गरिएको जानकारी प्रायः तालिका र तथ्याङ्कको रूपमा थियो, आज धेरै परिस्थितिहरूले विशिष्ट डाटा (माइक्रोडाटा) को विमोचनको लागि कल गर्दछ। जानकारीमा उल्लेख गरिएको संस्थाहरूको (जसलाई उत्तरदाताहरू भनिन्छ) गुमनामताको रक्षा गर्न, डाटा धारकहरूले प्रायः नाम, ठेगानाहरू, र फोन नम्बरहरू जस्ता स्पष्ट पहिचानकर्ताहरू हटाउँछन् वा एन्क्रिप्ट गर्छन्। तर, पहिचान हटाउने डेटाले गुमनामताको कुनै ग्यारेन्टी दिँदैन। सार्वजनिक गरिएको जानकारीमा प्रायः अन्य डाटा हुन्छ, जस्तै जाति, जन्म मिति, लिङ्ग, र जिप कोड, जुन सार्वजनिक रूपमा उपलब्ध जानकारीसँग जोड्न सकिन्छ उत्तरदाताहरूको पुनः पहिचान गर्न र जानकारीको निश्कर्ष निकाल्न जुन खुलासाको लागि अभिप्रेरित थिएन। यस लेखमा हामी डाटामा उल्लेख गरिएका उत्तरदाताहरूको गुमनामतालाई सुरक्षित राख्दै माइक्रोडाटा जारी गर्ने समस्यालाई सम्बोधन गर्नेछौं। यो दृष्टिकोण k-अनामिकताको परिभाषामा आधारित छ। एउटा तालिकाले k-अनामिकता प्रदान गर्दछ यदि यसको सामग्रीसँग स्पष्ट रूपमा पहिचान गर्ने जानकारीलाई लिंक गर्ने प्रयासहरूले जानकारीलाई कम्तिमा k संस्थाहरूमा नक्शा गर्दछ। हामी कसरी सामान्यीकरण र दमन प्रविधिहरू प्रयोग गरेर जारी गरिएको जानकारीको अखण्डता (वा सत्यता) लाई सम्झौता नगरीकन के-अनामिकता प्रदान गर्न सकिन्छ भनेर चित्रण गर्दछौं। हामी न्यूनतम सामान्यीकरणको अवधारणा प्रस्तुत गर्दछौं जसले रिलीज प्रक्रियाको सम्पत्तिलाई कब्जा गर्दछ कि डाटालाई k-अनामिकता प्राप्त गर्न आवश्यक भन्दा बढी विकृत गर्न नदिनुहोस्, र यस्तो सामान्यीकरणको गणनाको लागि एल्गोरिथ्म प्रस्तुत गर्दछ। हामी पनि विभिन्न न्यूनतम
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	वायरलेस सेन्सर नेटवर्कका लागि स्मार्ट कार्डमा आधारित प्रयोगकर्ता प्रमाणीकरण योजना (संक्षेपमा, एसयूए-डब्ल्यूएसएन योजना) सेन्सर डाटामा पहुँचलाई केवल ती प्रयोगकर्ताहरूलाई सीमित गर्न डिजाइन गरिएको छ जोसँग स्मार्ट कार्ड र सम्बन्धित पासवर्ड दुवै छ। हालैका वर्षहरूमा एसयूए-डब्लुएसएन योजनाहरूको महत्त्वपूर्ण संख्या सुझाव गरिएको छ, उनीहरूको सुरक्षा गुणहरू व्यापक रूपमा स्वीकृत मोडेलमा औपचारिक परिभाषा र प्रमाणको अभाव छ। यसको एउटा परिणाम भनेको विभिन्न आक्रमणहरू विरुद्ध असुरक्षित एसयूए-डब्ल्यूएसएन योजनाहरू बढेको छ। यस लेखमा हामी बेलार, प्वाइन्टचेभल र रोगवे (२०००) को व्यापक रूपमा स्वीकार गरिएको मोडेललाई विस्तार गर्दै एसयूए-डब्लुएसएन योजनाहरूको विश्लेषणको लागि सुरक्षा मोडेलको विकास गर्नेछौं। हाम्रो मोडेलले साइड-च्यानल आक्रमणहरू, साथै अन्य सामान्य आक्रमणहरू क्याप्चर गर्दा प्रमाणीकृत कुञ्जी आदानप्रदान र प्रयोगकर्ता अज्ञातताको औपचारिक परिभाषा प्रदान गर्दछ। हामी पनि नयाँ SUA-WSN योजना प्रस्ताव गर्दछौं जुन दीर्घवृत्तीय वक्र क्रिप्टोग्राफी (ईसीसी) मा आधारित छ, र हाम्रो विस्तारित मोडेलमा यसको सुरक्षा गुणहरू प्रमाणित गर्दछ। हाम्रो ज्ञानको सर्वोत्तम, हाम्रो प्रस्तावित योजना पहिलो एसयूए-डब्ल्यूएसएन योजना हो जुन प्रमाणित कुञ्जी आदानप्रदान र प्रयोगकर्ता गुमनाम दुवै प्राप्त गर्दछ। हाम्रो योजना अन्य ईसीसी आधारित (प्रमाणित रूपमा सुरक्षित नभएको) योजनाहरूसँग कम्प्युटेशनल रूपमा पनि प्रतिस्पर्धी छ।
3973e14770350ed54ba1272aa3e19b4d21f5dad3	यस लेखमा ब्यासको लागि विकसित अवरोध पत्ता लगाउने र ट्र्याकिङ एल्गोरिदमको वर्णन गरिएको छ, जुन २००७ को डार्पा अर्बन च्यालेन्जमा कार्नेगी मेलन विश्वविद्यालयको विजेता प्रविष्टि हो। हामी ट्रयाकिङ उपप्रणालीको वर्णन गर्छौं र यसले कसरी ठूलो धारणा प्रणालीको सन्दर्भमा कार्य गर्दछ भनेर देखाउँछौं। ट्रयाकिङ उपप्रणालीले रोबोटलाई अन्य सवारी साधनको नजिक सुरक्षित रूपमा सञ्चालन गर्नका लागि सहरी सवारीको जटिल परिदृश्य बुझ्न सक्ने क्षमता प्रदान गर्दछ। ट्रयाकिङ सिस्टमले एक दर्जनभन्दा बढी सेन्सरबाट प्राप्त सेन्सर डेटालाई वातावरणको अतिरिक्त जानकारीसँग मिलाएर एउटा सुसंगत परिस्थितिगत मोडेल उत्पन्न गर्छ। सेन्सर डेटाको गुणस्तरको आधारमा वस्तुहरू ट्र्याक गर्नका लागि एक उपन्यास बहु-मोडेल दृष्टिकोण प्रयोग गरिन्छ। अन्तमा, ट्रयाकिङ उपप्रणालीको वास्तुकलाले प्रसंस्करणको प्रत्येक स्तरलाई स्पष्ट रूपमा हटाउँछ। नयाँ सेन्सर र मान्यीकरण एल्गोरिदमहरू थपेर उपप्रणालीलाई सजिलै विस्तार गर्न सकिन्छ।
6a694487451957937adddbd682d3851fabd45626	अत्याधुनिक प्रश्न उत्तर प्रणाली (QA) ले उत्तर खण्डहरू पुनः प्राप्त गर्न शब्द-घनत्व श्रेणीकरण प्रयोग गर्दछ। यस्तो विधिले प्रायः गलत पदहरू पुनः प्राप्त गर्दछ किनकि प्रश्न शब्दहरू बीचको सम्बन्धलाई विचार गरिदैन। यसअघिका अध्ययनहरूले प्रश्न र उत्तरहरूबीचको निर्भरता सम्बन्धलाई मिलाएर यो समस्या समाधान गर्ने प्रयास गरेका थिए। उनीहरूले कडा मिल्दोजुल्दो प्रयोग गरे, जुन असफल हुन्छ जब अर्थपूर्ण रूपमा बराबर सम्बन्धहरू फरक तरिकाले लेखिएका हुन्छन्। हामी फजी सम्बन्ध मिलानको प्रस्ताव गर्छौं जुन सांख्यिकीय मोडेलमा आधारित छ। हामी विगतका QA जोडीहरूबाट सम्बन्ध म्यापि sc स्कोरहरू सिक्नका लागि दुई विधिहरू प्रस्तुत गर्दछौंः एक आपसी जानकारीमा आधारित र अर्को अपेक्षा अधिकतममा आधारित। प्रयोगात्मक परिणामले देखाउँछ कि हाम्रो विधिले अत्याधुनिक घनत्वमा आधारित मार्ग पुनः प्राप्ति विधिहरूलाई औसत पारस्परिक श्रेणीमा ७८% सम्मको प्रदर्शन गर्दछ। सम्बन्ध मिलानले पनि क्वेरी विस्तारद्वारा बढाइएको प्रणालीमा ५०% सुधार ल्याउँछ।
2538e3eb24d26f31482c479d95d2e26c0e79b990	हामी एक एकीकृत तंत्रिका सञ्जाल वास्तुकला र सिकाइ एल्गोरिथ्म प्रस्ताव गर्छौं जुन विभिन्न प्राकृतिक भाषा प्रशोधन कार्यहरूमा लागू गर्न सकिन्छ जसमाः भाग-अभिभाषण ट्यागिंग, चंकिंग, नामित संस्था पहिचान, र अर्थ भूमिका लेबलिंग समावेश छ। यो बहुमुखी प्रतिभा कार्य-विशिष्ट ईन्जिनियरिङ्बाट बच्न प्रयास गरेर हासिल गरिएको छ र यसैले धेरै पूर्व ज्ञानलाई बेवास्ता गर्दै। मानव निर्मित इनपुट सुविधाहरूको उपयोग गर्नुको सट्टा प्रत्येक कार्यको लागि सावधानीपूर्वक अनुकूलित, हाम्रो प्रणालीले आन्तरिक प्रतिनिधित्वहरू सिक्छ जुन विशाल मात्रामा प्रायः लेबल नभएको प्रशिक्षण डाटाको आधारमा हुन्छ। यो कार्य पछि राम्रो प्रदर्शन र न्यूनतम कम्प्युटेशनल आवश्यकताहरूको साथ स्वतन्त्र रूपमा उपलब्ध ट्यागिंग प्रणाली निर्माण गर्न आधारको रूपमा प्रयोग गरिन्छ।
317deb87586baa4ee7c7b5dfc603ebed94d1da07	हामी एक नयाँ छिटो विशुद्ध भेदभाव एल्गोरिथ्म प्राकृतिक भाषा पार्सिंग को लागी प्रस्ताव गर्दछौं, एक गहिरो पुनरावर्ती कन्भोल्युसनल ग्राफ ट्रान्सफार्मर नेटवर्क (GTN) मा आधारित। एक पार्स रूखको एक स्ट्याकमा "स्तरहरू" मा विघटन मान्दै, नेटवर्कले अघिल्लो स्तरहरूको भविष्यवाणीलाई ध्यानमा राख्दै रूखको स्तरको भविष्यवाणी गर्दछ। कोलोबर्ट र वेस्टन (२००८) बाट शब्द प्रतिनिधित्वको लाभ उठाउने केही आधारभूत पाठ सुविधाहरू मात्र प्रयोग गरेर, हामी विद्यमान शुद्ध भेदभाव पार्सरहरू र विद्यमान "बेन्चमार्क" पार्सरहरू (जस्तै कोलिन्स पार्सर, सम्भावित सन्दर्भ-मुक्त व्याकरणमा आधारित) सँग समान प्रदर्शन (एफ १ स्कोरमा) देखाउँदछौं, ठूलो गति फाइदाको साथ।
04cc04457e09e17897f9256c86b45b92d70a401f	सामाजिक सञ्जाल, चलचित्र प्राथमिकता वा ज्ञान आधार जस्ता धेरै डाटा बहु-सम्बन्धित छन्, किनकि यसले संस्थाहरू बीचको बहु सम्बन्धहरूको वर्णन गर्दछ। यद्यपि यी डाटाको मोडलिङमा केन्द्रित कामको ठूलो निकाय छ, यी बहुविध प्रकारका सम्बन्धहरूको संयुक्त रूपमा मोडलिङ चुनौतीपूर्ण रहन्छ। यसबाहेक, यी प्रकारहरूको संख्या बढ्दै जाँदा अवस्थित दृष्टिकोणहरू बिग्रने प्रवृत्ति छ। यस लेखमा, हामी ठूला बहु-सम्बन्धित डाटासेटहरू मोडेल गर्ने विधि प्रस्ताव गर्दछौं, सम्भवतः हजारौं सम्बन्धहरू सहित। हाम्रो मोडेल एक द्विध्रुवीय संरचनामा आधारित छ, जसले डाटाको अन्तरक्रियाको विभिन्न क्रमहरू कब्जा गर्दछ, र विभिन्न सम्बन्धहरूमा बिस्तारै लुकेका कारकहरू पनि साझा गर्दछ। हामी हाम्रो दृष्टिकोणको प्रदर्शनलाई मानक टेन्सर-फ्याक्टराइजेशन डाटासेटमा चित्रण गर्दछौं जहाँ हामी प्राप्त गर्छौं, वा उत्कृष्ट प्रदर्शन गर्छौं, अत्याधुनिक परिणामहरू। अन्तमा, एनएलपी अनुप्रयोगले हाम्रो स्केलेबिलिटी र हाम्रो मोडेलको क्षमतालाई कुशल र अर्थपूर्ण अर्थपूर्ण क्रिया प्रतिनिधित्वहरू सिक्नको लागि प्रदर्शन गर्दछ।
052b1d8ce63b07fec3de9dbb583772d860b7c769	हामी न्यूरोन जस्तो एकाइहरूको सञ्जालका लागि नयाँ सिकाइ प्रक्रिया, ब्याक-प्रोपाग्यासनको वर्णन गर्छौं। यो प्रक्रियाले नेटवर्कमा जडानहरूको वजनलाई बारम्बार समायोजन गर्दछ ताकि नेटको वास्तविक आउटपुट भेक्टर र इच्छित आउटपुट भेक्टर बीचको भिन्नताको मापनलाई न्यूनतम गर्न सकिन्छ। वजन समायोजनको परिणामको रूपमा, आन्तरिक "लुकेका" एकाइहरू जुन इनपुट वा आउटपुटको भाग होइनन् कार्य डोमेनको महत्त्वपूर्ण विशेषताहरू प्रतिनिधित्व गर्दछन्, र कार्यमा नियमितताहरू यी एकाइहरूको अन्तर्क्रियाद्वारा कब्जा गरिन्छ। उपयोगी नयाँ विशेषताहरू सिर्जना गर्ने क्षमताले पछाडि-प्रसारलाई पहिलेको, सरल विधिहरू जस्तै पर्सेप्ट्रोन-कन्भर्जेन्स प्रक्रियाबाट छुट्याउँछ।
07f3f736d90125cb2b04e7408782af411c67dd5a	धेरै प्राकृतिक भाषा कार्यहरूमा अर्थपूर्ण मेल खाने महत्त्वपूर्ण छ [२, २८] । एक सफल मिलान एल्गोरिथ्मले भाषा वस्तुहरूको आन्तरिक संरचना र तिनीहरू बीचको अन्तरक्रियाको पर्याप्त मोडेल गर्न आवश्यक छ। यो लक्ष्यको दिशामा एक कदमको रूपमा, हामी दुई वाक्यहरू मिलाउनका लागि कन्भोल्युसनल न्युरोन नेटवर्क मोडेलहरू प्रस्ताव गर्दछौं, दृष्टि र भाषणमा कन्भोल्युसनल रणनीति अनुकूलन गरेर। प्रस्तावित मोडेलहरूले वाक्यहरूको पदानुक्रमित संरचनालाई उनीहरूको तह-तह संरचना र पूलिंगको साथ राम्रोसँग प्रतिनिधित्व गर्दैन, तर विभिन्न स्तरहरूमा धनी मिलान ढाँचाहरू पनि कब्जा गर्दछ। हाम्रा मोडेलहरू सामान्य छन्, भाषाको बारेमा कुनै पूर्व ज्ञानको आवश्यकता पर्दैन, र यसैले विभिन्न प्रकृति र विभिन्न भाषाहरूमा कार्यहरू मेल गर्न प्रयोग गर्न सकिन्छ। विभिन्न प्रकारका मेल खाने कार्यहरूमा गरिएको अनुभवजन्य अध्ययनले प्रस्तावित मोडेलको प्रभावकारिता विभिन्न प्रकारका मेल खाने कार्यहरूमा र यसको प्रतिस्पर्धी मोडेलहरूको तुलनामा श्रेष्ठता देखाउँछ।
0af737eae02032e66e035dfed7f853ccb095d6f5	वाक्यहरूको जोडी कसरी मोडेल गर्ने भन्ने धेरै एनएलपी कार्यहरूमा एउटा महत्वपूर्ण मुद्दा हो जस्तै उत्तर चयन (एएस), प्याराफ्रेज पहिचान (पीआई) र पाठ संलग्नता (टीई) । धेरै जसो अघिल्लो कार्य (i) एक विशिष्ट प्रणालीलाई ठीक-ट्यून गरेर एक व्यक्तिगत कार्यसँग सम्बन्धित छ; (ii) प्रत्येक वाक्यको प्रतिनिधित्वलाई अलग-अलग मोडेल गर्दछ, अन्य वाक्यको प्रभावलाई विरलै विचार गर्दै; वा (iii) पूर्ण रूपमा म्यानुअल डिजाइन गरिएको, कार्य-विशिष्ट भाषाई सुविधाहरूमा निर्भर गर्दछ। यस कार्यले वाक्यहरूको जोडी मोडेल गर्नका लागि सामान्य ध्यानमा आधारित कन्भोल्युसनल न्यूरल नेटवर्क (एबीसीएनएन) प्रस्तुत गर्दछ। हामी तीनवटा योगदान गर्छौं। (i) एबीसीएनएनलाई विभिन्न प्रकारका कार्यहरूमा प्रयोग गर्न सकिन्छ जसमा वाक्य जोडीहरूको मोडेलिंग आवश्यक हुन्छ। (ii) हामी तीन ध्यान योजनाहरु को प्रस्ताव गर्दछौं कि सीएनएन मा वाक्यहरु को बीच आपसी प्रभाव एकीकृत गर्दछ; यसैले, प्रत्येक वाक्य को प्रतिनिधित्व यसको समकक्ष विचार मा लिन्छ। यी परस्पर निर्भर वाक्य जोडी प्रतिनिधित्वहरू पृथक वाक्य प्रतिनिधित्वहरू भन्दा बढी शक्तिशाली हुन्छन्। (iii) एबीसीएनएनले एएस, पीआई र टीई कार्यहरूमा अत्याधुनिक प्रदर्शन प्राप्त गर्दछ। हामी कोड https://github.com/yinwenpeng/Answer_Selection मा जारी गर्दछौं।
1c059493904b2244d2280b8b4c0c7d3ca115be73	नेटवर्कमा नोड र किनाराहरूमा पूर्वानुमान कार्यहरू सिक्ने एल्गोरिदमहरू द्वारा प्रयोग गरिएको ईन्जिनियरि features सुविधाहरूमा सावधानीपूर्वक प्रयासको आवश्यकता पर्दछ। हालैको अनुसन्धानले प्रतिनिधित्व सिकाइको व्यापक क्षेत्रमा महत्वपूर्ण प्रगति भएको छ। तर, अहिलेको सुविधा सिकाउने दृष्टिकोण नेटवर्कमा देखिएको कनेक्टिभिटी ढाँचाको विविधतालाई समेट्न पर्याप्त छैन। यहाँ हामी नोड२भिक प्रस्ताव गर्छौं, नेटवर्कमा नोडहरूको लागि निरन्तर सुविधा प्रतिनिधित्वहरू सिक्नको लागि एल्गोरिथ्मिक फ्रेमवर्क। नोड२भिकमा, हामी नोडहरूको नक्साङ्कन सिक्छौं सुविधाहरूको कम-आयामी स्थानमा जसले नोडहरूको नेटवर्क छिमेकहरू संरक्षण गर्ने सम्भावनालाई अधिकतम बनाउँछ। हामी नोडको नेटवर्क छिमेकीको लचिलो धारणा परिभाषित गर्छौं र एक पक्षपाती यादृच्छिक हिड्ने प्रक्रिया डिजाइन गर्छौं, जसले कुशलतापूर्वक विविध छिमेकीहरूको अन्वेषण गर्दछ। हाम्रो एल्गोरिथ्मले पहिलेको कामलाई सामान्य बनाउँछ जुन नेटवर्क छिमेकको कठोर धारणामा आधारित छ, र हामी तर्क गर्छौं कि छिमेकको अन्वेषणमा थपिएको लचिलोपन धनी प्रतिनिधित्वहरू सिक्ने कुञ्जी हो। हामी विभिन्न क्षेत्रका वास्तविक संसारका सञ्जालहरूमा बहु-लेबल वर्गीकरण र लिङ्क पूर्वानुमानमा विद्यमान अत्याधुनिक प्रविधिहरूमा नोड२भिकको प्रभावकारिता प्रदर्शन गर्छौं। हाम्रो कामले जटिल सञ्जालमा कार्य-स्वतन्त्र प्रतिनिधित्वहरू कुशलतापूर्वक सिक्ने नयाँ तरिकाको प्रतिनिधित्व गर्दछ।
de93c4f886bdf55bfc1bcaefad648d5996ed3302	यस अध्यायमा आधुनिक घुसपैठ पत्ता लगाउने अवस्थाको अध्ययन गरिएको छ, विशेष गरी डाटा माइनिङको उदीयमान दृष्टिकोणमा जोड दिइएको छ। छलफलले घुसपैठ पत्ता लगाउने दुई महत्त्वपूर्ण पक्षहरू समान रूपमा प्रस्तुत गर्दछः सामान्य पत्ता लगाउने रणनीति (दुरुपयोग पत्ता लगाउने बनाम विसंगति पत्ता लगाउने) र डाटा स्रोत (व्यक्तिगत होस्ट बनाम नेटवर्क ट्राफिक) । दुरुपयोग पत्ता लगाउने प्रयासले ज्ञात पैटर्नहरूसँग मेल खान्छ , जबकि विसंगति पत्ता लगाउनेले सामान्य व्यवहारबाट विचलनको खोजी गर्दछ । यी दुई दृष्टिकोणहरू बीच, केवल विसंगति पत्ता लगाउने क्षमता अज्ञात आक्रमणहरू पत्ता लगाउने क्षमता छ। विसंगति पत्ता लगाउने एउटा विशेष आशाजनक दृष्टिकोणले एसोसिएसन खानीलाई मेशिन लर्निंगका अन्य प्रकारहरू जस्तै वर्गीकरणसँग जोड्दछ। यसबाहेक, घुसपैठ पत्ता लगाउने प्रणालीले प्रयोग गर्ने डाटा स्रोतले यसले पत्ता लगाउन सक्ने आक्रमणका प्रकारहरूमा महत्त्वपूर्ण प्रभाव पार्छ। उपलब्ध विस्तृत जानकारीको स्तरमा एउटा सम्झौता छ। बारबार एट अल। (सम्पादकीय) ), कम्प्युटर सुरक्षामा डाटा माइनिङको अनुप्रयोग © Kluwer Academic Publishers 2002 s
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	हामी बहु-मोडल अवधारणा प्रतिनिधित्वहरू निर्माण गर्दछौं स्किप-ग्राम भाषिक प्रतिनिधित्व भेक्टरलाई भिजुअल अवधारणा प्रतिनिधित्व भेक्टरको साथ गणना गरी गहिरो कन्भोल्युसनल न्यूरल नेटवर्क (सीएनएन) को सुविधा निकासी तहहरू प्रयोग गरेर ठूलो लेबल गरिएको वस्तु मान्यता डाटासेटमा प्रशिक्षित। यो ट्रान्सफर लर्निंग दृष्टिकोणले परम्परागत बैग-अफ-भिजुअल-वर्ड दृष्टिकोणमा आधारित सुविधाहरूमा स्पष्ट प्रदर्शन लाभ ल्याउँछ। प्रयोगात्मक परिणामहरू WordSim353 र MEN सिमेन्टिक सम्बन्ध मूल्यांकन कार्यहरूमा रिपोर्ट गरिएको छ। हामी इमेजनेट वा ईएसपी गेम छविहरू प्रयोग गरेर गणना गरिएको दृश्य सुविधाहरू प्रयोग गर्दछौं।
a65e815895bed510c0549957ce6baa129c909813	हामी गैर-संक्रामक रूपविज्ञान सिक्नको लागि एक अनसुर्जित दृष्टिकोण प्रस्ताव गर्दछौं, जुन हामी अरबी जरा र ढाँचा टेम्प्लेटहरूको शब्दकोशलाई प्रेरित गर्न लागू गर्दछौं। यो दृष्टिकोण यो विचारमा आधारित छ कि जरा र ढाँचाहरू परिकल्पना गरिएको ढाँचा र जरा आवृत्तिहरूमा आधारित पारस्परिक पुनरावर्ती स्कोरिंगको माध्यमबाट प्रकट गर्न सकिन्छ। थप पुनरावर्ती परिष्कृत चरण पछि, प्रेरित शब्दकोशको साथ मोर्फोलॉजिकल विश्लेषणले 94% भन्दा बढीको जरा पहिचान शुद्धता प्राप्त गर्दछ। हाम्रो दृष्टिकोण अरबी आकृति विज्ञानको अनसुर्जित शिक्षामा अघिल्लो काम भन्दा फरक छ किनकि यो प्राकृतिक रूपमा लेखिएको, अघोषित पाठमा लागू हुन्छ।
3f4e71d715fce70c89e4503d747aad11fcac8a43	यो केस स्टडीले अटो इंक भित्र तीन फरक डिजिटल नवप्रवर्तन परियोजनाको जाँच गर्छ -- एउटा ठूलो युरोपेली अटोमेकर। प्रतिस्पर्धी मूल्य ढाँचालाई सैद्धान्तिक लेन्सको रूपमा प्रयोग गरेर हामी कसरी गतिशील क्षमताहरू डिजिटलकरणबाट उत्पन्न हुने र नवीनताका लागि बढ्दो मागहरू पूरा गर्न प्रयास गर्ने फर्ममा देखा पर्दछन् भन्ने कुराको अन्वेषण गर्दछौं। यस डिजिटलाइजेसन प्रक्रियामा हाम्रो अध्ययनले स्थापित सामाजिक-प्राविधिक समरूपतालाई चुनौती दिइरहेको छ। यसबाहेक, हामी संगठनहरूलाई डिजिटलाइजेशनको युगमा नयाँ प्रयोगात्मक सिकाइ प्रक्रियाहरू अपनाउने तरिकाहरू खोज्न आवश्यक छ भन्ने कुरा औंल्याउँछौं। यस्तो परिवर्तनका लागि दीर्घकालीन प्रतिबद्धता र दृष्टिकोणको आवश्यकता भए पनि यस अध्ययनले यस्ता प्रयोगात्मक प्रक्रियाका लागि तीन अनौपचारिक सक्षमकर्ताहरू प्रस्तुत गर्दछ। यी सक्षमकर्ताहरू समय, लगनशीलता र सम्पर्क हुन्।
c22366074e3b243f2caaeb2f78a2c8d56072905e	एक अनुदैर्ध्य-स्लोटेड रिज वेवगाइड एन्टेना एरे एक कम्प्याक्ट ट्रान्सभर्सल आयामको साथ प्रस्तुत गरिएको छ। एरेको ब्यान्डविथ विस्तार गर्न, यसलाई दुई उप-एरहरूमा विभाजित गरिएको छ जुन एक उपन्यास कम्प्याक्ट उत्तल वेभगाइड डिभाइडर द्वारा खुवाइएको छ। डिजाइनको वैधता प्रमाणित गर्न एक्स-ब्यान्डमा १६-तत्वको एक समान रैखिक सरणी बनाइएको थियो र मापन गरिएको थियो। S11les-15 dB को मापन ब्यान्डविथ 14.9% छ र मापन क्रस- ध्रुवीकरण स्तर सम्पूर्ण ब्यान्डविथमा -36 dB भन्दा कम छ। यो एरेलाई एज-स्लट वेवगाइड एरेसँग मिलाउन सकिन्छ सिंथेटिक एपर्चर राडार (एसएआर) अनुप्रयोगको लागि दुई आयामी डुअल-ध्रुवीकरण एन्टेना एरे निर्माण गर्न
0d57ba12a6d958e178d83be4c84513f7e42b24e5	गहन शिक्षा ठूलो न्यूरल नेटवर्क र ठूलो डाटासेटको साथ फस्टाउँछ। तर, ठूला नेटवर्क र ठूला डाटासेटको परिणाम स्वरूप लामो प्रशिक्षण समय हुन्छ जसले अनुसन्धान र विकासको प्रगतिलाई रोक्छ। वितरण गरिएको समसामयिक एसजीडीले यस समस्याको सम्भावित समाधान प्रदान गर्दछ एसजीडी मिनी-ब्याचहरू समानान्तर कामदारहरूको पूलमा विभाजित गरेर। तर यो योजनालाई प्रभावकारी बनाउनका लागि प्रति कामदारको कामको भार ठूलो हुनुपर्दछ, जसको अर्थ एसजीडी मिनीबटको आकारमा सामान्य वृद्धि हुनु हो। यस कागजमा, हामी अनुभविक रूपमा देखाउँदछौं कि छविनेट डाटासेटमा ठूला मिनीब्याचहरूले अनुकूलन कठिनाइहरू निम्त्याउँछन्, तर जब यी सम्बोधन गरिन्छ तालिम प्राप्त नेटवर्कहरूले राम्रो सामान्यीकरण प्रदर्शन गर्दछ। विशेष गरी, हामी 8192 छविहरू सम्म ठूलो मिनीबैच आकारहरूसँग प्रशिक्षण गर्दा कुनै शुद्धता गुमाउँदैनौं। यो परिणाम प्राप्त गर्न, हामी एक रैखिक स्केलिंग नियम अपनाउँछौं जुन मिनी-ब्याच आकारको प्रकार्यको रूपमा सिक्ने दरहरू समायोजन गर्न र नयाँ वार्मअप योजना विकास गर्दछ जुन प्रशिक्षणको प्रारम्भिक चरणमा अनुकूलन चुनौतीहरूलाई पार गर्दछ। यी सरल प्रविधिहरूको साथ, हाम्रो Caffe2 आधारित प्रणालीले ResNet50 लाई एक घण्टामा 256 GPU मा 8192 को एक मिनीबच आकारको साथ ट्रेन गर्दछ, जबकि सानो मिनीबच सटीकतासँग मेल खान्छ। कमोडिटी हार्डवेयर प्रयोग गरेर, हाम्रो कार्यान्वयनले ८ देखि २५६ जीपीयूमा जाँदा ∼९०% स्केलिङ दक्षता प्राप्त गर्दछ। यो प्रणालीले हामीलाई इन्टरनेट स्केल डाटामा उच्च दक्षताका साथ दृश्य मान्यता मोडेलहरू प्रशिक्षण गर्न सक्षम गर्दछ।
2bbe9735b81e0978125dad005656503fca567902	कर्नेल रुटकिटहरू कम्प्युटर प्रणालीहरूका लागि ठूलो खतरा हुन्। तिनीहरू लुकाउन सकिने र प्रणाली स्रोतहरूमा असीमित पहुँच गर्न सक्छन्। यस कागजातले NumChecker प्रस्तुत गर्दछ, नयाँ भर्चुअल मेसिन (VM) मोनिटर आधारित फ्रेमवर्क एक अतिथि VM मा नियन्त्रण-प्रवाह परिमार्जन कर्नेल रूटकिटहरू पत्ता लगाउन र पहिचान गर्न। NumChecker ले सिस्टम कलको कार्यान्वयनको क्रममा हुने केही हार्डवेयर घटनाहरूको संख्या नाप्ने गरी अतिथि VM मा सिस्टम कलमा खराब नियतले गरिएको परिमार्जनको पहिचान गर्दछ। यी घटनाहरू स्वचालित रूपमा गणना गर्न, NumChecker ले हार्डवेयर प्रदर्शन काउन्टरहरू (HPCs) लाई लाभ उठाउँछ, जुन आधुनिक प्रोसेसरहरूमा अवस्थित छ। एचपीसी प्रयोग गरेर जाँचको लागतमा उल्लेखनीय कमी ल्याइन्छ र हेरफेर प्रतिरोध क्षमता बढाइन्छ। हामी लिनक्समा न्युमचेकरको प्रोटोटाइपलाई कर्नेलमा आधारित भिएमसँग लागू गर्छौं। एचपीसीमा आधारित दुई चरणको कर्नेल रुटकिट पत्ता लगाउने र पहिचान गर्ने प्रविधि प्रस्तुत गरिएको छ र धेरै वास्तविक विश्व कर्नेल रुटकिटहरूमा मूल्यांकन गरिएको छ। परिणामहरूले यसको व्यावहारिकता र प्रभावकारितालाई प्रमाणित गर्दछ।
a3d638ab304d3ef3862d37987c3a258a24339e05	साइकलगान [झु एट अल, २०१७] दुई छवि वितरण बीचको रूपान्तरण सिक्नको लागि एक हालसालै सफल दृष्टिकोण हो। हामीले प्रयोगको क्रममा यो मोडेलको एउटा रोचक गुण देखाइदियौं: साइकलगानले स्रोत छविको बारेमा जानकारीलाई लगभग अदृश्य उच्च आवृत्ति सिग्नलमा उत्पन्न हुने छविमा लुकाउन सिक्छ। यो चालले सुनिश्चित गर्दछ कि जनरेटरले मूल नमूना पुनः प्राप्त गर्न सक्दछ र यसैले चक्रिक स्थिरता आवश्यकता पूरा गर्दछ, जबकि उत्पन्न छवि यथार्थवादी रहन्छ। हामी यो घटनालाई विरोधी आक्रमणसँग जोड्छौं साइकलग्यानको प्रशिक्षण प्रक्रियालाई विरोधी उदाहरणहरूको जनरेटरको रूपमा प्रशिक्षणको रूपमा हेर्दै र देखाउँदछौं कि चक्रिक स्थिरता गुमाउनुले साइकलग्यानलाई विरोधी आक्रमणहरूमा विशेष गरी कमजोर बनाउँछ।
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	यस डाटाबेसको यस अंकका लेखहरू एन्थोनी जी. होपवुड, जो लन्डन ग्रेजुएट स्कुल अफ बिजनेस स्टडीजमा लेखा र वित्तीय रिपोर्टिङका प्राध्यापक हुन् । प्रोफेसर होपवुडले लेखेका छन्, यी लेखहरूमा सूचना प्रणालीमा रुचि राख्ने सबैका लागि महत्त्वपूर्ण विचारहरू छन्, चाहे तिनीहरू व्यवसायी वा शिक्षाविद्हरू हुन् । लेखकहरू, त्यस समयमा उनीहरूको व्यावसायिक सम्बन्धको साथ, क्रिस अर्गिरिस, ग्रेजुएट स्कूल अफ एजुकेशन, हार्वर्ड विश्वविद्यालय; बो हेडबर्ग र स्टेन जोन्सन, व्यवसाय प्रशासन विभाग, विश्वविद्यालय अफ गोथेनबर्ग; जे। फ्रिस्को डेन हर्टोग, एन। V. फिलिप्सको ग्लोइलाम्पफ्याब्रीकन, नेदरल्याण्ड्स, र माइकल जे। अर्ल, व्यवस्थापन अध्ययनका लागि अक्सफोर्ड सेन्टर । यी लेखहरू मूलतः लेखा, संगठन र समाजमा प्रकाशित भएका थिए, जसको सम्पादक-प्रमुख प्रोफेसर होपवुड हुन्। एओएसको अस्तित्व उभरिरहेको विकासको अनुगमन गर्न र नयाँ दृष्टिकोण र दृष्टिकोणलाई सक्रिय रूपमा प्रोत्साहित गर्नको लागि हो ।
02227c94dd41fe0b439e050d377b0beb5d427cda	प्राकृतिक छविहरूबाट पाठ पत्ता लगाउने र पढ्ने कम्प्युटर भिजनको कठिन कार्य हो जुन विभिन्न उदीयमान अनुप्रयोगहरूको लागि केन्द्रीय हो। कागजात वर्ण पहिचान जस्ता सम्बन्धित समस्याहरू कम्प्युटर भिजन र मेशिन लर्निंग अनुसन्धानकर्ताहरूले व्यापक रूपमा अध्ययन गरेका छन् र हातले लेखिएको अंकहरू पढ्ने जस्ता व्यावहारिक अनुप्रयोगहरूको लागि लगभग समाधान गरिएको छ। यद्यपि, फोटोग्राफ जस्ता जटिल दृश्यहरूमा चरित्रहरूको विश्वसनीय पहिचान गर्नु धेरै गाह्रो छ: सबै भन्दा राम्रो अवस्थित विधिहरू समान कार्यहरूमा मानव प्रदर्शन भन्दा धेरै पछाडि छन्। यस लेखमा हामी वास्तविक अनुप्रयोगमा अंकहरू पहिचान गर्ने समस्यालाई अनसुर्पीकृत सुविधा सिकाउने विधिहरू प्रयोग गरेर आक्रमण गर्दछौं: सडक स्तरका फोटोहरूबाट घर नम्बरहरू पढ्ने। यस उद्देश्यका लागि, हामी अनुसन्धानको लागि नयाँ बेन्चमार्क डाटासेट प्रस्तुत गर्दछौं जसमा स्ट्रीट भ्यू छविहरूबाट काटिएको 600,000 भन्दा बढी लेबल गरिएको अंकहरू छन्। त्यसपछि हामी यी अंकहरू पहिचान गर्न कठिनाई देखाउँछौं जब समस्यालाई हातले डिजाइन गरिएका सुविधाहरूसँग नजिकिन्छ। अन्तमा, हामीले हालै प्रस्तावित दुई अनसुर्पीकृत विशेषता सिकाउने विधिहरूको प्रयोग गर्यौं र पत्ता लगायौं कि तिनीहरू हाम्रो बेन्चमार्कमा विश्वासयोग्य रूपमा उत्कृष्ट छन्।
081651b38ff7533550a3adfc1c00da333a8fe86c	प्राकृतिक तस्बिरहरूमा प्रशिक्षित धेरै गहिरो तंत्रिका सञ्जालहरू एक जिज्ञासु घटना साझा प्रदर्शन गर्दछन्: पहिलो तहमा तिनीहरूले गाबोर फिल्टर र रंग ब्लबहरू जस्तै सुविधाहरू सिक्छन्। यस्तो पहिलो तह सुविधाहरू एक विशेष डाटासेट वा कार्य गर्न विशिष्ट छैन जस्तो देखिन्छ, तर तिनीहरूले धेरै डाटासेट र कार्यहरू लागू छन् कि सामान्य मा। नेटवर्कको अन्तिम तहमा विशेषताहरू सामान्यबाट विशिष्टमा परिवर्तन हुनुपर्दछ, तर यो संक्रमणको विस्तृत अध्ययन गरिएको छैन। यस लेखमा हामी प्रयोगात्मक रूपमा गहिरो कन्भोल्युसनल न्यूरल नेटवर्कको प्रत्येक तहमा न्यूरन्सको विशिष्टता बनाम सामान्यतालाई मात्रात्मक रूपमा रिपोर्ट गर्छौं र केही आश्चर्यजनक परिणामहरू रिपोर्ट गर्दछौं। स्थानान्तरणलाई दुई भिन्न मुद्दाहरूले नकारात्मक रूपमा प्रभाव पार्दछः (१) उच्च तहको न्यूरन्सको विशेषज्ञता उनीहरूको मूल कार्यमा लक्षित कार्यमा प्रदर्शनको खर्चमा, जुन अपेक्षित थियो, र (२) सह-अनुकूलित न्यूरन्सहरू बीच नेटवर्क विभाजनसँग सम्बन्धित अप्टिमाइजेसन कठिनाइहरू, जुन अपेक्षित थिएन। ImageNet मा प्रशिक्षित उदाहरण नेटवर्कमा, हामी देखाउँछौं कि यी दुई मुद्दाहरू मध्ये कुनै पनि एक हावी हुन सक्छ, यो निर्भर गर्दछ कि सुविधाहरू तल, मध्य, वा नेटवर्कको शीर्षबाट हस्तान्तरण गरिएको छ। हामी पनि दस्तावेज गर्छौं कि विशेषताहरूको स्थानान्तरणशीलता आधार कार्य र लक्ष्य कार्य बीचको दूरी बढ्दै जाँदा घट्छ, तर त्यो टाढा टाढाका कार्यहरूबाट पनि सुविधाहरू स्थानान्तरण गर्न अनियमित सुविधाहरू प्रयोग गर्नु भन्दा राम्रो हुन सक्छ। एउटा अन्तिम आश्चर्यजनक परिणाम यो हो कि लगभग कुनै पनि तहको संख्याबाट हस्तान्तरण सुविधाहरूको साथ नेटवर्कको आरम्भिकरणले सामान्यीकरणमा बढावा दिन सक्छ जुन लक्षित डाटासेटमा ठीक-ट्यूनिंग पछि पनि रहन्छ।
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	उच्च-प्रवाह अनुक्रमणिकाले उच्च-गुणवत्ताको डे नोभो असेंबल गरिएको जीनोम अनुक्रम प्राप्त गर्न सैद्धान्तिक रूपमा सम्भव बनाएको छ तर व्यवहारमा डीएनए निकासी प्रायः अन्य जीवहरूबाट अनुक्रमहरूसँग दूषित हुन्छन्। हाल युकारियोटिक समूहहरूलाई सख्तीले विषाक्ततामुक्त गर्ने केही विधिहरू छन्। ती जो अवस्थित छन्, न्यूक्लियोटाइडको आधारमा फिल्टर अनुक्रमहरू छन्, जसले दूषित पदार्थसँग मिल्दोजुल्दो छ र लक्षित जीवबाट अनुक्रमहरू हटाउने जोखिम छ। हामी एउटा स्थापित मेसिन सिकाइ विधिको नयाँ अनुप्रयोग प्रस्तुत गर्छौं, निर्णय वृक्ष, जसले अनुक्रमलाई कठोरतापूर्वक वर्गीकरण गर्न सक्छ। निर्णय रूखको प्रमुख शक्ति यो हो कि यसले कुनै पनि मापन गरिएको सुविधा इनपुटको रूपमा लिन सक्छ र महत्त्वपूर्ण वर्णनकर्ताहरूको पूर्वनिर्धारित पहिचानको आवश्यकता पर्दैन। हामी निर्णय रूखको प्रयोग नवो-सङ्गठित अनुक्रम वर्गीकरण गर्न र प्रकाशित प्रोटोकलहरूसँग विधि तुलना गर्नका लागि गर्छौं। युकारियोटिक डे नोभो समूहहरूमा अनुक्रम वर्गीकरण गर्दा निर्णय वृक्षले विद्यमान विधिहरू भन्दा राम्रो प्रदर्शन गर्दछ। यो प्रभावकारी छ, सजिलै लागू गर्न सकिन्छ, र लक्ष्य र दूषित अनुक्रमहरू सही रूपमा पहिचान गर्दछ। महत्वपूर्ण कुरा, निर्णय रूख मापन गरिएको वर्णनकर्ताहरूको अनुसार अनुक्रम वर्गीकरण गर्न प्रयोग गर्न सकिन्छ र जैविक डाटासेटहरू डिस्टिलिंगमा सम्भावित धेरै प्रयोगहरू छन्।
26433d86b9c215b5a6871c70197ff4081d63054a	बहुविध बायोमेट्रिकले हालै बायोमेट्रिक पहिचान प्रणालीमा यसको उच्च प्रदर्शनको लागि पर्याप्त चासो आकर्षित गरेको छ। यस लेखमा हामी अनुहार र हत्केलाको छापको लागि बहुविध बायोमेट्रिक्स परिचय दिन्छौं। गाबोर आधारित छवि प्रोसेसिंगको उपयोग भेदभाव गर्ने सुविधाहरू निकाल्नको लागि गरिन्छ, जबकि मुख्य घटक विश्लेषण (पीसीए) र रैखिक भेदभाव विश्लेषण (एलडीए) प्रत्येक मोडलिटीको आयाम कम गर्न प्रयोग गरिन्छ। एलडीएको आउटपुट सुविधाहरू क्रमशः संयुक्त हुन्छन् र युक्लिडियन दूरी वर्गीकरणकर्ता द्वारा वर्गीकृत हुन्छन्। ओआरएल अनुहार र पोलि-यू हत्केलाको छाप डेटाबेसमा आधारित प्रयोगात्मक नतिजाले यो फ्युजन प्रविधिको प्रयोगले एकल मोडल बायोमेट्रिक्सको तुलनामा बायोमेट्रिक पहिचान दर बढाउन सक्ने प्रमाणित गरेको छ।
1c01e44df70d6fde616de1ef90e485b23a3ea549	हामी मार्कोभ र्यान्डम फिल्ड (एमआरएफ) को लग विभाजन फंक्शनमा माथिल्लो सीमाहरूको नयाँ वर्ग प्रस्तुत गर्दछौं। यो परिमाणले विभिन्न सन्दर्भहरूमा महत्त्वपूर्ण भूमिका खेल्छ, जसमा सीमांत वितरण, प्यारामिटर अनुमान, संयोजनात्मक गणना, सांख्यिकीय निर्णय सिद्धान्त, र ठूला विचलन सीमाहरू समावेश छन्। हाम्रो व्युत्पन्न कन्भेक्स द्वैतता र सूचना ज्यामितिबाट अवधारणाहरूमा आधारित छ: विशेष गरी, यसले घातांक डोमेनमा वितरणको मिश्रणको शोषण गर्दछ, र घातांक र औसत प्यारामिटरहरू बीच लेजेन्ड्रे म्यापि। रूख-संरचित वितरणको उत्तल संयोजनको विशेष मामलामा, हामी भिन्नता समस्याहरूको परिवार प्राप्त गर्दछौं, बेथ भिन्नता समस्यासँग मिल्दोजुल्दो, तर निम्न वांछनीय गुणहरू द्वारा प्रतिष्ठित छन्: i) तिनीहरू उत्तल छन्, र एक अद्वितीय ग्लोबल इष्टतम छ; र ii) इष्टतमले लग विभाजन प्रकार्यमा माथिल्लो सीमा दिन्छ। यो इष्टतम स्थिर अवस्थाहरू द्वारा परिभाषित गरिएको छ जुन योग-उत्पाद एल्गोरिथ्मको निश्चित बिन्दुहरू परिभाषित गर्नेहरूसँग धेरै मिल्दोजुल्दो छ, वा अधिक सामान्यतया, बेथ भेरिएशनल समस्याको कुनै पनि स्थानीय इष्टतम। योग-उत्पाद निश्चित बिन्दुहरू जस्तै, अनुकूलन तर्कका तत्वहरू मूल मोडेलको सीमाहरूको अनुमानको रूपमा प्रयोग गर्न सकिन्छ। विश्लेषण हाइपरट्री-संरचित वितरणको उत्तल संयोजनहरूमा स्वाभाविक रूपमा विस्तार हुन्छ, यसैले किकुची अनुमान र भेरियन्टहरूसँग लि establish्कहरू स्थापना गर्दछ।
39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd	यस लेखमा हामी भिडियो वा एमआरआई डाटा जस्ता थ्रीडी इमेजरीका लागि थ्री-डायमेन्सनल (३ डी) सिफ्ट डिस्क्रिप्टरको परिचय दिन्छौं। हामी यो पनि देखाउँछौं कि कसरी यो नयाँ डिस्क्रिप्टरले कार्य मान्यताको अनुप्रयोगमा भिडियो डाटाको थ्रीडी प्रकृतिलाई राम्रोसँग प्रतिनिधित्व गर्न सक्षम छ। यस लेखमा थ्रीडी सिफ्टले कसरी पहिले प्रयोग गरिएको वर्णन विधिलाई उत्कृष्ट र प्रभावकारी तरिकाले पार गर्न सक्छ भन्ने कुरा देखाइनेछ। हामी भिडियोहरू प्रतिनिधित्व गर्न शब्दहरूको झोला प्रयोग गर्छौं, र भिडियो डाटालाई राम्रोसँग वर्णन गर्नको लागि स्थानिक-समय शब्दहरू बीचको सम्बन्ध पत्ता लगाउनको लागि एक विधि प्रस्तुत गर्दछौं।
0a10d64beb0931efdc24a28edaa91d539194b2e2	हामी दुई उपन्यास मोडेल वास्तुकला प्रस्ताव गर्दछौं जुन धेरै ठूला डाटा सेटहरूबाट शब्दहरूको निरन्तर भेक्टर प्रतिनिधित्वहरूको गणना गर्नका लागि हो। यी प्रतिनिधित्वहरूको गुणस्तर शब्द समानता कार्यमा मापन गरिन्छ, र परिणामहरू विभिन्न प्रकारका न्यूरल नेटवर्कहरूमा आधारित पहिलेको उत्तम प्रदर्शन गर्ने प्रविधिहरूसँग तुलना गरिन्छ। हामी धेरै कम गणना लागत मा सटीकता मा ठूलो सुधार अवलोकन, अर्थात् १.६ अर्ब शब्दको डाटा सेटबाट उच्च गुणस्तरको शब्द भेक्टर सिक्न एक दिनभन्दा कम समय लाग्छ । यसबाहेक, हामी यी भेक्टरहरू हाम्रो परीक्षण सेटमा सिन्ट्याक्सिक र अर्थपूर्ण शब्द समानताहरू मापन गर्न अत्याधुनिक प्रदर्शन प्रदान गर्दछौं।
b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d	यस कागजातमा ५जी मिलिमिटर वेभ अनुप्रयोगहरूको लागि २९-३०जीएचजेड सक्रिय चरणबद्ध एरेको ६४-एलिमेन्ट प्रस्तुत गरिएको छ। प्रस्तावित चरणबद्ध एरे कम्पोजिटहरू ६४-एलिमेन्ट एन्टेना, ६४-च्यानल टी/आर मोड्युलहरू, ४ फ्रिक्वेन्सी रूपान्तरण लिङ्कहरू, बीम कन्ट्रोलिङ सर्किट्री, पावर व्यवस्थापन सर्किटहरू र कूलिङ फ्यानहरू हुन् र धेरै कम्प्याक्ट साइजमा एकीकृत छन् (१३५ मिमी X ७७ मिमी X ५६ मिमी) । हाइब्रिड एकीकरणको GaAs र Si सर्किट राम्रो आरएफ प्रदर्शन प्राप्त गर्न को लागी प्रयोग गरीन्छ। प्रस्तावित चरणबद्ध एरेको वास्तुकला र टी/आर मोड्युल र एन्टेनाको विस्तृत डिजाइनको विश्लेषण गरिएको छ। ओटीए (एयर) मापन द्वारा, प्रस्तावित चरणबद्ध सरणी २९.५ गीगाहर्जको केन्द्र आवृत्तिमा १ गीगाहर्जको ब्यान्डविथ प्राप्त गर्दछ, र अजिमुथ बीम-विस्तार १२ डिग्री हो ± 45 डिग्रीको स्क्यान दायराको साथ। 800MHz 64QAM संकेतहरूको उत्तेजनाको साथ, ट्रान्समिटर बीमले 5.5% को EVM प्राप्त गर्दछ, -30.5dBc को ACLR PA मा काम गर्दै -10dB फिर्ता बन्द, र मापन गरिएको संतृप्त EIRP 63 dBm हो।
5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

This dataset is part of the Bharat-NanoBEIR collection, which provides information retrieval datasets for Indian languages. It is derived from the NanoBEIR project, which offers smaller versions of BEIR datasets containing 50 queries and up to 10K documents each.

Dataset Description

This particular dataset is the Nepali version of the NanoSCIDOCS dataset, specifically adapted for information retrieval tasks. The translation and adaptation maintain the core structure of the original NanoBEIR while making it accessible for Nepali language processing.

Usage

This dataset is designed for:

Information Retrieval (IR) system development in Nepali
Evaluation of multilingual search capabilities
Cross-lingual information retrieval research
Benchmarking Nepali language models for search tasks

Dataset Structure

The dataset consists of three main components:

Corpus: Collection of documents in Nepali
Queries: Search queries in Nepali
QRels: Relevance judgments connecting queries to relevant documents

Citation

If you use this dataset, please cite:

@misc{bharat-nanobeir,
  title={Bharat-NanoBEIR: Indian Language Information Retrieval Datasets},
  year={2024},
  url={https://huggingface.co/datasets/carlfeynman/Bharat_NanoSCIDOCS_ne}
}