Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_kn

like 0

2f991be8d35e4c1a45bfb0d646673b1ef5239a1f

ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು ಏಕೆ ವರ್ತಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸಿಸ್ಟಮ್ ವಿನ್ಯಾಸಕರು ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಅನೇಕ ರೀತಿಯಲ್ಲಿ ಅಧಿಕಾರ ನೀಡುತ್ತದೆಃ ಮಾದರಿ ಆಯ್ಕೆ, ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್, ಭವಿಷ್ಯವಾಣಿಯನ್ನು ನಂಬಲು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಮತ್ತು ಹೆಚ್ಚು ಅರ್ಥಗರ್ಭಿತ ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್ಗಳಲ್ಲಿ. ಹೀಗಾಗಿ, ಅರ್ಥೈಸಬಲ್ಲಿಕೆ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಒಂದು ಪ್ರಮುಖ ಕಾಳಜಿಯಾಗಿದೆ, ಮತ್ತು ಅರ್ಥೈಸಬಲ್ಲ ಮಾದರಿಗಳ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೆಲಸವು ಹೊಸ ಆಸಕ್ತಿಯನ್ನು ಕಂಡುಕೊಂಡಿದೆ. ಕೆಲವು ಅನ್ವಯಗಳಲ್ಲಿ, ಅಂತಹ ಮಾದರಿಗಳು ಅರ್ಥೈಸಲಾಗದಂತಹವುಗಳಂತೆ ನಿಖರವಾಗಿರುತ್ತವೆ, ಮತ್ತು ಆದ್ದರಿಂದ ಅವುಗಳ ಪಾರದರ್ಶಕತೆಗಾಗಿ ಆದ್ಯತೆ ನೀಡಲಾಗುತ್ತದೆ. ಅವು ನಿಖರವಾಗಿಲ್ಲದಿದ್ದರೂ ಸಹ, ವ್ಯಾಖ್ಯಾನಿಸುವಿಕೆಯು ಅತ್ಯಂತ ಮಹತ್ವದ್ದಾಗಿರುವಾಗ ಅವು ಇನ್ನೂ ಆದ್ಯತೆ ನೀಡಬಹುದು. ಆದಾಗ್ಯೂ, ಅರ್ಥೈಸಬಹುದಾದ ಮಾದರಿಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಸೀಮಿತಗೊಳಿಸುವುದು ಸಾಮಾನ್ಯವಾಗಿ ತೀವ್ರ ಮಿತಿಯಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಮಾದರಿ-ಅಜ್ಞಾತ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಯಂತ್ರ ಕಲಿಕೆಯ ಭವಿಷ್ಯವಾಣಿಯನ್ನು ವಿವರಿಸುವ ಬಗ್ಗೆ ವಾದಿಸುತ್ತೇವೆ. ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ ಕಾರ್ಯಗಳಾಗಿ ಪರಿಗಣಿಸುವ ಮೂಲಕ, ಈ ವಿಧಾನಗಳು ಮಾದರಿಗಳು, ವಿವರಣೆಗಳು ಮತ್ತು ಪ್ರಾತಿನಿಧ್ಯಗಳ ಆಯ್ಕೆಯಲ್ಲಿ ನಿರ್ಣಾಯಕ ನಮ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ, ಡೀಬಗ್ ಮಾಡುವುದು, ಹೋಲಿಕೆ ಮತ್ತು ವಿವಿಧ ಬಳಕೆದಾರರು ಮತ್ತು ಮಾದರಿಗಳಿಗೆ ಇಂಟರ್ಫೇಸ್ಗಳನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ನಾವು ಅಂತಹ ವಿಧಾನಗಳಿಗೆ ಪ್ರಮುಖ ಸವಾಲುಗಳನ್ನು ಸಹ ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಇತ್ತೀಚೆಗೆ ಪರಿಚಯಿಸಲಾದ ಮಾದರಿ-ಅಜ್ಞಾತ ವಿವರಣಾ ವಿಧಾನವನ್ನು (LIME) ಪರಿಶೀಲಿಸುತ್ತೇವೆ, ಅದು ಈ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ.

546add32740ac350dda44bab06f56d4e206622ab

ಆಳವಾದ ನರಮಂಡಲಗಳು ಚಿತ್ರ ವರ್ಗೀಕರಣದಲ್ಲಿ ಪ್ರಭಾವಶಾಲಿ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಿವೆ, ಆದರೆ ವಿರೋಧಾತ್ಮಕ ಅಡಚಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಆಶ್ಚರ್ಯಕರವಾಗಿ ಅಸ್ಥಿರವಾಗಬಹುದು, ಅಂದರೆ, ಇನ್ಪುಟ್ ಚಿತ್ರದಲ್ಲಿನ ಕನಿಷ್ಠ ಬದಲಾವಣೆಗಳು ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತಪ್ಪಾಗಿ ವರ್ಗೀಕರಿಸಲು ಕಾರಣವಾಗುತ್ತವೆ. ಸಂಭಾವ್ಯ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಗ್ರಹಿಕೆ ಮಾಡ್ಯೂಲ್ಗಳು ಮತ್ತು ಸ್ವಯಂ ಚಾಲಿತ ಕಾರುಗಳಿಗೆ ಎಂಡ್-ಟು-ಎಂಡ್ ನಿಯಂತ್ರಕಗಳು ಸೇರಿವೆ, ಇದು ಅವುಗಳ ಸುರಕ್ಷತೆಯ ಬಗ್ಗೆ ಕಳವಳವನ್ನುಂಟು ಮಾಡುತ್ತದೆ. ನಾವು ತೃಪ್ತಿ ಮಾಡ್ಯುಲೊ ಸಿದ್ಧಾಂತ (ಎಸ್ಎಂಟಿ) ಆಧಾರಿತ ಫೀಡ್ ಫಾರ್ವರ್ಡ್ ಬಹು-ಲೇಯರ್ ನರಮಂಡಲಗಳಿಗೆ ಹೊಸ ಸ್ವಯಂಚಾಲಿತ ಪರಿಶೀಲನಾ ಚೌಕಟ್ಟನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. ನಾವು ಚಿತ್ರದ ಕುಶಲತೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ, ಉದಾಹರಣೆಗೆ ಗೀರುಗಳು ಅಥವಾ ಕ್ಯಾಮೆರಾ ಕೋನ ಅಥವಾ ಬೆಳಕಿನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳು, ಮತ್ತು ಚಿತ್ರದ ವರ್ಗೀಕರಣದ ನಿರ್ಧಾರಕ್ಕೆ ಸುರಕ್ಷತೆಯನ್ನು ವರ್ಗೀಕರಣದ ಅವಿಭಾಜ್ಯತೆಯ ವಿಷಯದಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ. ಮೂಲ ಚಿತ್ರದ ಕುಶಲತೆಯ ಬಗ್ಗೆ ಚಿತ್ರಗಳ ಪ್ರದೇಶದೊಳಗೆ. ನಾವು ಪ್ರದೇಶದ ಸಂಪೂರ್ಣ ಹುಡುಕಾಟವನ್ನು ಡಿಸ್ಕ್ರೆಟೈಸೇಶನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತೇವೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪದರದಿಂದ ಪದರಕ್ಕೆ ಹರಡುತ್ತೇವೆ. ನಮ್ಮ ವಿಧಾನವು ನೆಟ್ವರ್ಕ್ ಕೋಡ್ನೊಂದಿಗೆ ನೇರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳಿಗೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ನಿರ್ದಿಷ್ಟ ಪ್ರದೇಶ ಮತ್ತು ಕುಶಲತೆಯ ಕುಟುಂಬಕ್ಕೆ ಎದುರಾಳಿ ಉದಾಹರಣೆಗಳು, ಅವು ಅಸ್ತಿತ್ವದಲ್ಲಿದ್ದರೆ, ಕಂಡುಬರುತ್ತವೆ ಎಂದು ಖಾತರಿಪಡಿಸುತ್ತದೆ. ಪತ್ತೆಯಾದಾಗ, ಮಾನವನ ಪರೀಕ್ಷಕರಿಗೆ ಎದುರಾಳಿ ಉದಾಹರಣೆಗಳನ್ನು ತೋರಿಸಬಹುದು ಮತ್ತು/ಅಥವಾ ಜಾಲವನ್ನು ಉತ್ತಮವಾಗಿ ಹೊಂದಿಸಲು ಬಳಸಬಹುದು. ನಾವು Z3 ಅನ್ನು ಬಳಸಿಕೊಂಡು ತಂತ್ರಗಳನ್ನು ಅಳವಡಿಸುತ್ತೇವೆ ಮತ್ತು ಅವುಗಳನ್ನು ನಿಯಮಿತ ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಜಾಲಗಳು ಸೇರಿದಂತೆ ಅತ್ಯಾಧುನಿಕ ಜಾಲಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. ನಾವು ಸಹ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ತಂತ್ರಗಳನ್ನು ಹೋಲಿಸಿ ಎದುರಾಳಿ ಉದಾಹರಣೆಗಳನ್ನು ಹುಡುಕುತ್ತೇವೆ ಮತ್ತು ನೆಟ್ವರ್ಕ್ ದೃಢತೆಯನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತೇವೆ.

8db9df2eadea654f128c1887722c677c708e8a47

ಇದು ಇತ್ತೀಚಿನ ಗಮನ ಮಾದರಿಗಳ ಕುರಿತಾದ ಕೆಲಸವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಎಂಬೆಡೆಡ್ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ನಿಯೋಜಿಸಲು ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಂಕೀರ್ಣತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ಚೌಕಟ್ಟನ್ನು TORCS ಎಂಬ ತೆರೆದ ಮೂಲ 3D ಕಾರ್ ರೇಸಿಂಗ್ ಸಿಮ್ಯುಲೇಟರ್ನಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾಯಿತು. ನಮ್ಮ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳು ಸಂಕೀರ್ಣ ರಸ್ತೆ ವಕ್ರಾಕೃತಿ ಮತ್ತು ಇತರ ವಾಹನಗಳ ಸರಳ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಸನ್ನಿವೇಶದಲ್ಲಿ ಸ್ವಾಯತ್ತ ಕುಶಲತೆಯ ಕಲಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ. ಪರಿಚಯ ಸ್ವಯಂ ಚಾಲಿತ ರೋಬೋಟ್ ಕಾರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ದೀರ್ಘಕಾಲದ ಗುರಿಯಾಗಿದೆ. ವಾಹನ ಚಾಲನೆ ಮಾಡುವುದು ಮಾನವ ಚಾಲಕನಿಂದ ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಕೌಶಲ್ಯ, ಗಮನ ಮತ್ತು ಅನುಭವವನ್ನು ಅಗತ್ಯವಿರುವ ಒಂದು ಕಾರ್ಯವಾಗಿದೆ. ಕಂಪ್ಯೂಟರ್ಗಳು ಮಾನವರಿಗಿಂತ ಹೆಚ್ಚು ಗಮನ ಮತ್ತು ಗಮನವನ್ನು ಕೇಂದ್ರೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದ್ದರೂ, ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ ಚಾಲನೆಗೆ AI ಏಜೆಂಟ್ಗಳು ಇಲ್ಲಿಯವರೆಗೆ ಸಾಧಿಸಿದ ಗುಪ್ತಚರ ಮಟ್ಟವನ್ನು ಮೀರಿದ ಬುದ್ಧಿವಂತಿಕೆಯ ಮಟ್ಟದ ಅಗತ್ಯವಿದೆ. ಸ್ವಾಯತ್ತ ಚಾಲನಾ ಏಜೆಂಟ್ ಅನ್ನು ರಚಿಸುವಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಕಾರ್ಯಗಳನ್ನು ಚಿತ್ರ 1: 1 ರಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ 3 ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು. ಇದಕ್ಕೆ ಉದಾಹರಣೆಗಳೆಂದರೆ ಪಾದಚಾರಿ ಪತ್ತೆ, ಟ್ರಾಫಿಕ್ ಸೈನ್ ಗುರುತಿಸುವಿಕೆ ಇತ್ಯಾದಿ. ಕ್ಷುಲ್ಲಕತೆಯಿಂದ ದೂರವಿದ್ದರೂ, ಡೀಪ್ ಲರ್ನಿಂಗ್ (ಡಿಎಲ್) ಕ್ರಮಾವಳಿಗಳಲ್ಲಿನ ಪ್ರಗತಿಗೆ ಧನ್ಯವಾದಗಳು, ಗುರುತಿಸುವಿಕೆ ಇಂದು ತುಲನಾತ್ಮಕವಾಗಿ ಸುಲಭವಾದ ಕಾರ್ಯವಾಗಿದೆ, ಇದು ಹಲವಾರು ವಸ್ತು ಪತ್ತೆ ಮತ್ತು ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಮಾನವ ಮಟ್ಟದ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ತಲುಪಿದೆ [1] [2]. ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಕಚ್ಚಾ ಇನ್ಪುಟ್ ಡೇಟಾದಿಂದ ಸಂಕೀರ್ಣ ವೈಶಿಷ್ಟ್ಯ ನಿರೂಪಣೆಯನ್ನು ಕಲಿಯಲು ಸಮರ್ಥವಾಗಿವೆ, ಕೈಯಿಂದ ತಯಾರಿಸಿದ ವೈಶಿಷ್ಟ್ಯಗಳ ಅಗತ್ಯವನ್ನು ಬಿಟ್ಟುಬಿಡುತ್ತವೆ [15] [2] [7]. ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ಕನ್ವೊಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (ಸಿಎನ್ಎನ್ಗಳು) ಬಹುಶಃ ಅತ್ಯಂತ ಯಶಸ್ವಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯಾಗಿದೆ, ಮತ್ತು ಅಲೆಕ್ಸ್ನೆಟ್ [8] ರಿಂದ ಇಮೇಜ್ನೆಟ್ ಸವಾಲಿನ ಪ್ರತಿ ವಿಜೇತ ಪ್ರವೇಶದ ಆಧಾರವನ್ನು ರೂಪಿಸಿವೆ. ಈ ಯಶಸ್ಸನ್ನು ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಗಾಗಿ ಲೇನ್ ಮತ್ತು ವಾಹನ ಪತ್ತೆ ಕಾರ್ಯದಲ್ಲಿ ಪುನರಾವರ್ತಿಸಲಾಗಿದೆ [6]. 2) ಮುನ್ಸೂಚನೆ: ಸ್ವಾಯತ್ತ ಚಾಲನಾ ಏಜೆಂಟ್ ತನ್ನ ಪರಿಸರವನ್ನು ಗುರುತಿಸಲು ಇದು ಸಾಕಾಗುವುದಿಲ್ಲ; ಇದು ಪರಿಸರದ ಭವಿಷ್ಯದ ರಾಜ್ಯಗಳನ್ನು ಊಹಿಸುವ ಆಂತರಿಕ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಹ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಈ ವರ್ಗದ ಸಮಸ್ಯೆಯ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಪರಿಸರದ ನಕ್ಷೆಯನ್ನು ನಿರ್ಮಿಸುವುದು ಅಥವಾ ವಸ್ತುವನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಸೇರಿವೆ. ಭವಿಷ್ಯವನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ, ಹಿಂದಿನ ಮಾಹಿತಿಯನ್ನು ಸಂಯೋಜಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಈ ರೀತಿಯಾಗಿ, ಪುನರಾವರ್ತಿತ ನರ ಜಾಲಗಳು (ಆರ್ಎನ್ಎನ್ಗಳು) ಈ ವರ್ಗದ ಸಮಸ್ಯೆಗೆ ಅತ್ಯಗತ್ಯ. ದೀರ್ಘ-ಅಲ್ಪಾವಧಿಯ ಮೆಮೊರಿ (ಎಲ್ ಎಸ್ ಟಿ ಎಂ) ಜಾಲಗಳು [5] ಅಂತಹ ಒಂದು ವರ್ಗದ ಆರ್ಎನ್ಎನ್ ಆಗಿದ್ದು, ಇದನ್ನು ಎಂಡ್-ಟು-ಎಂಡ್ ದೃಶ್ಯ ಲೇಬಲಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಬಳಸಲಾಗಿದೆ [14]. ಇತ್ತೀಚೆಗೆ, ಡೀಪ್ ಟ್ರ್ಯಾಕಿಂಗ್ ಮಾದರಿಯಲ್ಲಿ ಆಬ್ಜೆಕ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ಆರ್ಎನ್ಎನ್ಗಳನ್ನು ಸಹ ಬಳಸಲಾಗಿದೆ [13]. 3) ಯೋಜನೆ: ವಾಹನವನ್ನು ಯಶಸ್ವಿಯಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಭವಿಷ್ಯದ ಚಾಲನಾ ಕ್ರಮಗಳ ಅನುಕ್ರಮವನ್ನು ಯೋಜಿಸಲು ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಮುನ್ಸೂಚನೆಯನ್ನು ಸಂಯೋಜಿಸುವ ದಕ್ಷ ಮಾದರಿಯ ಉತ್ಪಾದನೆ. ಯೋಜನೆ ಮಾಡುವುದು ಈ ಮೂರು ಕಾರ್ಯಗಳಲ್ಲಿ ಅತ್ಯಂತ ಕಷ್ಟಕರವಾದ ಕಾರ್ಯವಾಗಿದೆ. ಪರಿಸರವನ್ನು (ಗುರುತಿಸುವಿಕೆ) ಮತ್ತು ಅದರ ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು (ಭವಿಷ್ಯಸೂಚನೆ) ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಂಯೋಜಿಸುವಲ್ಲಿ ತೊಂದರೆ ಇದೆ, ಅದು ಭವಿಷ್ಯದ ಕ್ರಮಗಳನ್ನು ಯೋಜಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಅದು ಅನಗತ್ಯ ಸಂದರ್ಭಗಳನ್ನು (ದಂಡಗಳು) ತಪ್ಪಿಸುತ್ತದೆ ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿ ತನ್ನ ಗಮ್ಯಸ್ಥಾನಕ್ಕೆ (ಪ್ರಶಸ್ತಿಗಳು) ಚಲಿಸುತ್ತದೆ. ಚಿತ್ರ 1: ಉನ್ನತ ಮಟ್ಟದ ಸ್ವಾಯತ್ತ ಚಾಲನಾ ಕಾರ್ಯಗಳು ನಿಯಂತ್ರಣ ಕಾರ್ಯಗಳಲ್ಲಿ ದೀರ್ಘಕಾಲದವರೆಗೆ ಬಲವರ್ಧನೆ ಕಲಿಕೆ (ಆರ್ಎಲ್) ಚೌಕಟ್ಟನ್ನು [17] [20] ಬಳಸಲಾಗಿದೆ. [೯] ನಲ್ಲಿ ಮಾನವ ಮಟ್ಟದ ನಿಯಂತ್ರಣವನ್ನು ಸಾಧಿಸಲು ಆರ್ಎಲ್ ಮತ್ತು ಡಿಎಲ್ ಮಿಶ್ರಣವು ಅತ್ಯಂತ ಭರವಸೆಯ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಎಂದು ಗಮನಸೆಳೆದಿದೆ. [12] ಮತ್ತು [11] ರಲ್ಲಿ ಈ ಮಾನವ ಮಟ್ಟದ ನಿಯಂತ್ರಣವನ್ನು ಅಟಾರಿ ಆಟಗಳಲ್ಲಿ ಡೀಪ್ ಕ್ಯೂ ನೆಟ್ವರ್ಕ್ಸ್ (ಡಿಕ್ಯೂಎನ್) ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರದರ್ಶಿಸಲಾಯಿತು, ಇದರಲ್ಲಿ ಆರ್ಎಲ್ ಯೋಜನೆ ಭಾಗಕ್ಕೆ ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ ಮತ್ತು ಡಿಎಲ್ ಪ್ರಾತಿನಿಧ್ಯ ಕಲಿಕೆಯ ಭಾಗಕ್ಕೆ ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ. ನಂತರ, ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದ ಸನ್ನಿವೇಶಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲು ಆರ್ಎನ್ಎನ್ಗಳನ್ನು ಮಿಶ್ರಣದಲ್ಲಿ ಸಂಯೋಜಿಸಲಾಯಿತು [4]. ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆ ಮಾಹಿತಿಯ ಏಕೀಕರಣವನ್ನು ಬಯಸುತ್ತದೆ 02 53 2v 1 [ st at . M L ] 8 A pr 2 01 7 ಬಹು ಸಂವೇದಕಗಳಿಂದ ಅವುಗಳಲ್ಲಿ ಕೆಲವು ಕಡಿಮೆ ಆಯಾಮದವು, LIDAR ನಂತಹವು, ಇತರವುಗಳು ಹೆಚ್ಚಿನ ಆಯಾಮದವು, ಕ್ಯಾಮೆರಾಗಳಂತೆ. ಆದಾಗ್ಯೂ, ಈ ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆಯಲ್ಲಿ ಗಮನಿಸಬೇಕಾದ ಅಂಶವೆಂದರೆ, ಕಚ್ಚಾ ಕ್ಯಾಮೆರಾ ಚಿತ್ರಗಳು ಹೆಚ್ಚಿನ ಆಯಾಮದಿದ್ದರೂ, ಸ್ವಾಯತ್ತ ಚಾಲನಾ ಕಾರ್ಯವನ್ನು ಸಾಧಿಸಲು ಅಗತ್ಯವಾದ ಉಪಯುಕ್ತ ಮಾಹಿತಿಯು ಕಡಿಮೆ ಆಯಾಮದದ್ದಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಚಾಲನಾ ನಿರ್ಧಾರಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ದೃಶ್ಯದ ಪ್ರಮುಖ ಭಾಗಗಳು ಚಲಿಸುವ ವಾಹನಕ್ಕೆ ಸೀಮಿತವಾಗಿವೆ, ಮುಂದೆ ರಸ್ತೆಯಲ್ಲಿರುವ ಮುಕ್ತ ಸ್ಥಳ, ಕರ್ಬ್ಗಳ ಸ್ಥಾನ, ಇತ್ಯಾದಿ. ವಾಹನಗಳ ಸೂಕ್ಷ್ಮ ವಿವರಗಳು ಸಹ ಮುಖ್ಯವಲ್ಲ, ಏಕೆಂದರೆ ಅವುಗಳ ಪ್ರಾದೇಶಿಕ ಸ್ಥಳ ಮಾತ್ರ ಸಮಸ್ಯೆಗೆ ನಿಜವಾಗಿಯೂ ಅವಶ್ಯಕವಾಗಿದೆ. ಆದ್ದರಿಂದ ಸಂಬಂಧಿತ ಮಾಹಿತಿಗಾಗಿ ಮೆಮೊರಿ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಕಡಿಮೆ ಇರುತ್ತದೆ. ಈ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಸಾಧ್ಯವಾದರೆ, ಇತರ ಸಂಬಂಧವಿಲ್ಲದ ಭಾಗಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲಾಗಿದ್ದರೆ, ಇದು ಸ್ವಾಯತ್ತ ಚಾಲನಾ ವ್ಯವಸ್ಥೆಗಳ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಇದು ವ್ಯವಸ್ಥೆಯ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಮೆಮೊರಿ ಅವಶ್ಯಕತೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಇದು ಸ್ವಾಯತ್ತ ಚಾಲನಾ ನಿಯಂತ್ರಣ ಘಟಕವನ್ನು ಒಳಗೊಂಡಿರುವ ಎಂಬೆಡೆಡ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ನಿರ್ಣಾಯಕ ನಿರ್ಬಂಧಗಳಾಗಿವೆ. ಗಮನ ಮಾದರಿಗಳು ಅಂತಹ ಮಾಹಿತಿ ಫಿಲ್ಟರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗೆ ನೈಸರ್ಗಿಕ ಫಿಟ್ ಆಗಿರುತ್ತವೆ. ಇತ್ತೀಚೆಗೆ, ಈ ಮಾದರಿಗಳನ್ನು ಚಿತ್ರ ಗುರುತಿಸುವಿಕೆಗಾಗಿ [23] ಮತ್ತು [10] ನಲ್ಲಿ ಯಶಸ್ವಿಯಾಗಿ ನಿಯೋಜಿಸಲಾಗಿದೆ, ಇದರಲ್ಲಿ RL ಅನ್ನು RNN ಗಳೊಂದಿಗೆ ಮಿಶ್ರಣ ಮಾಡಲಾಗಿದ್ದು, ಚಿತ್ರದ ಭಾಗಗಳನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಳ್ಳಲು ಪಡೆಯಲಾಗಿದೆ. ಇಂತಹ ಮಾದರಿಗಳನ್ನು ಸುಲಭವಾಗಿ ವಿಸ್ತರಿಸಬಹುದು ಮತ್ತು ಡಿಕ್ಯೂಎನ್ [11] ಮತ್ತು ಡೀಪ್ ರಿಕರೆಂಟ್ ಕ್ಯೂ ನೆಟ್ವರ್ಕ್ಸ್ (ಡಿಆರ್ಕ್ಯೂಎನ್) [4] ಮಾದರಿಗಳಿಗೆ ಸಂಯೋಜಿಸಬಹುದು. ಈ ಏಕೀಕರಣವನ್ನು [16] ರಲ್ಲಿ ಮಾಡಲಾಯಿತು. ಗಮನ ಮಾದರಿಗಳ ಯಶಸ್ಸು ನಮ್ಮನ್ನು ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಕಚ್ಚಾ ಸಂವೇದನಾ ಮಾಹಿತಿಯಿಂದ ಕಡಿಮೆ ಮಟ್ಟದ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಪ್ರಸ್ತಾಪಿಸಲು ಪ್ರೇರೇಪಿಸುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಒಂದು ಅಂತಿಮ ಸ್ವಾಯತ್ತ ಚಾಲನಾ ಮಾದರಿಗಾಗಿ ಒಂದು ಚೌಕಟ್ಟನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಅದು ಕಚ್ಚಾ ಸಂವೇದಕ ಒಳಹರಿವುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಚಾಲನಾ ಕ್ರಮಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಮಾದರಿಯು ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದ ಸನ್ನಿವೇಶಗಳನ್ನು ನಿಭಾಯಿಸಲು ಸಮರ್ಥವಾಗಿದೆ. ಇದಲ್ಲದೆ, ಸ್ವೀಕರಿಸಿದ ಸಂವೇದಕ ದತ್ತಾಂಶದಿಂದ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ ಹೊರತೆಗೆಯಲು ಗಮನ ಮಾದರಿಗಳಲ್ಲಿ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಗಳನ್ನು ಸಂಯೋಜಿಸಲು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದರಿಂದಾಗಿ ಇದು ನೈಜ-ಸಮಯದ ಅಂತರ್ಗತ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ. ಈ ಪತ್ರಿಕೆಯ ಮುಖ್ಯ ಕೊಡುಗೆಗಳು: 1) ಆಳವಾದ ಬಲವರ್ಧಿತ ಕಲಿಕೆಯ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಗಳ ಸಮೀಕ್ಷೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಮತ್ತು 2) ಆಳವಾದ ಬಲವರ್ಧಿತ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಯನ್ನು ಕೊನೆಗೊಳಿಸಲು ವಾಹನ ಸಮುದಾಯಕ್ಕೆ ಒಂದು ಚೌಕಟ್ಟನ್ನು ಪರಿಚಯಿಸುವುದು. ಪತ್ರಿಕೆಯ ಉಳಿದ ಭಾಗವನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಮೊದಲ ಭಾಗವು ಆಳವಾದ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳ ಸಮೀಕ್ಷೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ಸಾಂಪ್ರದಾಯಿಕ ಎಂಡಿಪಿ ಚೌಕಟ್ಟು ಮತ್ತು ಕ್ಯೂ-ಲರ್ನಿಂಗ್ನಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ, ನಂತರ ಡಿಕ್ಯೂಎನ್, ಡಿಆರ್ಕ್ಯೂಎನ್ ಮತ್ತು ಡೀಪ್ ಅಟೆನ್ಷನ್ ಮರುಕಳಿಸುವ ಕ್ಯೂ ನೆಟ್ವರ್ಕ್ಗಳು (ಡಿಎಆರ್ಕ್ಯೂಎನ್). ಕಾಗದದ ಎರಡನೇ ಭಾಗವು ಆಳವಾದ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯಲ್ಲಿ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಯನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಸ್ತಾವಿತ ಚೌಕಟ್ಟನ್ನು ವಿವರಿಸುತ್ತದೆ. ಕೊನೆಯಲ್ಲಿ, ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ ಮತ್ತು ಭವಿಷ್ಯದ ಕೆಲಸಕ್ಕೆ ನಿರ್ದೇಶನಗಳನ್ನು ಸೂಚಿಸುತ್ತೇವೆ. ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಸಮಗ್ರ ಅವಲೋಕನಕ್ಕಾಗಿ, ದಯವಿಟ್ಟು ರಿಚ್ ಸಟ್ಟನ್ರ ಪಠ್ಯಪುಸ್ತಕದ [18] ಎರಡನೇ ಆವೃತ್ತಿಯನ್ನು ನೋಡಿ. ಈ ವಿಭಾಗದಲ್ಲಿ ನಾವು ಪ್ರಮುಖ ವಿಷಯಗಳ ಸಂಕ್ಷಿಪ್ತ ಅವಲೋಕನವನ್ನು ನೀಡುತ್ತೇವೆ. [17] ರಲ್ಲಿ ರೂಪುಗೊಂಡ ಒಂದು ಮಾದರಿಯಾಗಿ, ಏಜೆಂಟ್ ಅನುಸರಿಸಬಹುದಾದ ಅತ್ಯುತ್ತಮ ನೀತಿಯನ್ನು ಒದಗಿಸಲು (ಒಂದು ನಿರ್ದಿಷ್ಟ ಸ್ಥಿತಿಯಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಅತ್ಯುತ್ತಮ ಕ್ರಮ), ಅಂದರೆ ಏಜೆಂಟ್ ಆ ನೀತಿಯನ್ನು ಪ್ರಸ್ತುತದಿಂದ ಮತ್ತು ಟರ್ಮಿನಲ್ ಸ್ಥಿತಿಯನ್ನು ತಲುಪುವವರೆಗೆ ಅನುಸರಿಸಿದಾಗ ಒಟ್ಟು ಸಂಗ್ರಹವಾದ ಪ್ರತಿಫಲಗಳು ಗರಿಷ್ಠಗೊಳ್ಳುತ್ತವೆ. ಆರ್ಎಲ್ ಪ್ಯಾರಡೈಮ್ ಡ್ರೈವಿಂಗ್ಗಾಗಿ ಪ್ರೇರಣೆ ಬಹು-ಏಜೆಂಟ್ ಸಂವಹನ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಮಾನವ ಚಾಲಕನಾಗಿ, ಭಾರೀ ಸಂಚಾರದಲ್ಲಿ ಲೇನ್ಗಳನ್ನು ಬದಲಾಯಿಸುವುದಕ್ಕಿಂತ ಇತರ ಕಾರುಗಳೊಂದಿಗೆ ಯಾವುದೇ ಸಂವಹನವಿಲ್ಲದೆ ಲೇನ್ ಒಳಗೆ ಉಳಿಯುವುದು ಹೆಚ್ಚು ಸುಲಭ. ಇತರ ಚಾಲಕರ ನಡವಳಿಕೆಯಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ಅನಿಶ್ಚಿತತೆಯ ಕಾರಣದಿಂದಾಗಿ ಎರಡನೆಯದು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿದೆ. ಸಂವಹನ ನಡೆಸುವ ವಾಹನಗಳ ಸಂಖ್ಯೆ, ಅವುಗಳ ಜ್ಯಾಮಿತೀಯ ಸಂರಚನೆ ಮತ್ತು ಚಾಲಕರ ನಡವಳಿಕೆಯು ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿರಬಹುದು ಮತ್ತು ಎಲ್ಲಾ ಸನ್ನಿವೇಶಗಳ ಸಮಗ್ರ ವ್ಯಾಪ್ತಿಯೊಂದಿಗೆ ಮೇಲ್ವಿಚಾರಣೆ ಕಲಿಕೆಯ ದತ್ತಾಂಶವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಸವಾಲಿನ ಸಂಗತಿಯಾಗಿದೆ. ಮಾನವ ಚಾಲಕರು ಇತರ ಚಾಲಕರ ನಡವಳಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕೆಲವು ರೀತಿಯ ಆನ್ಲೈನ್ ಬಲವರ್ಧನೆ ಕಲಿಕೆಯನ್ನು ಬಳಸುತ್ತಾರೆ, ಉದಾಹರಣೆಗೆ ಅವರು ರಕ್ಷಣಾತ್ಮಕ ಅಥವಾ ಆಕ್ರಮಣಕಾರಿ, ಅನುಭವಿ ಅಥವಾ ಅನನುಭವಿ ಇತ್ಯಾದಿ. ಇದು ವಿಶೇಷವಾಗಿ ಸಂಚಾರದ ಸಮಯದಲ್ಲಿ ಸಂಚಾರ ದಾರಿ ಬದಲಿಸುವ, ಟ್ರಾಫಿಕ್ ಲೈಟ್ ಇಲ್ಲದಿರುವ ಜಂಕ್ಷನ್ಗಳಲ್ಲಿ ಸಂಚರಿಸುವ, ರಸ್ತೆಗಳಲ್ಲಿನ ರಸ್ತೆಗಳನ್ನು ಬದಲಾಯಿಸುವ, ರಸ್ತೆಗಳನ್ನು ಸುತ್ತುವಂತಹ ಸಂಚಾರದ ಸಮಯದಲ್ಲಿ ಸಂವಹನ ನಡೆಸುವಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿದೆ. ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಯಲ್ಲಿನ ಮುಖ್ಯ ಸವಾಲು ಎಂದರೆ ಮಾನವ ಚಾಲಕನಿಗೂ ಸಹ ಅನಿರೀಕ್ಷಿತವಾದ ಕರ್ನರ್ ಪ್ರಕರಣಗಳನ್ನು ನಿಭಾಯಿಸುವುದು, ಉದಾಹರಣೆಗೆ ಜಿಪಿಎಸ್ ಇಲ್ಲದೆ ಅಪರಿಚಿತ ಪ್ರದೇಶದಲ್ಲಿ ಕಳೆದುಹೋದ ನಂತರ ಚೇತರಿಸಿಕೊಳ್ಳುವುದು ಅಥವಾ ಪ್ರವಾಹ ಅಥವಾ ನೆಲದ ಮೇಲೆ ಸಿಂಕ್ಹೋಲ್ನಂತಹ ವಿಪತ್ತು ಪರಿಸ್ಥಿತಿಗಳನ್ನು ನಿಭಾಯಿಸುವುದು. ಆರ್ಎಲ್ ಮಾದರಿಯು ಅನ್ವೇಷಿಸದ ಪ್ರದೇಶವನ್ನು ರೂಪಿಸುತ್ತದೆ ಮತ್ತು ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ ತನ್ನದೇ ಆದ ಅನುಭವದಿಂದ ಕಲಿಯುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾದ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಸವಾಲುಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ವ್ಯತ್ಯಾಸವಿಲ್ಲದ ವೆಚ್ಚ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಆರ್ಎಲ್ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಪ್ರಸ್ತುತ, ಸ್ವಾಯತ್ತ ಚಾಲನೆಗಾಗಿ ಪ್ರಮಾಣಿತ ವಿಧಾನವು ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರತ್ಯೇಕ ಉಪ-ಸಮಸ್ಯೆಗಳಾಗಿ ವಿಂಗಡಿಸುವುದು, ಸಾಮಾನ್ಯವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ-ಕಲಿಕೆಯಂತಹ ವಸ್ತು ಪತ್ತೆ, ದೃಶ್ಯ ಒಡೊಮೆಟ್ರಿ, ಇತ್ಯಾದಿ ಮತ್ತು ನಂತರ ಹಿಂದಿನ ಹಂತಗಳ ಎಲ್ಲಾ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಯೋಜಿಸಲು ನಂತರದ ಸಂಸ್ಕರಣಾ ಪದರವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಈ ವಿಧಾನದಲ್ಲಿ ಎರಡು ಮುಖ್ಯ ಸಮಸ್ಯೆಗಳಿವೆ. ಮೊದಲನೆಯದಾಗಿ, ಪರಿಹರಿಸಲಾಗುವ ಉಪ-ಸಮಸ್ಯೆಗಳು ಸ್ವಾಯತ್ತ ಚಾಲನೆಗಿಂತ ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿರಬಹುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಶಬ್ದಾರ್ಥದ ವಿಭಜನೆಯ ಮೂಲಕ ವಸ್ತುವಿನ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಪರಿಹರಿಸಬಹುದು, ಇದು ಸವಾಲಿನ ಮತ್ತು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ. ಮಾನವ ಚಾಲಕರು ಚಾಲನೆ ಮಾಡುವಾಗ ಎಲ್ಲಾ ಗೋಚರ ವಸ್ತುಗಳನ್ನು ಪತ್ತೆ ಹಚ್ಚುವುದಿಲ್ಲ ಮತ್ತು ವರ್ಗೀಕರಿಸುವುದಿಲ್ಲ, ಕೇವಲ ಅತ್ಯಂತ ಸೂಕ್ತವಾದವುಗಳನ್ನು ಮಾತ್ರ. ಎರಡನೆಯದಾಗಿ, ಪ್ರತ್ಯೇಕ ಉಪ-ಸಮಸ್ಯೆಗಳು ಸುಸಂಬದ್ಧವಾಗಿ ಸಂಯೋಜಿಸದೆ ಇರಬಹುದು ಬಲವರ್ಧಿತ ಕಲಿಕೆಯನ್ನು ಬಲವಾದ AI ಮಾದರಿಯೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಇದನ್ನು ಪರಿಸರದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ಮೂಲಕ ಮತ್ತು ಅವರ ತಪ್ಪುಗಳಿಂದ ಕಲಿಯುವ ಮೂಲಕ ಯಂತ್ರಗಳನ್ನು ಕಲಿಸಲು ಬಳಸಬಹುದು. ಇದರ ಗ್ರಹಿಸಿದ ಉಪಯುಕ್ತತೆಯ ಹೊರತಾಗಿಯೂ, ಇದನ್ನು ವಾಹನ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಇನ್ನೂ ಯಶಸ್ವಿಯಾಗಿ ಅನ್ವಯಿಸಲಾಗಿಲ್ಲ. ಅಟಾರಿ ಆಟಗಳು ಮತ್ತು ಗೂಗಲ್ ಡೀಪ್ ಮೈಂಡ್ನಿಂದ ಗೋ ಕಲಿಕೆಯ ಯಶಸ್ವಿ ಪ್ರದರ್ಶನಗಳಿಂದ ಪ್ರೇರಿತವಾಗಿ, ನಾವು ಆಳವಾದ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ವಾಯತ್ತ ಚಾಲನೆಗಾಗಿ ಒಂದು ಚೌಕಟ್ಟನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಇದು ವಿಶೇಷವಾಗಿ ಪ್ರಸ್ತುತವಾಗಿದೆ ಏಕೆಂದರೆ ಇತರ ವಾಹನಗಳು, ಪಾದಚಾರಿಗಳು ಮತ್ತು ರಸ್ತೆ ಕಾಮಗಾರಿಗಳು ಸೇರಿದಂತೆ ಪರಿಸರದೊಂದಿಗೆ ಬಲವಾದ ಪರಸ್ಪರ ಕ್ರಿಯೆಯಿಂದಾಗಿ ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಯಾಗಿ ರೂಪಿಸುವುದು ಕಷ್ಟ. ಇದು ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಗಾಗಿ ಸಂಶೋಧನೆಯ ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ಕ್ಷೇತ್ರವಾಗಿರುವುದರಿಂದ, ನಾವು ಆಳವಾದ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಬಗ್ಗೆ ಸಂಕ್ಷಿಪ್ತ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತೇವೆ ಮತ್ತು ನಂತರ ನಮ್ಮ ಪ್ರಸ್ತಾವಿತ ಚೌಕಟ್ಟನ್ನು ವಿವರಿಸುತ್ತೇವೆ. ಇದು ಮಾಹಿತಿ ಏಕೀಕರಣಕ್ಕಾಗಿ ಪುನರಾವರ್ತಿತ ನರ ಜಾಲಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದ ಸನ್ನಿವೇಶಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಕಾರನ್ನು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ.

a4d513cfc9d4902ef1a80198582f29b8ba46ac28

ಈ ವರದಿಯು AI ಯ ದುರುದ್ದೇಶಪೂರಿತ ಬಳಕೆಗಳಿಂದ ಉಂಟಾಗುವ ಸಂಭಾವ್ಯ ಭದ್ರತಾ ಬೆದರಿಕೆಗಳ ಭೂದೃಶ್ಯವನ್ನು ಸಮೀಕ್ಷೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಈ ಬೆದರಿಕೆಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಮುನ್ಸೂಚಿಸಲು, ತಡೆಗಟ್ಟಲು ಮತ್ತು ತಗ್ಗಿಸಲು ಮಾರ್ಗಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ. ಡಿಜಿಟಲ್, ಭೌತಿಕ ಮತ್ತು ರಾಜಕೀಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ಬೆದರಿಕೆ ಭೂದೃಶ್ಯವನ್ನು AI ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿಶ್ಲೇಷಿಸಿದ ನಂತರ, ನಾವು AI ಸಂಶೋಧಕರು ಮತ್ತು ಇತರ ಮಧ್ಯಸ್ಥಗಾರರಿಗೆ ನಾಲ್ಕು ಉನ್ನತ ಮಟ್ಟದ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡುತ್ತೇವೆ. ರಕ್ಷಣಾ ಪೋರ್ಟ್ಫೋಲಿಯೊವನ್ನು ವಿಸ್ತರಿಸಬಹುದಾದ ಅಥವಾ ದಾಳಿಯನ್ನು ಕಡಿಮೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿಸುವ ಅಥವಾ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಕಷ್ಟಕರವಾಗಿಸುವ ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಗಾಗಿ ನಾವು ಹಲವಾರು ಭರವಸೆಯ ಪ್ರದೇಶಗಳನ್ನು ಸಹ ಸೂಚಿಸುತ್ತೇವೆ. ಅಂತಿಮವಾಗಿ, ನಾವು ಚರ್ಚಿಸುತ್ತೇವೆ, ಆದರೆ ನಿರ್ಣಾಯಕವಾಗಿ ಪರಿಹರಿಸುವುದಿಲ್ಲ, ದಾಳಿಕೋರರು ಮತ್ತು ರಕ್ಷಕರ ದೀರ್ಘಕಾಲೀನ ಸಮತೋಲನ.

b5a047dffc3d70dce19de61257605dfc8c69535c

ಸಂಕೀರ್ಣ, ನೈಜ ಜಗತ್ತಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಆಳವಾದ ನರ ಜಾಲಗಳು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಸಾಧನವಾಗಿ ಹೊರಹೊಮ್ಮಿವೆ. ಆದಾಗ್ಯೂ, ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಅವುಗಳನ್ನು ಅನ್ವಯಿಸುವಲ್ಲಿ ಒಂದು ಪ್ರಮುಖ ಅಡಚಣೆಯೆಂದರೆ ಅವುಗಳ ನಡವಳಿಕೆಯ ಬಗ್ಗೆ ಔಪಚಾರಿಕ ಖಾತರಿಗಳನ್ನು ಒದಗಿಸುವಲ್ಲಿನ ದೊಡ್ಡ ತೊಂದರೆ. ಆಳವಾದ ನರ ಜಾಲಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪರಿಶೀಲಿಸಲು (ಅಥವಾ ಪ್ರತಿ-ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸಲು) ನಾವು ಹೊಸ, ಸ್ಕೇಲೆಬಲ್ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ತಂತ್ರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಈ ತಂತ್ರವು ಸಿಂಪ್ಲೆಕ್ಸ್ ವಿಧಾನವನ್ನು ಆಧರಿಸಿದೆ, ಇದು ಕಂದಕವಲ್ಲದ ಸರಿಪಡಿಸಿದ ರೇಖೀಯ ಘಟಕ (ReLU) ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ವಿಸ್ತರಿಸಿದೆ, ಇದು ಅನೇಕ ಆಧುನಿಕ ನರಮಂಡಲಗಳಲ್ಲಿ ನಿರ್ಣಾಯಕ ಅಂಶವಾಗಿದೆ. ಪರಿಶೀಲನಾ ವಿಧಾನವು ಯಾವುದೇ ಸರಳೀಕರಿಸುವ ಊಹೆಗಳನ್ನು ಮಾಡದೆ, ನರಮಂಡಲಗಳನ್ನು ಒಟ್ಟಾರೆಯಾಗಿ ನಿಭಾಯಿಸುತ್ತದೆ. ನಾವು ನಮ್ಮ ತಂತ್ರವನ್ನು ಮಾನವರಹಿತ ವಿಮಾನಗಳಿಗಾಗಿ ಮುಂದಿನ ಪೀಳಿಗೆಯ ವಾಯುಗಾಮಿ ಘರ್ಷಣೆ ತಪ್ಪಿಸುವ ವ್ಯವಸ್ಥೆಯ (ACAS Xu) ಮೂಲಮಾದರಿಯ ಆಳವಾದ ನರ ಜಾಲ ಅನುಷ್ಠಾನದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇವೆ. ಫಲಿತಾಂಶಗಳು ನಮ್ಮ ತಂತ್ರವು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರಿಶೀಲಿಸಿದ ಅತಿದೊಡ್ಡ ನೆಟ್ವರ್ಕ್ಗಳಿಗಿಂತ ಒಂದು ಶ್ರೇಣಿಯ ದೊಡ್ಡದಾದ ನೆಟ್ವರ್ಕ್ಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಸಾಬೀತುಪಡಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ.

b4bd9fab8439da4939a980a950838d1299a9b030

ಬಳಕೆಯ ಸಂಪೂರ್ಣ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳು: http://pubsonline.informs.org/page/terms-and-conditions ಈ ಲೇಖನವನ್ನು ಸಂಶೋಧನೆ, ಬೋಧನೆ ಮತ್ತು / ಅಥವಾ ಖಾಸಗಿ ಅಧ್ಯಯನದ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಬಳಸಬಹುದು. ಪ್ರಕಟಕನ ಸ್ಪಷ್ಟ ಅನುಮೋದನೆ ಇಲ್ಲದೆ ವಾಣಿಜ್ಯ ಬಳಕೆ ಅಥವಾ ವ್ಯವಸ್ಥಿತ ಡೌನ್ಲೋಡ್ (ರೋಬೋಟ್ಗಳು ಅಥವಾ ಇತರ ಸ್ವಯಂಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಗಳಿಂದ) ನಿಷೇಧಿಸಲಾಗಿದೆ, ಇಲ್ಲದಿದ್ದರೆ ಸೂಚಿಸಲಾಗಿದೆ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, [email protected]. ಪ್ರಕಾಶಕರು ಲೇಖನದ ನಿಖರತೆ, ಸಂಪೂರ್ಣತೆ, ಮಾರಾಟದ ಸಾಮರ್ಥ್ಯ, ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶಕ್ಕಾಗಿ ಸೂಕ್ತತೆ ಅಥವಾ ಉಲ್ಲಂಘನೆಯಾಗದಿರುವುದನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ. ಉತ್ಪನ್ನಗಳು ಅಥವಾ ಪ್ರಕಟಣೆಗಳ ವಿವರಣೆಗಳು ಅಥವಾ ಉಲ್ಲೇಖಗಳು, ಅಥವಾ ಈ ಲೇಖನದಲ್ಲಿ ಜಾಹೀರಾತನ್ನು ಸೇರಿಸುವುದು, ಆ ಉತ್ಪನ್ನ, ಪ್ರಕಟಣೆ ಅಥವಾ ಸೇವೆಯ ಬಗ್ಗೆ ಮಾಡಿದ ಹಕ್ಕುಗಳ ಖಾತರಿ, ಅನುಮೋದನೆ ಅಥವಾ ಬೆಂಬಲವನ್ನು ಹೊಂದಿಲ್ಲ ಅಥವಾ ಸೂಚಿಸುವುದಿಲ್ಲ. © 1990 INFORMS ಇತರೆ ಮಾಹಿತಿ

5288d14f6a3937df5e10109d4e23d79b7ddf080f

c9946fedf333df0c6404765ba6ccbf8006779753

ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಯು ಚಾಲಕನ ಅನುಕೂಲತೆ ಮತ್ತು ಸುರಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸಿದೆ. ನಮ್ಮ ಪ್ರಸ್ತುತ ಸಂಚಾರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸ್ವಾಯತ್ತ ಚಾಲನೆಯನ್ನು ಪರಿಚಯಿಸುವಾಗ, ಒಂದು ಪ್ರಮುಖ ವಿಷಯವೆಂದರೆ ಸ್ವಾಯತ್ತ ವಾಹನವು ನಿಜವಾದ ಮಾನವ ಚಾಲಕರಂತೆಯೇ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಭವಿಷ್ಯದ ಸ್ವಾಯತ್ತ ವಾಹನವು ಮಾನವ ಚಾಲಕರಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ಈ ಕಾಗದವು ವಾಹನ ಚಲನೆಯ ಯೋಜನೆ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ, ಇದು ಚಾಲಕರು ನಿಜವಾದ ಸಂಕೇತದ ಅಡ್ಡಹಾದಿಯಲ್ಲಿನ ಸಂಚಾರ ಪರಿಸರಗಳ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿ ವಾಹನಗಳನ್ನು ಹೇಗೆ ನಿಯಂತ್ರಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ಚಲನೆಯ ಯೋಜನೆ ಮಾದರಿಯು ಪಾದಚಾರಿ ಉದ್ದೇಶ ಪತ್ತೆ, ಅಂತರ ಪತ್ತೆ ಮತ್ತು ವಾಹನ ಡೈನಾಮಿಕ್ ನಿಯಂತ್ರಣ ಕಾರ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಮೂರು ಕಾರ್ಯಗಳನ್ನು ನೈಜ ಸಂಚಾರ ಪರಿಸರದಿಂದ ಸಂಗ್ರಹಿಸಿದ ನೈಜ ದತ್ತಾಂಶದ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಮಿಸಲಾಗಿದೆ. ಅಂತಿಮವಾಗಿ, ಈ ಪತ್ರಿಕೆಯು ನಮ್ಮ ಮಾದರಿಯ ನಡವಳಿಕೆಗಳನ್ನು ನಿಜವಾದ ಪಾದಚಾರಿಗಳ ಮತ್ತು ಮಾನವ ಚಾಲಕರ ನಡವಳಿಕೆಗಳೊಂದಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ಪ್ರಸ್ತಾಪಿತ ವಿಧಾನದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ನಮ್ಮ ಪ್ರಸ್ತಾವಿತ ಮಾದರಿಯು ಪಾದಚಾರಿ ದಾಟುವ ಉದ್ದೇಶಕ್ಕಾಗಿ 85% ಗುರುತಿಸುವಿಕೆಯ ದರವನ್ನು ಸಾಧಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಪ್ರಸ್ತಾವಿತ ಚಲನೆಯ ಯೋಜನೆ ಮಾದರಿಯಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುವ ವಾಹನ ಮತ್ತು ನಿಜವಾದ ಮಾನವ-ಚಾಲಿತ ವಾಹನವು ಅಡ್ಡಹಾಯುವಿಕೆಯ ಅಂತರವನ್ನು ಸ್ವೀಕರಿಸುವಲ್ಲಿ ಬಹಳ ಹೋಲುತ್ತವೆ.

061356704ec86334dbbc073985375fe13cd39088

ಈ ಕೆಲಸದಲ್ಲಿ ನಾವು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಚಿತ್ರ ಗುರುತಿಸುವಿಕೆ ಸೆಟ್ಟಿಂಗ್ನಲ್ಲಿ ಅದರ ನಿಖರತೆಯ ಮೇಲೆ ಸುರುಳಿಯಾಕಾರದ ನೆಟ್ವರ್ಕ್ ಆಳದ ಪರಿಣಾಮವನ್ನು ತನಿಖೆ ಮಾಡುತ್ತೇವೆ. ನಮ್ಮ ಮುಖ್ಯ ಕೊಡುಗೆ ಹೆಚ್ಚುತ್ತಿರುವ ಆಳದ ಜಾಲಗಳ ಸಂಪೂರ್ಣ ಮೌಲ್ಯಮಾಪನವಾಗಿದೆ, ಇದು ಹಿಂದಿನ ತಂತ್ರಜ್ಞಾನದ ಸಂರಚನೆಗಳ ಮೇಲೆ ಗಮನಾರ್ಹ ಸುಧಾರಣೆಯನ್ನು 16-19 ತೂಕದ ಪದರಗಳಿಗೆ ಆಳವನ್ನು ತಳ್ಳುವ ಮೂಲಕ ಸಾಧಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. ಈ ಸಂಶೋಧನೆಗಳು ನಮ್ಮ ಇಮೇಜ್ ನೆಟ್ ಚಾಲೆಂಜ್ 2014 ಸಲ್ಲಿಕೆಗೆ ಆಧಾರವಾಗಿದ್ದವು, ಅಲ್ಲಿ ನಮ್ಮ ತಂಡವು ಮೊದಲ ಮತ್ತು ಎರಡನೆಯ ಸ್ಥಾನಗಳನ್ನು ಪಡೆದುಕೊಂಡಿತು. ನಮ್ಮ ಪ್ರಾತಿನಿಧ್ಯಗಳು ಇತರ ದತ್ತಾಂಶಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತವೆ, ಇದು ಅತ್ಯಾಧುನಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುತ್ತದೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಮುಖ್ಯವಾಗಿ, ನಾವು ನಮ್ಮ ಎರಡು ಅತ್ಯುತ್ತಮ ಪ್ರದರ್ಶನ ಕಾನ್ವೆಟ್ ಮಾದರಿಗಳನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡಿದ್ದೇವೆ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯಲ್ಲಿ ಆಳವಾದ ದೃಶ್ಯ ನಿರೂಪಣೆಗಳ ಬಳಕೆಯ ಕುರಿತು ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಗೆ ಅನುಕೂಲವಾಗುವಂತೆ.

14318685b5959b51d0f1e3db34643eb2855dc6d9

ನಾವು ಆಳವಾದ ಕನ್ವೊಲ್ಯೂಷನಲ್ ನರಮಂಡಲದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದು ಇಮೇಜ್ನೆಟ್ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ದೃಶ್ಯ ಗುರುತಿಸುವಿಕೆ ಸವಾಲು 2014 (ಐಎಲ್ಎಸ್ವಿಆರ್ಸಿ 14) ನಲ್ಲಿ ವರ್ಗೀಕರಣ ಮತ್ತು ಪತ್ತೆಗಾಗಿ ಹೊಸ ಕಲಾ ಸ್ಥಿತಿಯನ್ನು ಸಾಧಿಸುತ್ತದೆ. ಈ ವಾಸ್ತುಶಿಲ್ಪದ ಮುಖ್ಯ ಲಕ್ಷಣವೆಂದರೆ ಜಾಲಬಂಧದೊಳಗಿನ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳ ಸುಧಾರಿತ ಬಳಕೆ. ಎಚ್ಚರಿಕೆಯಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ವಿನ್ಯಾಸದ ಮೂಲಕ, ನಾವು ಗಣನಾ ಬಜೆಟ್ ಅನ್ನು ಸ್ಥಿರವಾಗಿರಿಸಿಕೊಂಡು ಜಾಲದ ಆಳ ಮತ್ತು ಅಗಲವನ್ನು ಹೆಚ್ಚಿಸಿದ್ದೇವೆ. ಗುಣಮಟ್ಟವನ್ನು ಉತ್ತಮಗೊಳಿಸಲು, ವಾಸ್ತುಶಿಲ್ಪದ ನಿರ್ಧಾರಗಳು ಹೆಬ್ಬಿಯನ್ ತತ್ವ ಮತ್ತು ಬಹು-ಪ್ರಮಾಣದ ಸಂಸ್ಕರಣೆಯ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಆಧರಿಸಿವೆ. ILSVRC14ಗಾಗಿ ನಮ್ಮ ಸಲ್ಲಿಕೆಯಲ್ಲಿ ಬಳಸಲಾದ ಒಂದು ನಿರ್ದಿಷ್ಟ ಅವತಾರವನ್ನು GoogLeNet ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು 22 ಪದರಗಳ ಆಳವಾದ ಜಾಲವಾಗಿದ್ದು, ಅದರ ಗುಣಮಟ್ಟವನ್ನು ವರ್ಗೀಕರಣ ಮತ್ತು ಪತ್ತೆ ಹಚ್ಚುವಿಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ.

1827de6fa9c9c1b3d647a9d707042e89cf94abf0

ಆಳವಾದ ನರ ಜಾಲಗಳ ತರಬೇತಿ ಸಂಕೀರ್ಣವಾಗಿದೆ ಏಕೆಂದರೆ ಪ್ರತಿ ಪದರದ ಇನ್ಪುಟ್ಗಳ ವಿತರಣೆಯು ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಬದಲಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಹಿಂದಿನ ಪದರಗಳ ನಿಯತಾಂಕಗಳು ಬದಲಾಗುತ್ತವೆ. ಇದು ಕಡಿಮೆ ಕಲಿಕೆಯ ದರಗಳು ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ನಿಯತಾಂಕ ಆರಂಭಿಕ ಅಗತ್ಯವಿರುವ ಮೂಲಕ ತರಬೇತಿಯನ್ನು ನಿಧಾನಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಸ್ಯಾಚುರೇಟಿಂಗ್ ಅನಿಯಮಿತತೆಗಳೊಂದಿಗೆ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಲು ಇದು ಬಹಳ ಕಷ್ಟಕರವಾಗಿದೆ. ನಾವು ಈ ವಿದ್ಯಮಾನವನ್ನು ಆಂತರಿಕ ಕೋವರಿಯೇಟ್ ಶಿಫ್ಟ್ ಎಂದು ಉಲ್ಲೇಖಿಸುತ್ತೇವೆ ಮತ್ತು ಪದರ ಇನ್ಪುಟ್ಗಳನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸುವ ಮೂಲಕ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತೇವೆ. ನಮ್ಮ ವಿಧಾನವು ಅದರ ಶಕ್ತಿಯನ್ನು ಮಾದರಿ ವಾಸ್ತುಶಿಲ್ಪದ ಒಂದು ಭಾಗವಾಗಿ ಮಾಡುವ ಮೂಲಕ ಮತ್ತು ಪ್ರತಿ ತರಬೇತಿ ಮಿನಿ-ಬ್ಯಾಚ್ಗೆ ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ನಿರ್ವಹಿಸುವುದರಿಂದ ಪಡೆಯುತ್ತದೆ. ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಸೇಶನ್ ನಮಗೆ ಹೆಚ್ಚು ಉನ್ನತ ಕಲಿಕೆಯ ದರಗಳನ್ನು ಬಳಸಲು ಮತ್ತು ಆರಂಭಿಕ ಬಗ್ಗೆ ಕಡಿಮೆ ಎಚ್ಚರಿಕೆಯಿಂದಿರಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಮತ್ತು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಡ್ರಾಪ್ಔಟ್ ಅಗತ್ಯವನ್ನು ನಿವಾರಿಸುತ್ತದೆ. ಅತ್ಯಾಧುನಿಕ ಇಮೇಜ್ ವರ್ಗೀಕರಣ ಮಾದರಿಗೆ ಅನ್ವಯಿಸಿದಾಗ, ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಸೇಶನ್ 14 ಪಟ್ಟು ಕಡಿಮೆ ತರಬೇತಿ ಹಂತಗಳೊಂದಿಗೆ ಅದೇ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ ಮತ್ತು ಮೂಲ ಮಾದರಿಯನ್ನು ಗಮನಾರ್ಹ ಅಂಚಿನಿಂದ ಸೋಲಿಸುತ್ತದೆ. ಬ್ಯಾಚ್-ಸಾಮಾನ್ಯೀಕೃತ ಜಾಲಗಳ ಸಮೂಹವನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಇಮೇಜ್ನೆಟ್ ವರ್ಗೀಕರಣದಲ್ಲಿ ಪ್ರಕಟವಾದ ಅತ್ಯುತ್ತಮ ಫಲಿತಾಂಶವನ್ನು ಸುಧಾರಿಸುತ್ತೇವೆಃ 4.82% ಟಾಪ್-5 ಪರೀಕ್ಷಾ ದೋಷವನ್ನು ತಲುಪುವುದು, ಮಾನವ ರೇಟರ್ಗಳ ನಿಖರತೆಯನ್ನು ಮೀರಿಸುತ್ತದೆ.

6e80768219b2ab5a3247444cfb280e8d33d369f0

ಈ ಲೇಖನದಲ್ಲಿ ಅಲ್ಟ್ರಾ-ವೈಡ್ ಬ್ಯಾಂಡ್ (UWB) ವಿದ್ಯುತ್ ವಿಭಾಜಕವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಈ ವಿದ್ಯುತ್ ವಿಭಾಜಕದ UWB ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಘಾತೀಯ ಮತ್ತು ಅಂಡಾಕಾರದ ವಿಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಕೋನೀಯ ಮೈಕ್ರೊಸ್ಟ್ರಿಪ್ ರೇಖೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆಯಲಾಗುತ್ತದೆ. ಒರಟಾದ ಧಾನ್ಯದ ಸಮಾನಾಂತರ ಸೂಕ್ಷ್ಮ-ಆನುವಂಶಿಕ ಅಲ್ಗಾರಿದಮ್ (ಪಿಎಂಜಿಎ) ಮತ್ತು ಸಿಎಸ್ಟಿ ಮೈಕ್ರೋವೇವ್ ಸ್ಟುಡಿಯೋವನ್ನು ಸ್ವಯಂಚಾಲಿತ ಸಮಾನಾಂತರ ವಿನ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಾಧಿಸಲು ಸಂಯೋಜಿಸಲಾಗಿದೆ. ಈ ವಿಧಾನವನ್ನು ಯುಡಬ್ಲ್ಯೂಬಿ ಪವರ್ ಡಿವೈಡರ್ ಅನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಅತ್ಯುತ್ತಮ ವಿದ್ಯುತ್ ವಿಭಾಜಕವನ್ನು ತಯಾರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅಳೆಯಲಾಗುತ್ತದೆ. ಅಳತೆ ಮಾಡಿದ ಫಲಿತಾಂಶಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ಅಳವಡಿಕೆ ನಷ್ಟ, ಉತ್ತಮ ರಿಟರ್ನ್ ನಷ್ಟ ಮತ್ತು ಇಡೀ UWB (3.1-10.6 GHz) ನಲ್ಲಿ output ಟ್ಪುಟ್ ಪೋರ್ಟ್ಗಳ ನಡುವೆ ಹೆಚ್ಚಿನ ಪ್ರತ್ಯೇಕತೆಯನ್ನು ತೋರಿಸುತ್ತವೆ.

2532d0567c8334e4cadf282a73ffe399c1c32476

ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಪಕವು ನಂತರ ಪಡೆದ ಪ್ರತಿಫಲಗಳ ಮೊತ್ತವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಬಂಬಲ್ ಬೀ ಫೀಡರ್ ಮಾಡಿದಾಗ, ಪ್ರತಿ ಹಂತದ ಪ್ರತಿಫಲ ಕಾರ್ಯವು ಹಾರಿಹೋದ ದೂರ (ಋಣಾತ್ಮಕವಾಗಿ ತೂಕ) ಮತ್ತು ಸೇವಿಸಿದ ಸಾರದ ಕೆಲವು ಸಂಯೋಜನೆಯಾಗಿರಬಹುದು. ಬಲವರ್ಧನೆ ಕಲಿಕೆ (ಆರ್ಎಲ್) ವಿಧಾನಗಳು ಮೂಲತಃ ಮಾರ್ಕೋವ್ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು (ಎಂಡಿಪಿ) ಪರಿಹರಿಸಲು ಆನ್ಲೈನ್ ಕ್ರಮಾವಳಿಗಳಾಗಿವೆ. ಪ್ರತಿಫಲ ಕಾರ್ಯ ಮತ್ತು ಮಾದರಿಯಿಂದ MDP ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ, ಅಂದರೆ, ಪ್ರತಿ ಸಂಭವನೀಯ ಕ್ರಿಯೆಯ ಮೇಲೆ ಷರತ್ತುಬದ್ಧ ರಾಜ್ಯ ಪರಿವರ್ತನೆ ಸಂಭವನೀಯತೆಗಳು. ಆರ್ಎಲ್ ಅಲ್ಗಾರಿದಮ್ಗಳು ಮಾದರಿ ಆಧಾರಿತವಾಗಬಹುದು, ಅಲ್ಲಿ ಏಜೆಂಟ್ ಮಾದರಿಯನ್ನು ಕಲಿಯುತ್ತದೆ, ಅಥವಾ ಮಾದರಿ-ಮುಕ್ತ-ಉದಾಹರಣೆಗೆ, Q- ಕಲಿಕೆ ಉಲ್ಲೇಖ ವಾಟ್ಕಿನ್ಸ್ಃ 1989, ಇದು ಕೇವಲ ಒಂದು ಕಾರ್ಯವನ್ನು ಕಲಿಯುತ್ತದೆ Q ((s, a) ರಾಜ್ಯದಲ್ಲಿ a ಕ್ರಮವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ದೀರ್ಘಕಾಲೀನ ಮೌಲ್ಯವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ತಮ್ಮ ಯಶಸ್ಸಿನ ಹೊರತಾಗಿಯೂ, ಆರ್ಎಲ್ ವಿಧಾನಗಳು ಹೆಚ್ಚಾಗಿ ಸಂಪೂರ್ಣವಾಗಿ ಗಮನಿಸಬಹುದಾದ ಎಮ್ಡಿಪಿಗೆ ಸೀಮಿತವಾಗಿವೆ, ಇದರಲ್ಲಿ ಪ್ರತಿ ರಾಜ್ಯದಲ್ಲಿನ ಸಂವೇದನಾ ಇನ್ಪುಟ್ ರಾಜ್ಯವನ್ನು ಗುರುತಿಸಲು ಸಾಕು. ಸ್ಪಷ್ಟವಾಗಿ, ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ, ನಾವು ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದ MDP ಗಳನ್ನು (POMDP ಗಳು) ವ್ಯವಹರಿಸಬೇಕು. ಆಸ್ಟ್ರೋಮ್ (1965) POMDP ಗಳಲ್ಲಿನ ಅತ್ಯುತ್ತಮ ನಿರ್ಧಾರಗಳು ಪ್ರತಿ ಹಂತದಲ್ಲಿ ನಂಬಿಕೆಯ ಸ್ಥಿತಿಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ ಎಂದು ಸಾಬೀತುಪಡಿಸಿತು, ಅಂದರೆ, ಎಲ್ಲಾ ಸಂಭವನೀಯ ನೈಜ ರಾಜ್ಯಗಳ ಮೇಲೆ ಹಿಂಭಾಗದ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆ, ಇಲ್ಲಿಯವರೆಗಿನ ಎಲ್ಲಾ ಸಾಕ್ಷ್ಯಗಳನ್ನು ನೀಡಲಾಗಿದೆ. V ಮತ್ತು Q ಕಾರ್ಯಗಳು ನಂತರ s ಬದಲಿಗೆ b ನ ಕಾರ್ಯಗಳಾಗಿ ಮಾರ್ಪಟ್ಟವು. ಪಾರ್ ಮತ್ತು ರಸ್ಸೆಲ್ (1995) ಒಂದು ಸರಳವಾದ POMDP RL ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ವಿವರಿಸುತ್ತದೆ, ಇದು b ನ ಸ್ಪಷ್ಟವಾದ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಸಂಭವನೀಯತೆಗಳ ವೆಕ್ಟರ್ ಆಗಿ ಬಳಸುತ್ತದೆ, ಮತ್ತು ಮೆಕ್ಕಲ್ಲಮ್ (1993) ಇತ್ತೀಚಿನ ಗ್ರಹಿಕೆ ಅನುಕ್ರಮಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಂಬಿಕೆ ಸ್ಥಿತಿಯನ್ನು ಸರಿಸುಮಾರು ಒಂದು ಮಾರ್ಗವನ್ನು ತೋರಿಸುತ್ತದೆ. ಎರಡೂ ವಿಧಾನಗಳು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ರಾಜ್ಯ ಅಸ್ಥಿರಗಳು ಮತ್ತು ದೀರ್ಘಕಾಲೀನ ಸಮಯದ ಅವಲಂಬನೆಗಳೊಂದಿಗೆ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ವಿಸ್ತರಿಸುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ. ಮಾದರಿಯನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಪ್ರತಿನಿಧಿಸುವ ಮತ್ತು ಮಾದರಿ ಮತ್ತು ಪ್ರತಿ ಹೊಸ ಅವಲೋಕನವನ್ನು ನೀಡಿದ ನಂಬಿಕೆಯ ಸ್ಥಿತಿಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನವೀಕರಿಸುವ ಒಂದು ಮಾರ್ಗವಾಗಿದೆ. ಡೈನಾಮಿಕ್ ಬೇಸಿಯನ್ ನೆಟ್ ವರ್ಕ್ ಗಳು (ಡೀನ್ ಮತ್ತು ಕನಾಜವಾ, 1989) ಕೆಲವು ಅಗತ್ಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿವೆ ಎಂದು ತೋರುತ್ತದೆ; ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಅವುಗಳು ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ ಗಳು ಮತ್ತು ಗುಪ್ತ ಮಾರ್ಕೋವ್ ಮಾದರಿಗಳಂತಹ ಇತರ ವಿಧಾನಗಳ ಮೇಲೆ ಗಮನಾರ್ಹ ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಿವೆ. ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಿರುವ ನಮ್ಮ ಮೂಲ ವಾಸ್ತುಶಿಲ್ಪವು, ಹೊಸ ಸಂವೇದಕ ಮಾಹಿತಿ ಬಂದಂತೆ ನಂಬಿಕೆ ಸ್ಥಿತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಮತ್ತು ನವೀಕರಿಸಲು ಡಿಬಿಎನ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ. b ಗಾಗಿ ಒಂದು ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ನೀಡಿದರೆ, ನರಮಂಡಲದಂತಹ ಕೆಲವು ಕಪ್ಪು-ಪೆಟ್ಟಿಗೆ ಕಾರ್ಯ ಸರಿಸುಮಾರು ಪ್ರತಿನಿಧಿಸುವ Q-ಕ್ರಿಯೆಯನ್ನು ಕಲಿಯಲು ಪ್ರತಿಫಲ ಸಂಕೇತವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ನಾವು ಹೈಬ್ರಿಡ್ (ವಿಭಿನ್ನ- ಈ ಚರ್ಚೆಯು ಸ್ಟೋಕಾಸ್ಟಿಕ್, ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದ ಪರಿಸರಗಳನ್ನು ನಿಭಾಯಿಸಬಲ್ಲ ಕಲಿಕೆಯ ಏಜೆಂಟ್ಗಾಗಿ ಅತ್ಯಂತ ಸರಳವಾದ "ಬೇಸ್ಲೈನ್ ಆರ್ಕಿಟೆಕ್ಚರ್" ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ. ವಾಸ್ತುಶಿಲ್ಪವು ವರ್ಧಿತ ಕಲಿಕೆಯನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಕಾಲಾನುಕ್ರಮದ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಚಿತ್ರಾತ್ಮಕ ಮಾದರಿಗಳಾಗಿ ಪ್ರತಿನಿಧಿಸುವ ವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಸಂವೇದನಾ ಒಳಹರಿವಿನಿಂದ ಅಂತಹ ನಿರೂಪಣೆಗಳ ನಿಯತಾಂಕಗಳು ಮತ್ತು ರಚನೆಯನ್ನು ಲೀಮಿಂಗ್ ಮಾಡಲು ಮತ್ತು ನಂತರದ ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನಾನು ವಿಧಾನಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇನೆ. ನಾವು ಸಂಪೂರ್ಣ ಏಜೆಂಟ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸುವ ಮೊದಲು ಕೆಲವು ತೆರೆದ ಸಮಸ್ಯೆಗಳು ಉಳಿದಿವೆ; ನಾವು ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ಪರಿಗಣಿಸಿದಾಗ ಹೆಚ್ಚು ಉದ್ಭವಿಸುತ್ತದೆ. ಈ ಭಾಷಣದ ಎರಡನೇ ವಿಷಯವೆಂದರೆ, ಬಲವರ್ಧಿತ ಕಲಿಕೆಯು ಪ್ರಾಣಿ ಮತ್ತು ಮಾನವನ ಕಲಿಕೆಯ ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಒದಗಿಸಬಹುದೇ ಎಂಬುದು. ಈ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು, ನಾವು ವಿಲೋಮ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯನ್ನು ಮಾಡಬೇಕು: ಗಮನಿಸಿದ ನಡವಳಿಕೆಯನ್ನು ನೀಡಿದರೆ, ಯಾವ ಪ್ರತಿಫಲ ಸಂಕೇತವನ್ನು, ಯಾವುದಾದರೂ ಇದ್ದರೆ, ಅತ್ಯುತ್ತಮವಾಗಿಸಲಾಗುತ್ತಿದೆ? ಇದು COLT, UAI, ಮತ್ತು ML ಸಮುದಾಯಗಳಿಗೆ ಬಹಳ ಆಸಕ್ತಿದಾಯಕ ಸಮಸ್ಯೆಯಾಗಿದೆ ಮತ್ತು ಮಾರ್ಕೋವ್ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಗಳ ರಚನಾತ್ಮಕ ಅಂದಾಜು ಎಂಬ ಶೀರ್ಷಿಕೆಯಡಿಯಲ್ಲಿ ಅರ್ಥಶಾಸ್ತ್ರದಲ್ಲಿ ಇದನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ. 1 ಅನಿಶ್ಚಿತ ಪರಿಸರದಲ್ಲಿ ಕಲಿಕೆ AI ಎನ್ನುವುದು ಬುದ್ಧಿವಂತ ಏಜೆಂಟ್ಗಳ ನಿರ್ಮಾಣದ ಬಗ್ಗೆ, ಅಂದರೆ, ಪರಿಸರದಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಗ್ರಹಿಸುವ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವ್ಯವಸ್ಥೆಗಳು (ಕೆಲವು ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಳತೆಗೆ ಅನುಗುಣವಾಗಿ). ರಸ್ಸೆಲ್ ಮತ್ತು ನಾರ್ವಿಗ್ (1995) ರವರ ಪ್ರಕಾರ, ಹೆಚ್ಚಿನ AI ಸಂಶೋಧನೆಯು ಸ್ಥಿರ, ನಿರ್ಣಾಯಕ, ಪ್ರತ್ಯೇಕ ಮತ್ತು ಸಂಪೂರ್ಣವಾಗಿ ಗಮನಿಸಬಹುದಾದ ಪರಿಸರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ. ವಾಸ್ತವ ಜಗತ್ತಿನಂತೆ, ಪರಿಸರವು ಕ್ರಿಯಾತ್ಮಕ, ಸ್ಥಿರ, ನಿರಂತರ ಮತ್ತು ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದಾಗ ಏನು ಮಾಡಬೇಕು? ಈ ಲೇಖನವು ಎನ್ಎಸ್ಎಫ್ @I-9634215), ಒಎನ್ಆರ್ (N00014-97-l-0941) ಮತ್ತು ಎಆರ್0 (DAAH04-96-1-0341) ನಿಂದ ಬೆಂಬಲಿತವಾದ ವಿವಿಧ ಸಂಶೋಧನಾ ಪ್ರಯತ್ನಗಳನ್ನು ಆಧರಿಸಿದೆ. ಈ ಕೃತಿಯ ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಶಃ ಪ್ರತಿಗಳನ್ನು ವೈಯಕ್ತಿಕ ಅಥವಾ ತರಗತಿಯ ಬಳಕೆಗಾಗಿ ಡಿಜಿಟಲ್ ಅಥವಾ ಪೇಪರ್ನಲ್ಲಿ ತಯಾರಿಸಲು ಅನುಮತಿ ನೀಡಲಾಗುವುದು, ಆದರೆ ಪ್ರತಿಗಳನ್ನು ಪ್ರೊಲಿಟ್ ಅಥವಾ ವಾಣಿಜ್ಯ ಲಾಭಕ್ಕಾಗಿ ತಯಾರಿಸಲಾಗುವುದಿಲ್ಲ ಅಥವಾ ವಿತರಿಸಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಪ್ರತಿಗಳು ಈ ಸೂಚನೆ ಮತ್ತು ಮೊದಲ ಪುಟದಲ್ಲಿ ಪೂರ್ಣ ಉಲ್ಲೇಖವನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಇಲ್ಲದಿದ್ದರೆ ನಕಲು ಮಾಡಲು. ಮರುಪ್ರಕಟಿಸಲು, ಸರ್ವರ್ಗಳಲ್ಲಿ ಪೋಸ್ಟ್ ಮಾಡಲು ಅಥವಾ ಪಟ್ಟಿಗಳಿಗೆ ಮರುಹಂಚಿಕೆ ಮಾಡಲು, ಪೂರ್ವ ನಿರ್ದಿಷ್ಟ ಅನುಮತಿ ಮತ್ತು / ಅಥವಾ ಶುಲ್ಕ ಅಗತ್ಯವಿರುತ್ತದೆ. COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ, ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ (ನರಬಲಶಾಸ್ತ್ರೀಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ) ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಏಜೆಂಟ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ವಿಧಾನವಾಗಿ ತ್ವರಿತ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿದೆ (ಸಟ್ಟನ್, 1988; ಕೇಲ್ಬ್ಲಿಂಗ್ ಮತ್ತು ಇತರರು, 1996; ಬೆರ್ಟ್ಸೆಕಾಸ್ ಮತ್ತು ತ್ಸಿಟ್ಸಿಕ್ಲಿಸ್, 1996). ಮೂಲ ಕಲ್ಪನೆ ಏಜೆಂಟ್ಗೆ ಲಭ್ಯವಿರುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಳತೆಯನ್ನು ಪ್ರತಿಫಲದ ರೂಪದಲ್ಲಿ ಒದಗಿಸಲಾಗುತ್ತದೆ, ಇದು ಪ್ರತಿ ರಾಜ್ಯಕ್ಕೆ ಪ್ರತಿಫಲವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತದೆ.

6f20506ce955b7f82f587a14301213c08e79463b

d14ddc01cff72066c6655aa39f3e207e34fb8591

ಈ ಲೇಖನವು ಸೂಕ್ಷ್ಮ ವಿದ್ಯುತ್ ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಗಳ (MEMS) ಆಧಾರದ ಮೇಲೆ ರೇಡಿಯೋ ಆವರ್ತನ (RF) ತಂತ್ರಜ್ಞಾನದ ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ಕ್ಷೇತ್ರವನ್ನು ವ್ಯವಹರಿಸುತ್ತದೆ. RF MEMS ಹೊಸ ಸಾಧನಗಳು ಮತ್ತು ಘಟಕಗಳ ವರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ಸಾಂಪ್ರದಾಯಿಕ (ಸಾಮಾನ್ಯವಾಗಿ ಅರೆವಾಹಕ) ಸಾಧನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಉನ್ನತ ಉನ್ನತ-ಆವರ್ತನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ ಮತ್ತು ಇದು ಹೊಸ ಸಿಸ್ಟಮ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ. ಇದರ ಜೊತೆಗೆ, MEMS ಸಾಧನಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ತಯಾರಿಸಲಾಗುತ್ತದೆ, ಇದು ಬಹಳ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಏಕೀಕರಣದಂತಹ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಇದನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಬ್ಯಾಚ್-ಸಂಸ್ಕರಣಾ ವಿಧಾನಗಳಿಂದ ತಯಾರಿಸಬಹುದು. ಈ ಪತ್ರಿಕೆಯಲ್ಲಿ, ಉದ್ದೇಶಿಸಲಾದ ಏಕೈಕ ಸಾಧನವು ಎಲೆಕ್ಟ್ರೋಸ್ಟಾಟಿಕ್ ಮೈಕ್ರೋ ಸ್ವಿಚ್-ಬಹುಶಃ ಮಾದರಿ ಆರ್ಎಫ್-ಎಂಇಎಂಎಸ್ ಸಾಧನವಾಗಿದೆ. ಅದರ ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯ ಗುಣಲಕ್ಷಣಗಳ ಮೂಲಕ, ಮೈಕ್ರೋ ಸ್ವಿಚ್ ಅನ್ನು ರೇಡಿಯೋ ಫ್ರಂಟ್-ಎಂಡ್ಗಳು, ಕೆಪಾಸಿಟರ್ ಬ್ಯಾಂಕುಗಳು ಮತ್ತು ಸಮಯ-ವಿಳಂಬ ಜಾಲಗಳು ಸೇರಿದಂತೆ ಹಲವಾರು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸರ್ಕ್ಯೂಟ್ಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದೆ. ಅತಿ ಕಡಿಮೆ ವಿದ್ಯುತ್ ವ್ಯಯ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಏಕೀಕರಣದೊಂದಿಗೆ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟ ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯು ಹೊಸ ಸಿಸ್ಟಮ್ ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು ಸಹ ಅನುಮತಿಸುತ್ತದೆ. ಇಲ್ಲಿ ಎರಡು ಸಾಧ್ಯತೆಗಳನ್ನು ಪರಿಗಣಿಸಲಾಗಿದೆಃ ಅರೆ-ಆಪ್ಟಿಕಲ್ ಕಿರಣ ನಿರ್ದೇಶನ ಮತ್ತು ವಿದ್ಯುತ್ ಮರು-ಸಂರಚಿಸಬಹುದಾದ ಆಂಟೆನಾಗಳು.

9d5f36b92ac155fccdae6730660ab44d46ad501a

ಅಪಾಯದ ಸಮಾನತೆಯು ವೈವಿಧ್ಯಮಯ ಬಂಡವಾಳವನ್ನು ನಿರ್ಮಿಸಲು ಬಳಸುವ ಒಂದು ಹಂಚಿಕೆ ವಿಧಾನವಾಗಿದ್ದು, ನಿರೀಕ್ಷಿತ ಆದಾಯದ ಯಾವುದೇ ಊಹೆಗಳನ್ನು ಅವಲಂಬಿಸಿಲ್ಲ, ಹೀಗಾಗಿ ಅಪಾಯ ನಿರ್ವಹಣೆಯನ್ನು ಕಾರ್ಯತಂತ್ರದ ಹೃದಯಭಾಗದಲ್ಲಿ ಇರಿಸುತ್ತದೆ. 2008ರಲ್ಲಿ ಜಾಗತಿಕ ಹಣಕಾಸು ಬಿಕ್ಕಟ್ಟಿನ ನಂತರ ಅಪಾಯದ ಸಮಾನತೆಯು ಜನಪ್ರಿಯ ಹೂಡಿಕೆ ಮಾದರಿಯಾಗಿ ಏಕೆ ಹೊರಹೊಮ್ಮಿತು ಎಂಬುದನ್ನು ಇದು ವಿವರಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಅಪಾಯದ ಸಮಾನತೆಯು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಟೀಕಿಸಲ್ಪಟ್ಟಿದೆ ಏಕೆಂದರೆ ಇದು ಪೋರ್ಟ್ಫೋಲಿಯೋ ಕಾರ್ಯಕ್ಷಮತೆಗಿಂತ ಅಪಾಯದ ಸಾಂದ್ರತೆಯ ನಿರ್ವಹಣೆಗೆ ಗಮನಹರಿಸುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ ಸಕ್ರಿಯ ನಿರ್ವಹಣೆಗೆ ಬದಲಾಗಿ ನಿಷ್ಕ್ರಿಯ ನಿರ್ವಹಣೆಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಿರೀಕ್ಷಿತ ಆದಾಯದ ಊಹೆಗಳನ್ನು ಅಪಾಯದ ಸಮಾನತೆಯ ಬಂಡವಾಳಗಳಿಗೆ ಹೇಗೆ ಪರಿಚಯಿಸುವುದು ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಇದನ್ನು ಮಾಡಲು, ನಾವು ಪೋರ್ಟ್ಫೋಲಿಯೊ ರಿಟರ್ನ್ ಮತ್ತು ಚಂಚಲತೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಮಾನ್ಯ ಅಪಾಯದ ಅಳತೆಯನ್ನು ಪರಿಗಣಿಸುತ್ತೇವೆ. ಆದಾಗ್ಯೂ, ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಚಂಚಲತೆ ಕೊಡುಗೆಗಳ ನಡುವಿನ ವಿನಿಮಯವು ಕೆಲವು ತೊಂದರೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ಆದರೆ ಅಪಾಯದ ಬಜೆಟ್ ಸಮಸ್ಯೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬೇಕು. ಇಂತಹ ಅಪಾಯದ ಬಜೆಟ್ ಪೋರ್ಟ್ಫೋಲಿಯೊಗಳ ಸೈದ್ಧಾಂತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪಡೆದ ನಂತರ, ನಾವು ಈ ಹೊಸ ಮಾದರಿಯನ್ನು ಆಸ್ತಿ ಹಂಚಿಕೆಗೆ ಅನ್ವಯಿಸುತ್ತೇವೆ. ಮೊದಲನೆಯದಾಗಿ, ದೀರ್ಘಕಾಲೀನ ಹೂಡಿಕೆ ನೀತಿ ಮತ್ತು ಆಯಕಟ್ಟಿನ ಆಸ್ತಿ ಹಂಚಿಕೆ ನಿರ್ಧರಿಸುವಿಕೆಯನ್ನು ನಾವು ಪರಿಗಣಿಸುತ್ತೇವೆ. ನಂತರ ನಾವು ಕ್ರಿಯಾತ್ಮಕ ಹಂಚಿಕೆಯನ್ನು ಪರಿಗಣಿಸುತ್ತೇವೆ ಮತ್ತು ನಿರೀಕ್ಷಿತ ಆದಾಯವನ್ನು ಅವಲಂಬಿಸಿರುವ ಅಪಾಯದ ಸಮಾನತೆ ನಿಧಿಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತೇವೆ.

006df3db364f2a6d7cc23f46d22cc63081dd70db

ಒಂದು ತಾತ್ಕಾಲಿಕ ಜಾಲವು ಯಾವುದೇ ಸ್ಥಾಪಿತ ಮೂಲಸೌಕರ್ಯ ಅಥವಾ ಕೇಂದ್ರೀಕೃತ ಆಡಳಿತದ ಸಹಾಯವಿಲ್ಲದೆ ತಾತ್ಕಾಲಿಕ ಜಾಲವನ್ನು ರೂಪಿಸುವ ನಿಸ್ತಂತು ಮೊಬೈಲ್ ಆತಿಥೇಯಗಳ ಸಂಗ್ರಹವಾಗಿದೆ. ಅಂತಹ ಪರಿಸರದಲ್ಲಿ, ಒಂದು ಮೊಬೈಲ್ ಹೋಸ್ಟ್ಗೆ ಪ್ಯಾಕೆಟ್ ಅನ್ನು ಅದರ ಗಮ್ಯಸ್ಥಾನಕ್ಕೆ ರವಾನಿಸಲು ಇತರ ಹೋಸ್ಟ್ಗಳ ಸಹಾಯವನ್ನು ಪಡೆದುಕೊಳ್ಳುವುದು ಅಗತ್ಯವಾಗಬಹುದು, ಏಕೆಂದರೆ ಪ್ರತಿ ಮೊಬೈಲ್ ಹೋಸ್ಟ್ನ ವೈರ್ಲೆಸ್ ಪ್ರಸರಣಗಳ ಸೀಮಿತ ವ್ಯಾಪ್ತಿಯು. ಈ ಪತ್ರಿಕೆಯು ಆಡ್ ಹಾಕ್ ನೆಟ್ ವರ್ಕ್ ಗಳಲ್ಲಿ ರೂಟಿಂಗ್ ಗಾಗಿ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ ಅದು ಡೈನಾಮಿಕ್ ಸೋರ್ಸ್ ರೂಟಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಹೋಸ್ಟ್ ಚಲನೆ ಆಗಾಗ್ಗೆ ಆಗಿದ್ದಾಗ ರೂಟಿಂಗ್ ಬದಲಾವಣೆಗಳಿಗೆ ಪ್ರೋಟೋಕಾಲ್ ತ್ವರಿತವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ, ಆದರೂ ಹೋಸ್ಟ್ಗಳು ಕಡಿಮೆ ಆಗಾಗ್ಗೆ ಚಲಿಸುವ ಅವಧಿಯಲ್ಲಿ ಕಡಿಮೆ ಅಥವಾ ಯಾವುದೇ ಓವರ್ಹೆಡ್ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ಆಡ್ ಹಕ್ ನೆಟ್ ವರ್ಕ್ ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮೊಬೈಲ್ ಹೋಸ್ಟ್ ಗಳ ಪ್ಯಾಕೆಟ್ ಮಟ್ಟದ ಸಿಮ್ಯುಲೇಶನ್ನ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಈ ಪ್ರೋಟೋಕಾಲ್ ವಿವಿಧ ಪರಿಸರ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಹೋಸ್ಟ್ ಸಾಂದ್ರತೆ ಮತ್ತು ಚಲನೆಯ ದರಗಳು. ಅತಿ ಹೆಚ್ಚು ವೇಗದ ಹೋಸ್ಟ್ ಚಲನೆಗಳ ಹೊರತಾಗಿ, ಪ್ರೋಟೋಕಾಲ್ನ ಓವರ್ಹೆಡ್ ಸಾಕಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ, 24 ಮೊಬೈಲ್ ಹೋಸ್ಟ್ಗಳ ನೆಟ್ವರ್ಕ್ನಲ್ಲಿ ಮಧ್ಯಮ ಚಲನೆಯ ದರಗಳಿಗೆ ರವಾನೆಯಾಗುವ ಒಟ್ಟು ಡೇಟಾ ಪ್ಯಾಕೆಟ್ಗಳಲ್ಲಿ ಕೇವಲ 1% ಕ್ಕೆ ಇಳಿಯುತ್ತದೆ. ಎಲ್ಲಾ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಬಳಸಿದ ಮಾರ್ಗಗಳು ಮತ್ತು ಸೂಕ್ತ ಮಾರ್ಗದ ಉದ್ದಗಳ ನಡುವಿನ ಉದ್ದದ ವ್ಯತ್ಯಾಸವು ಗಮನಾರ್ಹವಲ್ಲ, ಮತ್ತು ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಮಾರ್ಗದ ಉದ್ದಗಳು ಸರಾಸರಿ 1.01 ರ ಗುಣಾಂಕದೊಳಗೆ ಸೂಕ್ತವಾಗಿರುತ್ತವೆ.

25a26b86f4a2ebca2b154effbaf894aef690c03c

ಇತ್ತೀಚೆಗೆ ಪಠ್ಯ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳಿಗಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಮತ್ತು ಲೇಬಲ್ ಮಾಡದ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವ ಮೇಲ್ವಿಚಾರಣೆ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಗಮನಾರ್ಹ ಆಸಕ್ತಿ ಕಂಡುಬಂದಿದೆ. ಸಹ-ತರಬೇತಿ ಸೆಟ್ಟಿಂಗ್ [1] ತಮ್ಮ ವೈಶಿಷ್ಟ್ಯಗಳ ನೈಸರ್ಗಿಕ ಪ್ರತ್ಯೇಕತೆಯನ್ನು ಎರಡು ಪ್ರತ್ಯೇಕ ಸೆಟ್ಗಳಾಗಿ ಹೊಂದಿರುವ ಡೇಟಾ ಸೆಟ್ಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. ಲೇಬಲ್ ಮಾಡಲಾದ ಮತ್ತು ಲೇಬಲ್ ಮಾಡದ ಡೇಟಾದಿಂದ ಕಲಿಯುವಾಗ, ವೈಶಿಷ್ಟ್ಯಗಳ ನೈಸರ್ಗಿಕ ಸ್ವತಂತ್ರ ವಿಭಜನೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿಯಂತ್ರಿಸುವ ಕ್ರಮಾವಳಿಗಳು ಇಲ್ಲದ ಕ್ರಮಾವಳಿಯನ್ನು ಮೀರಿಸುತ್ತವೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ನೈಸರ್ಗಿಕ ವಿಭಜನೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದಿದ್ದಾಗ, ವೈಶಿಷ್ಟ್ಯ ವಿಭಜನೆಯನ್ನು ತಯಾರಿಸುವ ಸಹ-ತರಬೇತಿ ಕ್ರಮಾವಳಿಗಳು ವಿಭಜನೆಯನ್ನು ಬಳಸದ ಕ್ರಮಾವಳಿಯನ್ನು ಮೀರಿಸಬಹುದು. ಈ ಫಲಿತಾಂಶಗಳು ಸಹ-ತರಬೇತಿ ಕ್ರಮಾವಳಿಗಳು ಸ್ವಭಾವತಃ ತಾರತಮ್ಯದ ಮತ್ತು ಅವುಗಳ ಅಂತರ್ಗತ ವರ್ಗೀಕರಣಕಾರರ ಊಹೆಗಳಿಗೆ ದೃಢವಾಗಿರುವುದನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

78beead3a05f7e8f2dc812298f813c5bacdc3061

1d6889c44e11141cc82ef28bba1afe07f3c0a2b4

ಕಳೆದ ಕೆಲವು ವರ್ಷಗಳಲ್ಲಿ, ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ (ಐಒಟಿ) ವ್ಯಾಪಕವಾದ ಅನ್ವಯವನ್ನು ಕಂಡಿದೆ ಮತ್ತು ಪ್ರತಿ ಕ್ಷೇತ್ರದಲ್ಲೂ ಕಂಡುಬರುತ್ತದೆ. ಸಾಧನಗಳ ನಡುವೆ ಸುರಕ್ಷಿತ ಸಂವಹನವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ದೃಢೀಕರಣ ಮತ್ತು ಪ್ರವೇಶ ನಿಯಂತ್ರಣವು ಐಒಟಿ ಸಂದರ್ಭದಲ್ಲಿ ಪ್ರಮುಖ ಮತ್ತು ನಿರ್ಣಾಯಕ ಕಾರ್ಯಗಳಾಗಿವೆ. ಐಒಟಿ ಜಾಲಗಳಲ್ಲಿನ ಕಡಿಮೆ ವಿದ್ಯುತ್ ಬಳಕೆಯ ಸಾಧನಗಳ ಚಲನಶೀಲತೆ, ಕ್ರಿಯಾತ್ಮಕ ಜಾಲತಾಣದ ಟೋಪೋಲಜಿ ಮತ್ತು ದುರ್ಬಲ ಭೌತಿಕ ಭದ್ರತೆಯು ಭದ್ರತಾ ದೋಷಗಳಿಗೆ ಸಂಭವನೀಯ ಮೂಲಗಳಾಗಿವೆ. ಇದು ಸಂಪನ್ಮೂಲ ಸೀಮಿತ ಮತ್ತು ವಿತರಿಸಿದ ಐಒಟಿ ಪರಿಸರದಲ್ಲಿ ದೃಢೀಕರಣ ಮತ್ತು ಪ್ರವೇಶ ನಿಯಂತ್ರಣ ದಾಳಿಯನ್ನು ನಿರೋಧಕ ಮತ್ತು ಹಗುರವಾಗಿ ಮಾಡುವ ಭರವಸೆಯನ್ನು ನೀಡುತ್ತದೆ. ಈ ಪತ್ರಿಕೆಯು ಪ್ರೋಟೋಕಾಲ್ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಗುರುತಿನ ದೃಢೀಕರಣ ಮತ್ತು ಸಾಮರ್ಥ್ಯ ಆಧಾರಿತ ಪ್ರವೇಶ ನಿಯಂತ್ರಣ (ಐಎಸಿಎಸಿ) ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ಮಧ್ಯಮ ವ್ಯಕ್ತಿ, ಮರುಪಂದ್ಯ ಮತ್ತು ಸೇವೆಯ ನಿರಾಕರಣೆ (ಡೋಸ್) ದಾಳಿಯಿಂದ ಐಒಟಿ ಅನ್ನು ರಕ್ಷಿಸಲು, ಪ್ರವೇಶ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಸಾಮರ್ಥ್ಯದ ಪರಿಕಲ್ಪನೆಯನ್ನು ಪರಿಚಯಿಸಲಾಗಿದೆ. ಈ ಮಾದರಿಯ ಹೊಸತನವೆಂದರೆ, ಇದು ಐಒಟಿ ಸಾಧನಗಳಿಗೆ ದೃಢೀಕರಣ ಮತ್ತು ಪ್ರವೇಶ ನಿಯಂತ್ರಣದ ಸಮಗ್ರ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಮ್ಮ ಸಂಶೋಧನೆಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ಮತ್ತು ಬೆಂಬಲಿಸಲು ಇತರ ಸಂಬಂಧಿತ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಸಹ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಅಂತಿಮವಾಗಿ, ಪ್ರಸ್ತಾವಿತ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಭದ್ರತಾ ಪ್ರೋಟೋಕಾಲ್ ಪರಿಶೀಲನಾ ಸಾಧನವನ್ನು ಬಳಸಿಕೊಂಡು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಶೀಲನಾ ಫಲಿತಾಂಶಗಳು ಐಎಸಿಎಸಿ ಮೇಲೆ ತಿಳಿಸಿದ ದಾಳಿಯ ವಿರುದ್ಧ ಸುರಕ್ಷಿತವಾಗಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಈ ಪತ್ರಿಕೆಯು ಇತರ ಜರ್ನಲ್ ಆಫ್ ಸೈಬರ್ ಸೆಕ್ಯುರಿಟಿ ಅಂಡ್ ಮೊಬಿಲಿಟಿ, ಸಂಪುಟ. 1, 309-348ರ ಆವೃತ್ತಿ c © 2013 ರಿವರ್ ಪಬ್ಲಿಷರ್ಸ್. ಎಲ್ಲ ಹಕ್ಕುಗಳನ್ನು ಕಾಯ್ದಿರಿಸಲಾಗಿದೆ. 310 ಪಿ. ಎನ್. ಮಹಾಲೆ ಮತ್ತು ಇತರರು. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಹಾರಗಳು. ಇದಲ್ಲದೆ, ಈ ಕಾಗದವು ಐಒಟಿ ಮತ್ತು ಭದ್ರತಾ ದಾಳಿಯಲ್ಲಿನ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ಐಒಟಿ ನೆಟ್ವರ್ಕ್ಗಳ ನೈಜ ನೋಟವನ್ನು ನೀಡಲು ಬಳಕೆಯ ಪ್ರಕರಣಗಳೊಂದಿಗೆ ಮಾಡೆಲ್ ಮಾಡಲಾಗಿದೆ.

310b72fbc3d384ca88ca994b33476b8a2be2e27f

ನಾವು ಆನ್ಲೈನ್ ಪಠ್ಯ ದಾಖಲೆಗಳಿಂದ ವಿಷಯದ ಬಗ್ಗೆ ಭಾವನೆ (ಅಥವಾ ಅಭಿಪ್ರಾಯ) ಹೊರತೆಗೆಯುವ ಸೆಂಟಿಮೆಂಟ್ ಅನಾಲಿಸರ್ (ಎಸ್ಎ) ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಒಂದು ವಿಷಯದ ಬಗ್ಗೆ ಸಂಪೂರ್ಣ ಡಾಕ್ಯುಮೆಂಟ್ನ ಭಾವನೆಯನ್ನು ವರ್ಗೀಕರಿಸುವ ಬದಲು, SA ನಿರ್ದಿಷ್ಟ ವಿಷಯಕ್ಕೆ ಎಲ್ಲಾ ಉಲ್ಲೇಖಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ (ಎನ್ಎಲ್ಪಿ) ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರತಿ ಉಲ್ಲೇಖಗಳಲ್ಲಿ ಭಾವನೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ನಮ್ಮ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆಯು 1) ಒಂದು ವಿಷಯದ ನಿರ್ದಿಷ್ಟ ವೈಶಿಷ್ಟ್ಯ ಪದ ಹೊರತೆಗೆಯುವಿಕೆ, 2) ಭಾವನೆ ಹೊರತೆಗೆಯುವಿಕೆ, ಮತ್ತು 3) ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ (ವಿಷಯ, ಭಾವನೆ) ಸಂಯೋಜನೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಎಸ್ಎ ಎರಡು ಭಾಷಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬಳಸುತ್ತದೆಃ ಭಾವನೆ ಲೆಕ್ಸಿಕನ್ ಮತ್ತು ಭಾವನೆ ಮಾದರಿ ಡೇಟಾಬೇಸ್. ಅಲ್ಗಾರಿದಮ್ಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಆನ್ಲೈನ್ ಉತ್ಪನ್ನ ವಿಮರ್ಶೆ ಲೇಖನಗಳಲ್ಲಿ (ಡಿಜಿಟಲ್ ಕ್ಯಾಮೆರಾ ಮತ್ತು ಸಂಗೀತ ವಿಮರ್ಶೆಗಳು) ಮತ್ತು ಸಾಮಾನ್ಯ ವೆಬ್ಪುಟಗಳು ಮತ್ತು ಸುದ್ದಿ ಲೇಖನಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ದಾಖಲೆಗಳಲ್ಲಿ ಪರಿಶೀಲಿಸಲಾಗಿದೆ.

59d9160780bf3eac8c621983a36ff332a3497219

ಸ್ವಯಂಚಾಲಿತ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆಗೆ ಅನೇಕ ವಿಧಾನಗಳು ಅವುಗಳ ಹಿಂದಿನ ಧ್ರುವೀಯತೆಯೊಂದಿಗೆ ಗುರುತಿಸಲಾದ ಪದಗಳ ದೊಡ್ಡ ಶಬ್ದಕೋಶದೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ (ಇದನ್ನು ಶಬ್ದಾರ್ಥದ ದೃಷ್ಟಿಕೋನ ಎಂದೂ ಕರೆಯುತ್ತಾರೆ). ಆದಾಗ್ಯೂ, ಪದದ ಒಂದು ನಿರ್ದಿಷ್ಟ ನಿದರ್ಶನವು ಕಾಣಿಸಿಕೊಳ್ಳುವ ಪದಗುಚ್ಛದ ಸಂದರ್ಭೋಚಿತ ಧ್ರುವೀಯತೆಯು ಪದದ ಹಿಂದಿನ ಧ್ರುವೀಯತೆಯಿಂದ ಸಾಕಷ್ಟು ಭಿನ್ನವಾಗಿರಬಹುದು. ಧನಾತ್ಮಕ ಪದಗಳನ್ನು ನಕಾರಾತ್ಮಕ ಭಾವನೆಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸುವ ನುಡಿಗಟ್ಟುಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ, ಅಥವಾ ಪ್ರತಿಯಾಗಿ. ಅಲ್ಲದೆ, ಸನ್ನಿವೇಶದಿಂದ ಹೊರಗಿರುವ ಸಕಾರಾತ್ಮಕ ಅಥವಾ ಋಣಾತ್ಮಕ ಪದಗಳು ಸನ್ನಿವೇಶದಲ್ಲಿ ತಟಸ್ಥವಾಗಿರುತ್ತವೆ, ಅಂದರೆ ಅವುಗಳನ್ನು ಭಾವನೆಯನ್ನು ವ್ಯಕ್ತಪಡಿಸಲು ಸಹ ಬಳಸಲಾಗುವುದಿಲ್ಲ. ಈ ಕಾರ್ಯದ ಗುರಿಯು ಪೂರ್ವ ಮತ್ತು ಸಂದರ್ಭೋಚಿತ ಧ್ರುವೀಯತೆಯ ನಡುವೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾಡುವುದು, ಈ ಕಾರ್ಯಕ್ಕೆ ಯಾವ ವೈಶಿಷ್ಟ್ಯಗಳು ಮುಖ್ಯವೆಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವತ್ತ ಗಮನ ಹರಿಸುವುದು. ಸಮಸ್ಯೆಯ ಒಂದು ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಧ್ರುವೀಯ ಪದಗಳನ್ನು ತಟಸ್ಥ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಳಸಿದಾಗ ಗುರುತಿಸುವುದು, ತಟಸ್ಥ ಮತ್ತು ಧ್ರುವೀಯ ನಿದರ್ಶನಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ, ಜೊತೆಗೆ ಧನಾತ್ಮಕ ಮತ್ತು ಋಣಾತ್ಮಕ ಸಂದರ್ಭೋಚಿತ ಧ್ರುವೀಯತೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ವೈಶಿಷ್ಟ್ಯಗಳು. ಮೌಲ್ಯಮಾಪನವು ಬಹು ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಣಯಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ. ಒಂದು ಹೊರತುಪಡಿಸಿ ಎಲ್ಲಾ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳಿಗೆ, ಎಲ್ಲಾ ವೈಶಿಷ್ಟ್ಯಗಳ ಸಂಯೋಜನೆಯು ಒಟ್ಟಿಗೆ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ. ಮೌಲ್ಯಮಾಪನದ ಇನ್ನೊಂದು ಅಂಶವೆಂದರೆ, ತಟಸ್ಥ ನಿದರ್ಶನಗಳ ಉಪಸ್ಥಿತಿಯು ಧನಾತ್ಮಕ ಮತ್ತು ಋಣಾತ್ಮಕ ಧ್ರುವೀಯತೆಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ಪರಿಗಣಿಸುತ್ತದೆ. ಈ ಪ್ರಯೋಗಗಳು ತಟಸ್ಥ ನಿದರ್ಶನಗಳ ಉಪಸ್ಥಿತಿಯು ಈ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬಹಳವಾಗಿ ಕುಸಿಯುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಎಲ್ಲಾ ಧ್ರುವೀಯತೆ ವರ್ಗಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುವ ಅತ್ಯುತ್ತಮ ಮಾರ್ಗವೆಂದರೆ ಒಂದು ನಿದರ್ಶನವು ತಟಸ್ಥವಾಗಿದ್ದಾಗ ಗುರುತಿಸುವ ವ್ಯವಸ್ಥೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸುವುದು.

7c89cbf5d860819c9b5e5217d079dc8aafcba336

ಈ ಲೇಖನದಲ್ಲಿ, ವಾಕ್ಯ-ಮಟ್ಟದ ವರ್ಗೀಕರಣದ ಒಂದು ಅಧ್ಯಯನವನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ವಾಲ್ ಸ್ಟ್ರೀಟ್ ಜರ್ನಲ್ನಿಂದ ಷರತ್ತುಗಳನ್ನು ವ್ಯಕ್ತಿನಿಷ್ಠ ಅಥವಾ ವಸ್ತುನಿಷ್ಠವಾಗಿ ವರ್ಗೀಕರಿಸಲು ನಾಲ್ಕು ನ್ಯಾಯಾಧೀಶರು ಟ್ಯಾಗಿಂಗ್ ಸೂಚನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ ಮತ್ತು ಬಳಸುತ್ತಾರೆ. ನಾಲ್ಕು ನ್ಯಾಯಾಧೀಶರ ನಡುವಿನ ಒಪ್ಪಂದವನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಆ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ, ಪ್ರತಿ ಷರತ್ತಿಗೆ ಅಂತಿಮ ವರ್ಗೀಕರಣವನ್ನು ನೀಡಲಾಗುತ್ತದೆ. ವರ್ಗೀಕರಣಗಳಿಗೆ ಪ್ರಾಯೋಗಿಕ ಬೆಂಬಲವನ್ನು ಒದಗಿಸಲು, ವಿಷಯಾಧಾರಿತ ವರ್ಗ ಮತ್ತು ಕ್ವಿರ್ಕ್ ಮತ್ತು ಇತರರು ಪ್ರಸ್ತಾಪಿಸಿದ ಮೂಲಭೂತ ಶಬ್ದಾರ್ಥ ವರ್ಗದ ನಡುವಿನ ಡೇಟಾದಲ್ಲಿ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ. (1985). ಇದು

9141d85998eadb1bca5cca027ae07670cfafb015

ಭಾವನೆಗಳನ್ನು (ಅಭಿಪ್ರಾಯಗಳ ಭಾವನಾತ್ಮಕ ಭಾಗಗಳನ್ನು) ಗುರುತಿಸುವುದು ಒಂದು ಸವಾಲಿನ ಸಮಸ್ಯೆಯಾಗಿದೆ. ನಾವು ಒಂದು ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಒಂದು ವಿಷಯವನ್ನು ನೀಡಿದರೆ, ಆ ವಿಷಯದ ಬಗ್ಗೆ ಅಭಿಪ್ರಾಯಗಳನ್ನು ಹೊಂದಿರುವ ಜನರನ್ನು ಮತ್ತು ಪ್ರತಿ ಅಭಿಪ್ರಾಯದ ಭಾವನೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕಂಡುಕೊಳ್ಳುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯು ಪದ ಭಾವನೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಒಂದು ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಮತ್ತು ವಾಕ್ಯದೊಳಗೆ ಭಾವನೆಗಳನ್ನು ಸಂಯೋಜಿಸಲು ಮತ್ತೊಂದು ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ. ನಾವು ಭಾವನೆಗಳನ್ನು ಪದ ಮತ್ತು ವಾಕ್ಯ ಮಟ್ಟದಲ್ಲಿ ವರ್ಗೀಕರಿಸುವ ಮತ್ತು ಸಂಯೋಜಿಸುವ ವಿವಿಧ ಮಾದರಿಗಳೊಂದಿಗೆ ಪ್ರಯೋಗಿಸುತ್ತೇವೆ, ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ.

c2ac213982e189e4ad4c7f60608914a489ec9051

ಅರೇಬಿಕ್ ಭಾಷೆಯ ಟಿಪ್ಪಣಿ ಪಠ್ಯದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸಂಕಲನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ನಮ್ಮ ಮೂರು ವರ್ಷಗಳ ಅನುಭವದಿಂದ, ನಮ್ಮ ಲೇಖನವು ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆಃ (ಎ) ವಿಧಾನದ ಆಯ್ಕೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸಂಬಂಧಿತ ಅರೇಬಿಕ್ ಭಾಷೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, (ಬಿ) ಪೆನ್ ಇಂಗ್ಲಿಷ್ ಟ್ರೀಬ್ಯಾಂಕ್ ಶೈಲಿಯ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಬಳಸಲು ನಮ್ಮ ಆಯ್ಕೆಯನ್ನು ವಿವರಿಸಿ, (ಅರೇಬಿಕ್ ಮಾತನಾಡುವ ಟಿಪ್ಪಣಿಗರಿಗೆ ಹೊಸ ವ್ಯಾಕರಣವನ್ನು ಎದುರಿಸಲು ಅಗತ್ಯವಿರುವ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ವಿವರಿಸಿ) ಮತ್ತು (ಸಿ) ಅರೇಬಿಕ್ ಭಾಷೆಯ ಹೊಸ ವ್ಯಾಕರಣವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅರೇಬಿಕ್ ಭಾಷೆಯ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ವಿವರಿಸಿ. (ಸಿ) ಮಾನವನ ಟಿಪ್ಪಣಿ ಮುಖ್ಯವಾದುದು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ವಿಶ್ಲೇಷಣೆ ಕಷ್ಟಕರವಾದ ಹಲವಾರು ವಿಧಾನಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದರಲ್ಲಿ ಅಕ್ಷರಶಃ ಅಸ್ಪಷ್ಟತೆಯು ಮಾರ್ಫೊಲಾಜಿಕಲ್ ವಿಶ್ಲೇಷಕ ಮತ್ತು ಮಾನವ ಟಿಪ್ಪಣಿಗರಿಂದ ನಿರ್ವಹಿಸಲ್ಪಡುತ್ತದೆ; (ಡಿ) ಮಾನವನ ಟಿಪ್ಪಣಿಗರಿಗೆ ವಿವರಣಾತ್ಮಕ ಉದಾಹರಣೆಯನ್ನು ನೀಡಿ ಅರೇಬಿಕ್ ಟ್ರೀಬ್ಯಾಂಕ್ ವಿಧಾನ, ರೂಪವಿಜ್ಞಾನದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಟ್ಯಾಗಿಂಗ್ ಮತ್ತು ವಾಕ್ಯ ವಿಶ್ಲೇಷಣೆ ಎರಡರಲ್ಲೂ ನಿರ್ದಿಷ್ಟ ನಿರ್ಮಾಣದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಟಿಪ್ಪಣಿ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಅದನ್ನು ವಿವರವಾಗಿ ಅನುಸರಿಸುತ್ತದೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ, (ಇ) ಇಲ್ಲಿಯವರೆಗೆ ಸಾಧಿಸಿದ ಮತ್ತು ಇನ್ನೂ ಏನು ಮಾಡಬೇಕೆಂದು ತೀರ್ಮಾನಿಸಿ.

e33a3487f9b656631159186db4b2aebaed230b36

ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳು ಇಂದು ಪ್ರತಿಯೊಂದು ಉದ್ಯಮವನ್ನು ಪರಿವರ್ತಿಸುತ್ತಿರುವುದರಿಂದ, ಅವುಗಳು ಮುಖ್ಯವಾಹಿನಿಯ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆ (ಐಎಸ್) ಸಾಹಿತ್ಯದಲ್ಲಿ ನಿಧಾನವಾಗಿ ತಮ್ಮ ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತಿವೆ. ಡಿಜಿಟಲ್ ವೇದಿಕೆಗಳು ತಮ್ಮ ವಿತರಣೆ ಸ್ವರೂಪ ಮತ್ತು ಸಂಸ್ಥೆಗಳು, ಮಾರುಕಟ್ಟೆಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳೊಂದಿಗೆ ಹೆಣೆದುಕೊಂಡಿರುವುದರಿಂದ ಸವಾಲಿನ ಸಂಶೋಧನಾ ವಸ್ತುವಾಗಿದೆ. ವೇದಿಕೆ ನಾವೀನ್ಯತೆಯ ಘಾತೀಯವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಪ್ರಮಾಣ, ವೇದಿಕೆ ವಾಸ್ತುಶಿಲ್ಪಗಳ ಹೆಚ್ಚುತ್ತಿರುವ ಸಂಕೀರ್ಣತೆ ಮತ್ತು ಅನೇಕ ವಿಭಿನ್ನ ಕೈಗಾರಿಕೆಗಳಿಗೆ ಡಿಜಿಟಲ್ ವೇದಿಕೆಗಳ ಹರಡುವಿಕೆಯ ಪರಿಣಾಮವಾಗಿ ಹೊಸ ಸಂಶೋಧನಾ ಸವಾಲುಗಳು ಉದ್ಭವಿಸುತ್ತವೆ. ಈ ಪತ್ರಿಕೆಯು ಐಎಸ್ನಲ್ಲಿ ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳ ಸಂಶೋಧನೆಗೆ ಸಂಶೋಧನಾ ಕಾರ್ಯಸೂಚಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತದೆ. ನಾವು ಸಂಶೋಧಕರು (1) ವಿಶ್ಲೇಷಣೆಯ ಘಟಕ, ಡಿಜಿಟಲೀಕರಣದ ಮಟ್ಟ ಮತ್ತು ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳ ಸಾಮಾಜಿಕ-ತಾಂತ್ರಿಕ ಸ್ವರೂಪವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಸ್ಪಷ್ಟವಾದ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಒದಗಿಸುವ ಮೂಲಕ ಪರಿಕಲ್ಪನಾ ಸ್ಪಷ್ಟತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಪ್ರಯತ್ನಿಸಬೇಕು; (2) ವಿಭಿನ್ನ ವಾಸ್ತುಶಿಲ್ಪದ ಮಟ್ಟಗಳಲ್ಲಿ ಮತ್ತು ವಿವಿಧ ಉದ್ಯಮದ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಮೂಲಕ ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಪರಿಕಲ್ಪನೆಗಳ ಸರಿಯಾದ ವ್ಯಾಪ್ತಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ; ಮತ್ತು (3) ಎಂಬೆಡೆಡ್ ಕೇಸ್ ಸ್ಟಡೀಸ್, ಲಂಬರೇಖೆಯ ಅಧ್ಯಯನಗಳು, ವಿನ್ಯಾಸ ಸಂಶೋಧನೆ, ಡೇಟಾ-ಚಾಲಿತ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ದೃಶ್ಯೀಕರಣ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವಿಧಾನಶಾಸ್ತ್ರೀಯ ಕಠಿಣತೆಯನ್ನು ಹೆಚ್ಚಿಸಿ. ವ್ಯವಹಾರ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಪ್ರಸ್ತುತ ಬೆಳವಣಿಗೆಗಳನ್ನು ಪರಿಗಣಿಸಿ, ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಗೆ ನಾವು ಆರು ಪ್ರಶ್ನೆಗಳನ್ನು ಸೂಚಿಸುತ್ತೇವೆಃ (1) ವೇದಿಕೆಗಳು ಇಲ್ಲಿ ಉಳಿಯಲು ಇದೆಯೇ? 2) ವೇದಿಕೆಗಳನ್ನು ಹೇಗೆ ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕು? ; (3) ಡಿಜಿಟಲ್ ವೇದಿಕೆಗಳು ಕೈಗಾರಿಕೆಗಳನ್ನು ಹೇಗೆ ಪರಿವರ್ತಿಸುತ್ತವೆ? ; (4) ಡೇಟಾ ಆಧಾರಿತ ವಿಧಾನಗಳು ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳ ಸಂಶೋಧನೆಗೆ ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ? ; (5) ಡಿಜಿಟಲ್ ವೇದಿಕೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸಂಶೋಧಕರು ಸಿದ್ಧಾಂತವನ್ನು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕು? ; ಮತ್ತು (6) ಡಿಜಿಟಲ್ ವೇದಿಕೆಗಳು ದೈನಂದಿನ ಜೀವನವನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತವೆ?

1be8cab8701586e751d6ed6d186ca0b6f58a54e7

ಸಿಸ್ಟಮ್ ವಿವರಣೆಯ ಉಪಯುಕ್ತತೆಯು ಭಾಗಶಃ ಅವಶ್ಯಕತೆಗಳ ಸಂಪೂರ್ಣತೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಎಲ್ಲಾ ಅಗತ್ಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುವುದು ಕಷ್ಟ, ವಿಶೇಷವಾಗಿ ಅವಶ್ಯಕತೆಗಳು ಅನಿರೀಕ್ಷಿತ ಪರಿಸರದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಿದಾಗ. ಆದರ್ಶ ಪರಿಸರ ದೃಷ್ಟಿಕೋನದಿಂದ ನಿರ್ಮಿಸಲಾದ ಒಂದು ನಿರ್ದಿಷ್ಟತೆಯು ಆದರ್ಶವಲ್ಲದ ನಡವಳಿಕೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಅವಶ್ಯಕತೆಗಳನ್ನು ಒಳಗೊಂಡಿಲ್ಲದಿದ್ದರೆ ಅಪೂರ್ಣವಾಗಿರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ಅನುಷ್ಠಾನ, ಪರೀಕ್ಷೆ ಅಥವಾ ಕೆಟ್ಟದಾದ ನಂತರ, ನಿಯೋಜನೆಯ ನಂತರ ಅಪೂರ್ಣ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪತ್ತೆ ಮಾಡಲಾಗುವುದಿಲ್ಲ. ಅವಶ್ಯಕತೆಗಳ ವಿಶ್ಲೇಷಣೆಯ ಸಮಯದಲ್ಲಿ ನಡೆಸಿದಾಗಲೂ, ಅಪೂರ್ಣ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಸಾಮಾನ್ಯವಾಗಿ ದೋಷಪೂರಿತ, ಬೇಸರದ ಮತ್ತು ಕೈಪಿಡಿಯ ಕಾರ್ಯವಾಗಿದೆ. ಈ ಪತ್ರಿಕೆಯು ಶ್ರೇಣೀಕೃತ ಅವಶ್ಯಕತೆಗಳ ಮಾದರಿಗಳ ಸಾಂಕೇತಿಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಅಪೂರ್ಣ ಅವಶ್ಯಕತೆಗಳ ವಿಭಜನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ವಿನ್ಯಾಸ-ಸಮಯದ ವಿಧಾನವಾದ ಅರೆಸ್ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಕೈಗಾರಿಕಾ ಆಧಾರಿತ ಆಟೋಮೋಟಿವ್ ಹೊಂದಾಣಿಕೆಯ ಕ್ರೂಸ್ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯ ಅವಶ್ಯಕತೆಗಳ ಮಾದರಿಗೆ ಏರಿಸ್ ಅನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ನಾವು ನಮ್ಮ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತೇವೆ. ವಿನ್ಯಾಸದ ಸಮಯದಲ್ಲಿ ಅಪೂರ್ಣ ಅವಶ್ಯಕತೆಗಳ ವಿಭಜನೆಯ ನಿರ್ದಿಷ್ಟ ನಿದರ್ಶನಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪತ್ತೆಹಚ್ಚಲು ಏರಿಸ್ ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಅವುಗಳಲ್ಲಿ ಹಲವು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ ಮತ್ತು ಕೈಯಾರೆ ಅಥವಾ ಪರೀಕ್ಷೆಯ ಮೂಲಕ ಪತ್ತೆಹಚ್ಚಲು ಕಷ್ಟವಾಗುತ್ತದೆ.

155ed7834a8a44a195b80719985a8b4ca11e6fdc

ಬಹು-ಇನ್ಪುಟ್ ಬಹು-ಔಟ್ಪುಟ್ (MIMO) ರೇಡಾರ್ ಸಾಂಪ್ರದಾಯಿಕ ಹಂತ-ಅರೇ ರೇಡಾರ್ ವ್ಯವಸ್ಥೆಗಳಿಗಿಂತ ತರಂಗ ರೂಪ ವೈವಿಧ್ಯತೆಯ ಮೂಲಕ ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಬಹುದು. MIMO ರೇಡಾರ್ಗಳು ಆರ್ಟೋಗೋನಲ್ ತರಂಗ ರೂಪಗಳನ್ನು ರವಾನಿಸಿದಾಗ, ಸ್ಕ್ಯಾಟರ್ಗಳಿಂದ ಪ್ರತಿಫಲಿತ ಸಿಗ್ನಲ್ಗಳು ಪರಸ್ಪರ ರೇಖಾತ್ಮಕವಾಗಿ ಸ್ವತಂತ್ರವಾಗಿರುತ್ತವೆ. ಆದ್ದರಿಂದ, ಕ್ಯಾಪನ್ ಮತ್ತು ಆಂಪ್ಲಿಟ್ಯೂಡ್ ಮತ್ತು ಫೇಸ್ ಅಸ್ಟಿಮೇಷನ್ (ಎಪಿಇಎಸ್) ಫಿಲ್ಟರ್ಗಳಂತಹ ಹೊಂದಾಣಿಕೆಯ ಸ್ವೀಕರಿಸುವ ಫಿಲ್ಟರ್ಗಳನ್ನು ನೇರವಾಗಿ MIMO ರೇಡಾರ್ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಬಳಸಬಹುದು. ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಶಬ್ದ ಮತ್ತು ಬಲವಾದ ಗೊಂದಲವು ಡೇಟಾ-ಅವಲಂಬಿತ ಕಿರಣ-ರೂಪಕಗಳ ಪತ್ತೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹದಗೆಡಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಸ್ನ್ಯಾಪ್ಶಾಟ್ಗಳ ಕೊರತೆಯಿದೆ. ಪುನರಾವರ್ತಿತ ಹೊಂದಾಣಿಕೆಯ ವಿಧಾನ (ಐಎಎ), ನಿಯತಾಂಕರಹಿತ ಮತ್ತು ಬಳಕೆದಾರ-ಪ್ಯಾರಾಮೀಟರ್-ಮುಕ್ತ ತೂಕವುಳ್ಳ ಕನಿಷ್ಠ-ಚೌಕ ಅಲ್ಗಾರಿದಮ್, ಇತ್ತೀಚೆಗೆ ಹಲವಾರು ನಿಷ್ಕ್ರಿಯ ಮತ್ತು ಸಕ್ರಿಯ ಸಂವೇದನಾ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಸುಧಾರಿತ ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಹಸ್ತಕ್ಷೇಪದ ತಿರಸ್ಕಾರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು IAA ಅನ್ನು MIMO ರೇಡಾರ್ ಇಮೇಜಿಂಗ್ಗೆ ಹೇಗೆ ವಿಸ್ತರಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತೇವೆ, ಎರಡೂ ಕಡೆಗಣಿಸಬಹುದಾದ ಮತ್ತು ಕಡೆಗಣಿಸದ ಇಂಟ್ರಾಪಲ್ಸ್ ಡಾಪ್ಲರ್ ಪ್ರಕರಣಗಳಲ್ಲಿ, ಮತ್ತು ನಾವು IAA ಯ ಕೆಲವು ಸೈದ್ಧಾಂತಿಕ ಸಮೀಪಸಮೀಪ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಹ ಸ್ಥಾಪಿಸುತ್ತೇವೆ. ಇದರ ಜೊತೆಗೆ, ನಾವು ನಿಯಂತ್ರಿತ ಐಎಎ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದನ್ನು ಐಎಎ-ಆರ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಸಿಗ್ನಲ್ ಮಾದರಿಯಲ್ಲಿ ಪ್ರತಿನಿಧಿಸದ ಸೇರ್ಪಡೆ ಶಬ್ದ ಪದಗಳನ್ನು ಲೆಕ್ಕಹಾಕುವ ಮೂಲಕ ಐಎಎಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಏಕ-ಇನ್ಪುಟ್ ಬಹು-ಔಟ್ಪುಟ್ (SIMO) ರೇಡಾರ್ಗಿಂತ MIMO ರೇಡಾರ್ನ ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸಂಖ್ಯಾತ್ಮಕ ಉದಾಹರಣೆಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಗುರಿ ಚಿತ್ರಣಕ್ಕಾಗಿ ಪ್ರಸ್ತಾವಿತ IAA-R ವಿಧಾನದೊಂದಿಗೆ ಸಾಧಿಸಿದ ಸುಧಾರಿತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮತ್ತಷ್ಟು ಹೈಲೈಟ್ ಮಾಡುತ್ತದೆ.

0cfe588996f1bc319f87c6f75160d1cf1542d9a9

20efcba63a0d9f12251a5e5dda745ac75a6a84a9

ccaab0cee02fe1e5ffde33b79274b66aedeccc65

ಸಾರಿಗೆಯ ಭವಿಷ್ಯದ ಕಲ್ಪನೆಯಾಗಿ, ಸ್ವಯಂ ಚಾಲಿತ ಕಾರುಗಳನ್ನು ಸಾಮಾಜಿಕ, ಆರ್ಥಿಕ, ಎಂಜಿನಿಯರಿಂಗ್, ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ, ವಿನ್ಯಾಸ ಮತ್ತು ನೈತಿಕತೆ ಸೇರಿದಂತೆ ವಿವಿಧ ದೃಷ್ಟಿಕೋನಗಳಿಂದ ಚರ್ಚಿಸಲಾಗುತ್ತಿದೆ. ಒಂದೆಡೆ, ಸ್ವಯಂ ಚಾಲಿತ ಕಾರುಗಳು ಹೊಸ ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತವೆ, ಇವುಗಳನ್ನು ಕ್ರಮೇಣ ಯಶಸ್ವಿಯಾಗಿ ಪರಿಹರಿಸಲಾಗುತ್ತಿದೆ. ಮತ್ತೊಂದೆಡೆ, ಸಾಮಾಜಿಕ ಮತ್ತು ನೈತಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪರಿಪೂರ್ಣಗೊಳಿಸಿದ ಬಗೆಹರಿಸಲಾಗದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಸ್ಯೆಯ ರೂಪದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ, ಇದನ್ನು ಟ್ರಾಲಿ ಸಮಸ್ಯೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಬಹಳ ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ. ಹೊಸ ತಂತ್ರಜ್ಞಾನದ ಅಭಿವೃದ್ಧಿಗೆ ಅನ್ವಯಿಕ ಎಂಜಿನಿಯರಿಂಗ್ ನೈತಿಕ ವಿಧಾನವು ಅಗತ್ಯವಾಗಿದೆ ಎಂದು ನಾವು ವಾದಿಸುತ್ತೇವೆ; ಈ ವಿಧಾನವನ್ನು ಅನ್ವಯಿಸಬೇಕು, ಅಂದರೆ ಇದು ಸಂಕೀರ್ಣ ನೈಜ-ಪ್ರಪಂಚದ ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಸ್ಯೆಗಳ ವಿಶ್ಲೇಷಣೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಬೇಕು. ಸ್ವಯಂ ಚಾಲಿತ ಕಾರುಗಳ ನಿಯಂತ್ರಣದಲ್ಲಿ ಸಾಫ್ಟ್ವೇರ್ ನಿರ್ಣಾಯಕ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ; ಆದ್ದರಿಂದ, ಸಾಫ್ಟ್ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪರಿಹಾರಗಳು ನೈತಿಕ ಮತ್ತು ಸಾಮಾಜಿಕ ಪರಿಗಣನೆಗಳನ್ನು ಗಂಭೀರವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ನಿಯಂತ್ರಣ ಸಾಧನಗಳು, ಮಾನದಂಡಗಳು, ವಿನ್ಯಾಸ ಮತ್ತು ಘಟಕಗಳು, ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಸೇವೆಗಳ ಅನುಷ್ಠಾನಗಳನ್ನು ಹತ್ತಿರದಿಂದ ನೋಡುತ್ತೇವೆ ಮತ್ತು ನಾವು ಎದುರಿಸಬೇಕಾದ ಪ್ರಾಯೋಗಿಕ ಸಾಮಾಜಿಕ ಮತ್ತು ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಜೊತೆಗೆ ಸಾಫ್ಟ್ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ಗಾಗಿ ಹೊಸ ನಿರೀಕ್ಷೆಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ.

288c67457f09c0c30cadd7439040114e9c377bc3

ಅಗ್ರವಾಲ್, ಇಮಿಲಿನ್ಸ್ಕಿ ಮತ್ತು ಸ್ವಾಮಿ ಪರಿಚಯಿಸಿದ ಅಸೋಸಿಯೇಷನ್ ನಿಯಮಗಳು, ಸಂಬಂಧದ 90% ಸಾಲುಗಳಿಗೆ ರೂಪದ ನಿಯಮಗಳಾಗಿವೆ, ಸರಣಿ W ನಲ್ಲಿನ ಕಾಲಮ್ಗಳಲ್ಲಿ ಸಾಲು 1 ಮೌಲ್ಯವನ್ನು ಹೊಂದಿದ್ದರೆ, ಅದು ಕಾಲಮ್ B ನಲ್ಲಿ 1 ಅನ್ನು ಸಹ ಹೊಂದಿದೆ. ದೊಡ್ಡ ಪ್ರಮಾಣದ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳಿಂದ ಸಂಘ ನಿಯಮಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪರಿಣಾಮಕಾರಿ ವಿಧಾನಗಳಿವೆ. ಆದಾಗ್ಯೂ, ಪತ್ತೆಯಾದ ನಿಯಮಗಳ ಸಂಖ್ಯೆ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ, ಆದ್ದರಿಂದ ನಿಯಮ ಸೆಟ್ ಅನ್ನು ಬ್ರೌಸ್ ಮಾಡುವುದು ಮತ್ತು ಅದರಲ್ಲಿ ಆಸಕ್ತಿದಾಯಕ ನಿಯಮಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಬಳಕೆದಾರರಿಗೆ ಸಾಕಷ್ಟು ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ. ನಿಯಮ ಟೆಂಪ್ಲೆಟ್ಗಳ ಸರಳ ರೂಪವಾದವು ಆಸಕ್ತಿದಾಯಕ ನಿಯಮಗಳ ರಚನೆಯನ್ನು ಸುಲಭವಾಗಿ ವಿವರಿಸಲು ಹೇಗೆ ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ನಾವು ನಿಯಮಗಳ ದೃಶ್ಯೀಕರಣದ ಉದಾಹರಣೆಗಳನ್ನು ಸಹ ನೀಡುತ್ತೇವೆ ಮತ್ತು ನಿಯಮ ಟೆಂಪ್ಲೆಟ್ಗಳೊಂದಿಗೆ ದೃಶ್ಯೀಕರಣ ಸಾಧನವು ಹೇಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.

384bb3944abe9441dcd2cede5e7cd7353e9ee5f7

47f0f6a2fd518932734cc90936292775cc95aa5d

b336f946d34cb427452517f503ada4bbe0181d3c

ವೀಡಿಯೊ ತಿಳುವಳಿಕೆಯಲ್ಲಿ ಇತ್ತೀಚಿನ ಪ್ರಗತಿ ಮತ್ತು ವರ್ಷಗಳಲ್ಲಿ ತಾತ್ಕಾಲಿಕ ಕ್ರಿಯೆಯ ಸ್ಥಳೀಕರಣದಲ್ಲಿನ ನಿರಂತರ ಸುಧಾರಣೆಯ ದರಗಳ ಹೊರತಾಗಿಯೂ, ಇದು ಇನ್ನೂ ಎಷ್ಟು ದೂರದಲ್ಲಿದೆ (ಅಥವಾ ಹತ್ತಿರದಲ್ಲಿದೆ? ನಾವು ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು. ಈ ಉದ್ದೇಶಕ್ಕಾಗಿ, ವೀಡಿಯೊಗಳಲ್ಲಿನ ತಾತ್ಕಾಲಿಕ ಕ್ರಿಯೆಯ ಪತ್ತೆಕಾರಕಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಒಂದೇ ಸ್ಕೇಲಾರ್ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಮೀರಿ ವಿಭಿನ್ನ ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸಲು ನಾವು ಹೊಸ ರೋಗನಿರ್ಣಯ ಸಾಧನವನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ. ನಾವು ನಮ್ಮ ಉಪಕರಣದ ಬಳಕೆಯನ್ನು ಇತ್ತೀಚಿನ ಆಕ್ಟಿವಿಟಿನೆಟ್ ಆಕ್ಷನ್ ಸ್ಥಳೀಕರಣ ಸವಾಲಿನಲ್ಲಿ ಉನ್ನತ ಬಹುಮಾನ ಪಡೆದ ನಮೂದುಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಉದಾಹರಣೆ ನೀಡುತ್ತೇವೆ. ನಮ್ಮ ವಿಶ್ಲೇಷಣೆಯು ಕೆಲಸ ಮಾಡಲು ಅತ್ಯಂತ ಪ್ರಭಾವಶಾಲಿ ಪ್ರದೇಶಗಳುಃ ನಿದರ್ಶನಗಳ ಸುತ್ತಲಿನ ತಾತ್ಕಾಲಿಕ ಸನ್ನಿವೇಶವನ್ನು ಉತ್ತಮವಾಗಿ ನಿರ್ವಹಿಸುವ ತಂತ್ರಗಳು, w. r. t. ಉದಾಹರಣೆಗೆ ಸಂಪೂರ್ಣ ಮತ್ತು ಸಾಪೇಕ್ಷ ಗಾತ್ರ, ಮತ್ತು ಸ್ಥಳೀಕರಣ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ತಂತ್ರಗಳು. ಇದರ ಜೊತೆಗೆ, ನಮ್ಮ ಪ್ರಾಯೋಗಿಕ ವಿಶ್ಲೇಷಣೆಯು, ಟಿಪ್ಪಣಿಕಾರರ ನಡುವೆ ಒಮ್ಮತದ ಕೊರತೆಯು ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಮುಖ ಅಡಚಣೆಯಲ್ಲ ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ನಮ್ಮ ರೋಗನಿರ್ಣಯದ ಸಾಧನವು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದ್ದು, ಇತರ ಸಂಶೋಧಕರ ಮನಸ್ಸನ್ನು ತಮ್ಮ ಕ್ರಮಾವಳಿಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚುವರಿ ಒಳನೋಟಗಳೊಂದಿಗೆ ಇಂಧನವಾಗಿರಿಸಿಕೊಳ್ಳುತ್ತದೆ.

160404fb0d05a1a2efa593c448fcb8796c24b873

ಪ್ರಾತಿನಿಧ್ಯದ ಅನುಕರಣ ಸಿದ್ಧಾಂತವನ್ನು ಮೆದುಳಿನ ವಿವಿಧ ಪ್ರಾತಿನಿಧ್ಯ ಕಾರ್ಯಗಳನ್ನು ಬಹಿರಂಗವಾಗಿ ಸಂಶ್ಲೇಷಿಸಬಹುದಾದ ಚೌಕಟ್ಟಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಪರಿಶೋಧಿಸಲಾಗಿದೆ. ಈ ಚೌಕಟ್ಟನ್ನು ನಿಯಂತ್ರಣ ಸಿದ್ಧಾಂತ (ಫಾರ್ವರ್ಡ್ ಮಾದರಿಗಳು) ಮತ್ತು ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ (ಕಲ್ಮನ್ ಫಿಲ್ಟರ್ಗಳು) ನಿಂದ ರಚಿಸಲಾಗಿದೆ. ಇದರ ಕಲ್ಪನೆ ಏನೆಂದರೆ, ದೇಹ ಮತ್ತು ಪರಿಸರದೊಂದಿಗೆ ಸರಳವಾಗಿ ತೊಡಗಿಸಿಕೊಳ್ಳುವುದರ ಜೊತೆಗೆ, ಮೆದುಳು ದೇಹ ಮತ್ತು ಪರಿಸರದ ಮಾದರಿಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ನರ ಸರ್ಕ್ಯೂಟ್ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. ಬಹಿರಂಗವಾದ ಸಂವೇದನಾ-ಚಲನಾ ನಿಶ್ಚಿತಾರ್ಥದ ಸಮಯದಲ್ಲಿ, ಸಂವೇದನಾ ಪ್ರತಿಕ್ರಿಯೆಯ ನಿರೀಕ್ಷೆಗಳನ್ನು ಒದಗಿಸಲು ಮತ್ತು ಸಂವೇದನಾ ಮಾಹಿತಿಯನ್ನು ವರ್ಧಿಸಲು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು, ಈ ಮಾದರಿಗಳನ್ನು ದೇಹ ಮತ್ತು ಪರಿಸರದೊಂದಿಗೆ ಸಮಾನಾಂತರವಾಗಿ ಎಫೆರೆನ್ಸ್ ಪ್ರತಿಗಳು ನಡೆಸುತ್ತವೆ. ಚಿತ್ರಣವನ್ನು ಉತ್ಪಾದಿಸಲು, ವಿಭಿನ್ನ ಕ್ರಿಯೆಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಅಂದಾಜು ಮಾಡಲು ಮತ್ತು ಮೋಟಾರ್ ಯೋಜನೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಈ ಮಾದರಿಗಳನ್ನು ಆಫ್-ಲೈನ್ ಸಹ ಚಲಾಯಿಸಬಹುದು. ಈ ಚೌಕಟ್ಟನ್ನು ಆರಂಭದಲ್ಲಿ ಮೋಟಾರ್ ನಿಯಂತ್ರಣದ ಸನ್ನಿವೇಶದಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ದೇಹದೊಂದಿಗೆ ಸಮಾನಾಂತರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಆಂತರಿಕ ಮಾದರಿಗಳು ಪ್ರತಿಕ್ರಿಯೆ ವಿಳಂಬ ಸಮಸ್ಯೆಗಳ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಎಮ್ಯುಲೇಟರ್ನ ಆಫ್-ಲೈನ್ ಡ್ರೈವಿಂಗ್ನಂತೆ ಎಫೆರೆನ್ಸ್ ಪ್ರತಿಗಳ ಮೂಲಕ ಅದೇ ಕಾರ್ಯವಿಧಾನಗಳು ಮೋಟಾರ್ ಇಮೇಜರಿಗಾಗಿ ಕಾರಣವಾಗಬಹುದು. ಮೋಟಾರ್-ದೃಶ್ಯ ಲೂಪ್ನ ಎಮ್ಯುಲೇಟರ್ನ ಆಫ್-ಲೈನ್ ಚಾಲನೆಯಂತೆ ದೃಶ್ಯ ಚಿತ್ರಣವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲು ಚೌಕಟ್ಟನ್ನು ವಿಸ್ತರಿಸಲಾಗಿದೆ. ಅಂತಹ ವ್ಯವಸ್ಥೆಗಳು ಹೇಗೆ ಅಮೋಡಲ್ ಪ್ರಾದೇಶಿಕ ಚಿತ್ರಣವನ್ನು ಒದಗಿಸಬಹುದು ಎಂಬುದನ್ನು ನಾನು ತೋರಿಸುತ್ತೇನೆ. ದೃಷ್ಟಿ ಗ್ರಹಿಕೆ ಸೇರಿದಂತೆ ಗ್ರಹಿಕೆ, ಸಂವೇದನಾ ಇನ್ಪುಟ್ನ ನಿರೀಕ್ಷೆಗಳನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಅರ್ಥೈಸಲು ಅಂತಹ ಮಾದರಿಗಳನ್ನು ಬಳಸುವುದರಿಂದ ಉಂಟಾಗುತ್ತದೆ. ನಾನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಇತರ ಅರಿವಿನ ಕಾರ್ಯಗಳನ್ನು ವಿವರಿಸುವುದರ ಮೂಲಕ ಮುಕ್ತಾಯಗೊಳಿಸುತ್ತೇನೆ, ಇವುಗಳನ್ನು ಈ ಚೌಕಟ್ಟಿನೊಳಗೆ ಸಂಶ್ಲೇಷಿಸಬಹುದು, ಇದರಲ್ಲಿ ತರ್ಕ, ಮನಸ್ಸು ವಿದ್ಯಮಾನಗಳ ಸಿದ್ಧಾಂತ, ಮತ್ತು ಭಾಷೆ ಸೇರಿವೆ.

65c85498be307ee940976db668dae4546943a4c8

761f2288b1b0cea385b0b9a89bb068593d94d6bd

3ಡಿ ಮುಖ ಗುರುತಿಸುವಿಕೆ ಉದ್ಯಮ ಮತ್ತು ಶೈಕ್ಷಣಿಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದು ಪ್ರವೃತ್ತಿ ಸಂಶೋಧನಾ ದಿಕ್ಕುಯಾಗಿದೆ. ಇದು ನೈಸರ್ಗಿಕ ಗುರುತಿಸುವಿಕೆ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಅನ್ವಯಿಕೆಗಳಂತಹ ಸಾಂಪ್ರದಾಯಿಕ 2 ಡಿ ಮುಖ ಗುರುತಿಸುವಿಕೆಯಿಂದ ಅನುಕೂಲಗಳನ್ನು ಪಡೆಯುತ್ತದೆ. ಇದಲ್ಲದೆ, 3 ಡಿ ಮುಖ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಮಂದ ಬೆಳಕಿನಲ್ಲಿ ಮತ್ತು ವಿಭಿನ್ನ ಮುಖದ ಸ್ಥಾನಗಳು ಮತ್ತು ಅಭಿವ್ಯಕ್ತಿಗಳೊಂದಿಗೆ ಸಹ ಮಾನವ ಮುಖಗಳನ್ನು ನಿಖರವಾಗಿ ಗುರುತಿಸಬಲ್ಲವು, ಅಂತಹ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ 2 ಡಿ ಮುಖ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅಪಾರ ತೊಂದರೆಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಈ ಪತ್ರಿಕೆಯು 3D ಮುಖ ಗುರುತಿಸುವಿಕೆ ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಇತಿಹಾಸ ಮತ್ತು ಇತ್ತೀಚಿನ ಪ್ರಗತಿಯನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುತ್ತದೆ. ಗಡಿ ಸಂಶೋಧನಾ ಫಲಿತಾಂಶಗಳನ್ನು ಮೂರು ವಿಭಾಗಗಳಲ್ಲಿ ಪರಿಚಯಿಸಲಾಗಿದೆಃ ಭಂಗಿ-ಅಸ್ಥಿರ ಗುರುತಿಸುವಿಕೆ, ಅಭಿವ್ಯಕ್ತಿ-ಅಸ್ಥಿರ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಮುಚ್ಚುವಿಕೆ-ಅಸ್ಥಿರ ಗುರುತಿಸುವಿಕೆ. ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಯನ್ನು ಉತ್ತೇಜಿಸಲು, ಈ ಪತ್ರಿಕೆಯು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ 3D ಮುಖದ ಡೇಟಾಬೇಸ್ಗಳ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಈ ಲೇಖನವು ಪ್ರಮುಖ ತೆರೆದ ಸಮಸ್ಯೆಗಳನ್ನು ಸಹ ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.

2d2b1f9446e9b4cdb46327cda32a8d9621944e29

ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಸಾಮಾಜಿಕ ಜಾಲತಾಣಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವವರ ಸಂಖ್ಯೆ ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ. ಫ್ರೆಂಡ್ಸ್ಟರ್, ಟ್ರೈಬ್, ಅಥವಾ ಫೇಸ್ ಬುಕ್ ನಂತಹ ಸೇವೆಗಳು ಲಕ್ಷಾಂತರ ವ್ಯಕ್ತಿಗಳಿಗೆ ಆನ್ಲೈನ್ ಪ್ರೊಫೈಲ್ಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯನ್ನು ಸ್ನೇಹಿತರ ವಿಶಾಲ ಜಾಲಗಳೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತವೆ - ಮತ್ತು, ಸಾಮಾನ್ಯವಾಗಿ, ಅಪರಿಚಿತರ ಅಪರಿಚಿತ ಸಂಖ್ಯೆಯೊಂದಿಗೆ. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಆನ್ಲೈನ್ ಸಾಮಾಜಿಕ ಜಾಲತಾಣಗಳಲ್ಲಿ ಮಾಹಿತಿ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಮತ್ತು ಅವುಗಳ ಗೌಪ್ಯತೆ ಪರಿಣಾಮಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ. ನಾವು ಕಾರ್ನೆಗೀ ಮೆಲ್ಲನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ 4,000 ಕ್ಕೂ ಹೆಚ್ಚು ವಿದ್ಯಾರ್ಥಿಗಳ ಆನ್ಲೈನ್ ನಡವಳಿಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿದ್ದೇವೆ ಅವರು ಕಾಲೇಜುಗಳಿಗೆ ಒದಗಿಸಲಾದ ಜನಪ್ರಿಯ ಸಾಮಾಜಿಕ ನೆಟ್ವರ್ಕಿಂಗ್ ಸೈಟ್ಗೆ ಸೇರಿಕೊಂಡಿದ್ದಾರೆ. ನಾವು ಅವರು ಬಹಿರಂಗಪಡಿಸುವ ಮಾಹಿತಿಯ ಪ್ರಮಾಣವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಸೈಟ್ನ ಗೌಪ್ಯತೆ ಸೆಟ್ಟಿಂಗ್ಗಳ ಬಳಕೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ. ನಾವು ಅವರ ಗೌಪ್ಯತೆಯ ವಿವಿಧ ಅಂಶಗಳ ಮೇಲೆ ಸಂಭಾವ್ಯ ದಾಳಿಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತೇವೆ ಮತ್ತು ಬಳಕೆದಾರರ ಕನಿಷ್ಠ ಶೇಕಡಾವಾರು ಮಾತ್ರ ಹೆಚ್ಚು ಪ್ರವೇಶಿಸುವ ಗೌಪ್ಯತೆ ಆದ್ಯತೆಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ.

e9c525679fed4dad85699d09b5ce1ccaffe8f11d

192687300b76bca25d06744b6586f2826c722645

ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಆಳವಾದ ಗೌಸಿಯನ್ ಪ್ರಕ್ರಿಯೆ (ಜಿಪಿ) ಮಾದರಿಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ. ಆಳವಾದ ಜಿಪಿಗಳು ಗಾಸ್ಸಿನ್ ಪ್ರಕ್ರಿಯೆಯ ಮ್ಯಾಪಿಂಗ್ಗಳ ಆಧಾರದ ಮೇಲೆ ಆಳವಾದ ನಂಬಿಕೆ ಜಾಲವಾಗಿದೆ. ಈ ಡೇಟಾವನ್ನು ಬಹುಪದರ GP ಯ ಔಟ್ಪುಟ್ ಆಗಿ ಮಾಡೆಲ್ ಮಾಡಲಾಗಿದೆ. ಆ ಗಾಸಿಯನ್ ಪ್ರಕ್ರಿಯೆಯ ಒಳಹರಿವು ನಂತರ ಮತ್ತೊಂದು ಜಿಪಿಯಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತದೆ. ಒಂದು ಏಕ ಪದರದ ಮಾದರಿಯು ಪ್ರಮಾಣಿತ GP ಅಥವಾ GP ಸುಪ್ತ ವೇರಿಯಬಲ್ ಮಾದರಿಗೆ (GP-LVM) ಸಮನಾಗಿರುತ್ತದೆ. ನಾವು ಮಾದರಿಯಲ್ಲಿ ಅಂದಾಜು ವ್ಯತ್ಯಾಸದ ಅಂಚುಗುಣದಿಂದ ತೀರ್ಮಾನವನ್ನು ನಿರ್ವಹಿಸುತ್ತೇವೆ. ಇದು ಮಾದರಿಯ ಆಯ್ಕೆಯಲ್ಲಿ ನಾವು ಬಳಸುವ ಮಾದರಿಯ ಅಂಚಿನ ಸಂಭವನೀಯತೆಯ ಮೇಲೆ ಕಟ್ಟುನಿಟ್ಟಾದ ಕೆಳಗಿರುವ ಮಿತಿಯನ್ನು ನೀಡುತ್ತದೆ (ಪ್ರತಿ ಪದರಕ್ಕೆ ಪದರಗಳು ಮತ್ತು ನೋಡ್ಗಳ ಸಂಖ್ಯೆ). ಆಳವಾದ ನಂಬಿಕೆ ಜಾಲಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಟೋಕಾಸ್ಟಿಕ್ ಗ್ರೇಡಿಯಂಟ್ ವಂಶಾವಳಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಆಪ್ಟಿಮೈಸೇಶನ್ಗಾಗಿ ತುಲನಾತ್ಮಕವಾಗಿ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ನಮ್ಮ ಸಂಪೂರ್ಣ ಬೇಯಸಿಯನ್ ಚಿಕಿತ್ಸೆ ಡೇಟಾ ವಿರಳವಾಗಿದ್ದರೂ ಸಹ ಆಳವಾದ ಮಾದರಿಗಳ ಅನ್ವಯಕ್ಕೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ನಮ್ಮ ವ್ಯತ್ಯಾಸದ ಬೌಂಡ್ನಿಂದ ಮಾದರಿ ಆಯ್ಕೆ ಕೇವಲ 150 ಉದಾಹರಣೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಒಂದು ಅಂಕಿಯ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡುವಾಗಲೂ ಐದು ಪದರಗಳ ಶ್ರೇಣೀಕರಣವು ಸಮರ್ಥನೀಯವಾಗಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ.

2cac0942a692c3dbb46bcf826d71d202ab0f2e02

ನಾವು ಒಂದು ಮಾಪನ ಮಾಡಬಹುದಾದ ಆಳವಾದ ನಿಯತಾಂಕರಹಿತ ಉತ್ಪಾದಕ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ ಆಳವಾದ ಗೌಸಿಯನ್ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಗುರುತಿಸುವ ಮಾದರಿಯೊಂದಿಗೆ ವರ್ಧಿಸುವ ಮೂಲಕ. ತೀರ್ಮಾನವನ್ನು ಹೊಸ ಪ್ರಮಾಣದ ವ್ಯತ್ಯಾಸದ ಚೌಕಟ್ಟಿನಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ವ್ಯತ್ಯಾಸದ ಹಿಂಭಾಗದ ವಿತರಣೆಗಳನ್ನು ಬಹುಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಮೂಲಕ ಮರುಪ್ಯಾಮೆಟ್ರೈಸ್ ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಪುನರ್ರಚನೆಯ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಅದು ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ಅನುಗುಣವಾಗಿ ರೇಖೀಯವಾಗಿ ಬೆಳೆಯುವ ವ್ಯತ್ಯಾಸದ ನಿಯತಾಂಕಗಳ ಪ್ರಸರಣವನ್ನು ತಡೆಯುತ್ತದೆ. ನಾವು ವ್ಯತ್ಯಾಸದ ಕೆಳ ಗಡಿಯ ಹೊಸ ಸೂತ್ರೀಕರಣವನ್ನು ಪಡೆಯುತ್ತೇವೆ ಅದು ನಮಗೆ ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟೇಶನ್ ಅನ್ನು ಮುಖ್ಯವಾಹಿನಿಯ ಆಳವಾದ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳ ಗಾತ್ರದ ಡೇಟಾ ಸೆಟ್ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ರೀತಿಯಲ್ಲಿ ವಿತರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಾವು ಆಳವಾದ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆ ಮತ್ತು ಆಳವಾದ ಬೇಸಿಯನ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸೇರಿದಂತೆ ವಿವಿಧ ಸವಾಲುಗಳಲ್ಲಿ ವಿಧಾನದ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ತೋರಿಸುತ್ತೇವೆ.

722fcc35def20cfcca3ada76c8dd7a585d6de386

ಕಾಫೆ ಮಲ್ಟಿಮೀಡಿಯಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ವೈದ್ಯರು ಅತ್ಯಾಧುನಿಕ ಆಳವಾದ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳಿಗೆ ಸ್ವಚ್ಛ ಮತ್ತು ಮಾರ್ಪಡಿಸಬಹುದಾದ ಚೌಕಟ್ಟನ್ನು ಮತ್ತು ಉಲ್ಲೇಖ ಮಾದರಿಗಳ ಸಂಗ್ರಹವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಚೌಕಟ್ಟನ್ನು ಬಿಎಸ್ಡಿ-ಪರವಾನಗಿ ಪಡೆದ ಸಿ ++ ಗ್ರಂಥಾಲಯವಾಗಿದ್ದು, ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಕನ್ವೋಲ್ಯೂಷನಲ್ ನರ ಜಾಲಗಳು ಮತ್ತು ಇತರ ಆಳವಾದ ಮಾದರಿಗಳನ್ನು ಸರಕು ವಾಸ್ತುಶಿಲ್ಪಗಳಲ್ಲಿ ಸಮರ್ಥವಾಗಿ ತರಬೇತಿ ಮತ್ತು ನಿಯೋಜಿಸಲು ಪೈಥಾನ್ ಮತ್ತು ಮ್ಯಾಟ್ಲ್ಯಾಬ್ ಬೈಂಡಿಂಗ್ಗಳೊಂದಿಗೆ. ಕೆಫೆ ಕೈಗಾರಿಕೆ ಮತ್ತು ಇಂಟರ್ನೆಟ್-ಪ್ರಮಾಣದ ಮಾಧ್ಯಮ ಅಗತ್ಯಗಳಿಗೆ CUDA ಜಿಪಿಯು ಕಂಪ್ಯೂಟಿಂಗ್ ಮೂಲಕ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ, ಒಂದೇ ಕೆ 40 ಅಥವಾ ಟೈಟಾನ್ ಜಿಪಿಯುನಲ್ಲಿ ದಿನಕ್ಕೆ 40 ದಶಲಕ್ಷಕ್ಕೂ ಹೆಚ್ಚು ಚಿತ್ರಗಳನ್ನು ಸಂಸ್ಕರಿಸುತ್ತದೆ (ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ ಸುಮಾರು 2 ಎಮ್ಎಸ್). ಮಾದರಿ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ನಿಜವಾದ ಅನುಷ್ಠಾನದಿಂದ ಬೇರ್ಪಡಿಸುವ ಮೂಲಕ, ಪ್ರೋಟೋಟೈಪಿಂಗ್ ಯಂತ್ರಗಳಿಂದ ಕ್ಲೌಡ್ ಪರಿಸರಕ್ಕೆ ಅಭಿವೃದ್ಧಿಯ ಸುಲಭತೆ ಮತ್ತು ನಿಯೋಜನೆಗಾಗಿ ಕಾಫೆ ಪ್ರಯೋಗ ಮತ್ತು ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳ ನಡುವೆ ತಡೆರಹಿತ ಸ್ವಿಚಿಂಗ್ ಅನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಕಾಫಿಯನ್ನು ಬರ್ಕ್ಲಿ ವಿಷನ್ ಅಂಡ್ ಲರ್ನಿಂಗ್ ಸೆಂಟರ್ (ಬಿವಿಎಲ್ಸಿ) GitHub ನಲ್ಲಿ ಸಕ್ರಿಯ ಕೊಡುಗೆದಾರರ ಸಮುದಾಯದ ಸಹಾಯದಿಂದ ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತದೆ. ಇದು ನಡೆಯುತ್ತಿರುವ ಸಂಶೋಧನಾ ಯೋಜನೆಗಳು, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕೈಗಾರಿಕಾ ಅನ್ವಯಿಕೆಗಳು ಮತ್ತು ದೃಷ್ಟಿ, ಭಾಷಣ ಮತ್ತು ಮಲ್ಟಿಮೀಡಿಯಾದಲ್ಲಿ ಆರಂಭಿಕ ಮಾದರಿಗಳನ್ನು ನಡೆಸುತ್ತದೆ.

fd50fa6954e1f6f78ca66f43346e7e86b196b137

ನಗರೀಕರಣದ ಪ್ರಕ್ರಿಯೆ ಹೆಚ್ಚುತ್ತಿರುವುದರಿಂದ, ನಗರದ ಸ್ಥಳದಲ್ಲಿ ಜನರ ಚಟುವಟಿಕೆಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ರೂಪಿಸುವುದು ಒಂದು ಪ್ರಮುಖ ಸಾಮಾಜಿಕ ಆರ್ಥಿಕ ಕಾರ್ಯವೆಂದು ಗುರುತಿಸಲ್ಪಟ್ಟಿದೆ. ವಿಶ್ವಾಸಾರ್ಹ ದತ್ತಾಂಶ ಮೂಲಗಳ ಕೊರತೆಯಿಂದಾಗಿ ಈ ಕಾರ್ಯವು ವರ್ಷಗಳ ಹಿಂದೆ ಅಸಾಧ್ಯವಾಗಿತ್ತು, ಆದರೂ ಜಿಯೋ-ಟ್ಯಾಗ್ ಮಾಡಲಾದ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ (ಜಿಟಿಎಸ್ಎಂ) ದತ್ತಾಂಶದ ಹೊರಹೊಮ್ಮುವಿಕೆಯು ಅದರ ಮೇಲೆ ಹೊಸ ಬೆಳಕನ್ನು ಚೆಲ್ಲುತ್ತದೆ. ಇತ್ತೀಚೆಗೆ, ಜಿಟಿಎಸ್ಎಂ ದತ್ತಾಂಶದಿಂದ ಭೌಗೋಳಿಕ ವಿಷಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ ಫಲಪ್ರದ ಅಧ್ಯಯನಗಳು ನಡೆದಿವೆ. ಆದಾಗ್ಯೂ, ಅವುಗಳ ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚಗಳು ಮತ್ತು ಸುಪ್ತ ವಿಷಯಗಳ ಬಗ್ಗೆ ಬಲವಾದ ವಿತರಣಾ ಊಹೆಗಳು ಜಿಟಿಎಸ್ಎಂನ ಶಕ್ತಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬಿಡುಗಡೆ ಮಾಡುವುದನ್ನು ತಡೆಯುತ್ತದೆ. ಈ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ನಾವು ಕ್ರಾಸ್ಮ್ಯಾಪ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದು ಕ್ರಾಸ್ಮೋಡಲ್ ಪ್ರಾತಿನಿಧ್ಯ ಕಲಿಕೆಯ ವಿಧಾನವಾಗಿದ್ದು, ಇದು ಬೃಹತ್ ಜಿಟಿಎಸ್ಎಂ ಡೇಟಾದೊಂದಿಗೆ ನಗರ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಕ್ರಾಸ್ಮ್ಯಾಪ್ ಮೊದಲನೆಯದಾಗಿ ಜನರ ಚಟುವಟಿಕೆಗಳ ಆಧಾರವಾಗಿರುವ ಸ್ಥಳ-ಸಮಯದ ಹಾಟ್ಸ್ಪಾಟ್ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ವೇಗವರ್ಧಿತ ಮೋಡ್ ಹುಡುಕಾಟ ಕಾರ್ಯವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಪತ್ತೆಯಾದ ಈ ಹಾಟ್ಸ್ಪಾಟ್ಗಳು ಕೇವಲ ಸ್ಥಳ-ಸಮಯದ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪರಿಹರಿಸುವುದಲ್ಲದೆ, ಜಿಟಿಎಸ್ಎಂ ದತ್ತಾಂಶದ ವಿರಳತೆಯನ್ನು ಸಹ ಹೆಚ್ಚಾಗಿ ನಿವಾರಿಸುತ್ತವೆ. ಪತ್ತೆಯಾದ ಹಾಟ್ಸ್ಪಾಟ್ಗಳೊಂದಿಗೆ, ಕ್ರಾಸ್ಮ್ಯಾಪ್ ನಂತರ ಎಲ್ಲಾ ಪ್ರಾದೇಶಿಕ, ಕಾಲೋಚಿತ ಮತ್ತು ಪಠ್ಯ ಘಟಕಗಳನ್ನು ಎರಡು ವಿಭಿನ್ನ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಒಂದೇ ಜಾಗದಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆಃ ಒಂದು ಪುನರ್ನಿರ್ಮಾಣ ಆಧಾರಿತ ಮತ್ತು ಇನ್ನೊಂದು ಗ್ರಾಫ್ ಆಧಾರಿತವಾಗಿದೆ. ಎರಡೂ ತಂತ್ರಗಳು ಘಟಕಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಅವುಗಳ ಸಹ-ಸಂಭವಿಸುವಿಕೆ ಮತ್ತು ನೆರೆಹೊರೆಯ ಸಂಬಂಧಗಳನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುವ ಮೂಲಕ ಸೆರೆಹಿಡಿಯುತ್ತವೆ ಮತ್ತು ಅಂತಹ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಸಂರಕ್ಷಿಸಲು ಕಡಿಮೆ ಆಯಾಮದ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಕಲಿಯುತ್ತವೆ. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ಕ್ರೋಸ್ಮ್ಯಾಪ್ ಚಟುವಟಿಕೆ ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಅತ್ಯಾಧುನಿಕ ವಿಧಾನಗಳನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಮೀರಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಹೆಚ್ಚು ಉತ್ತಮ ದಕ್ಷತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ.

ce8d99e5b270d15dc09422c08c500c5d86ed3703

ಮಾನವ ನಡಿಗೆ ವಿಶ್ಲೇಷಣೆಯು ಅಂತರ್ಗತ ನಡಿಗೆ ಸಹಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದರ ಮೂಲಕ ಎಲ್ಲೆಡೆ ಇರುವ ಮಾನವ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಅಸ್ವಸ್ಥತೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ವಿಶಾಲ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ತನಿಖೆ ಮಾಡಬಹುದು. ವಾಕಿಂಗ್ ಬಯೋಮೆಟ್ರಿಕ್ ವಸ್ತುವಿನ ಬಗ್ಗೆ ಪೂರ್ವ ಅರಿವು ಇಲ್ಲದೆ ಹೆಚ್ಚಿನ ದೂರದಲ್ಲಿ ವೀಡಿಯೊ ವಾಕಿಂಗ್ ಡೇಟಾವನ್ನು ಸೆರೆಹಿಡಿಯುವ ಮೂಲಕ ಅಸ್ಪಷ್ಟ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ಕಿನ್ಸೆಟ್ ಎಕ್ಸ್ ಬಾಕ್ಸ್ ಸಾಧನದೊಂದಿಗೆ ಮಾನವ ನಡಿಗೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಹೊಸ ತಂತ್ರವನ್ನು ಉದ್ದೇಶಿಸಲಾಗಿದೆ. ಇದು ಸ್ವಯಂಚಾಲಿತ ಹಿನ್ನೆಲೆ ವ್ಯವಕಲನ ತಂತ್ರದೊಂದಿಗೆ ವಿಭಾಗೀಕರಣ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಮಗೆ ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ. ಮಾನವನ ಅಸ್ಥಿಪಂಜರದ ಮಾದರಿಯು ಹಿನ್ನೆಲೆ ಸಬ್ ಟ್ರಾಕ್ಟ್ ಗೇಜ್ ಇಮೇಜ್ಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗಬಹುದು, ಇದು ವಾಕಿಂಗ್ ವೇಗದಲ್ಲಿನ ಬದಲಾವಣೆ ಮತ್ತು ಬಟ್ಟೆಯ ಪ್ರಕಾರದಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಂತಹ ಕೋವರಿಯೇಟ್ ಪರಿಸ್ಥಿತಿಗಳಿಂದ ಬದಲಾಯಿಸಲ್ಪಡುತ್ತದೆ. ವಾಕಿಂಗ್ ಸಹಿಯನ್ನು ಎಡ ಹಿಪ್, ಎಡ ಮೊಣಕಾಲು, ಬಲ ಹಿಪ್ ಮತ್ತು ಬಲ ಮೊಣಕಾಲುಗಳ ಜಂಟಿ ಕೋನ ಪಥಗಳಿಂದ ಸೆರೆಹಿಡಿಯಲಾಗುತ್ತದೆ. ಕೈನೆಕ್ಟ್ ನ ನಡಿಗೆ ದತ್ತಾಂಶದ ಪ್ರಾಯೋಗಿಕ ಪರಿಶೀಲನೆಯನ್ನು ನಮ್ಮ ಆಂತರಿಕ ಅಭಿವೃದ್ಧಿ ಸೆನ್ಸಾರ್ ಆಧಾರಿತ ಬಯೋಮೆಟ್ರಿಕ್ ಸೂಟ್, ಇಂಟೆಲಿಜೆಂಟ್ ಗೇಟ್ ಆಸ್ಸಿಲೇಷನ್ ಡಿಟೆಕ್ಟರ್ (ಐಜಿಒಡಿ) ನೊಂದಿಗೆ ಹೋಲಿಸಲಾಗಿದೆ. ಈ ಸಂವೇದಕ ಆಧಾರಿತ ಬಯೋಮೆಟ್ರಿಕ್ ಸೂಟ್ ಅನ್ನು Kinect ಸಾಧನದೊಂದಿಗೆ ದೃಢವಾದ ನಡಿಗೆ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಯ ಪ್ರಸರಣಕ್ಕಾಗಿ ಬದಲಾಯಿಸಬಹುದೇ ಎಂದು ತನಿಖೆ ಮಾಡಲು ಪ್ರಯತ್ನ ಮಾಡಲಾಗಿದೆ. ಫೀಚರ್ ವೆಕ್ಟರ್ನ ತಾರತಮ್ಯದ ಶಕ್ತಿಯನ್ನು ನೋಡಲು ತರಬೇತಿ ಗೇಟ್ ಸಹಿಗೆ ಫಿಶರ್ ತಾರತಮ್ಯದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ. ನಯೀವ್ ಬೇಯಸಿಯನ್ ವರ್ಗೀಕರಣಕಾರನು ಕೆನೆಕ್ಟ್ ಸಂವೇದಕದಿಂದ ಸೆರೆಹಿಡಿಯಲಾದ ಸೀಮಿತ ದತ್ತಾಂಶದ ಮೇಲೆ ದೋಷಗಳ ಅಂದಾಜಿನೊಂದಿಗೆ ಉತ್ತೇಜಕ ವರ್ಗೀಕರಣ ಫಲಿತಾಂಶವನ್ನು ತೋರಿಸುತ್ತದೆ.

582ea307db25c5764e7d2ed82c4846757f4e95d7

ಕಾರ್ಯ ಸಮೀಪದೃಷ್ಟಿಯನ್ನು ನಿಯತಾಂಕ ಜಾಗಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಕಾರ್ಯ ಜಾಗದಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ ಆಪ್ಟಿಮೈಸೇಶನ್ನ ದೃಷ್ಟಿಕೋನದಿಂದ ನೋಡಲಾಗುತ್ತದೆ. ಹಂತ ಹಂತದ ಸೇರ್ಪಡೆ ವಿಸ್ತರಣೆಗಳು ಮತ್ತು ಕಡಿದಾದ ಇಳಿಕೆಯ ಕನಿಷ್ಠೀಕರಣದ ನಡುವೆ ಸಂಪರ್ಕವನ್ನು ಮಾಡಲಾಗಿದೆ. ಯಾವುದೇ ಮಾನದಂಡದ ಆಧಾರದ ಮೇಲೆ ಸಂಯೋಜಿತ ವಿಸ್ತರಣೆಗಳಿಗಾಗಿ ಸಾಮಾನ್ಯ ಗ್ರೇಡಿಯಂಟ್ {ಡಿಸೆಂಟ್ \ ಬೂಸ್ಟಿಂಗ್ "ಪರಿಸರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟ ಕ್ರಮಾವಳಿಗಳನ್ನು ಕನಿಷ್ಠ {ಚೌಕಗಳು, ಕನಿಷ್ಠ {ಸಂಪೂರ್ಣ} ವಿಚಲನ, ಮತ್ತು ಹಿಂಜರಿಕೆಯ ಹ್ಯೂಬರ್ {M ನಷ್ಟ ಕಾರ್ಯಗಳು, ಮತ್ತು ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಬಹು {ವರ್ಗದ ಲಾಜಿಸ್ಟಿಕ್ ಸಂಭವನೀಯತೆಗಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಪ್ರತ್ಯೇಕ ಸೇರ್ಪಡೆ ಘಟಕಗಳು ನಿರ್ಧಾರ ಮರಗಳು ಮತ್ತು ಅಂತಹ "ಟ್ರೀ ಬೂಸ್ಟ್" ಮಾದರಿಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಾಧನಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ನಿರ್ದಿಷ್ಟ ಪ್ರಕರಣಕ್ಕಾಗಿ ವಿಶೇಷ ವರ್ಧನೆಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ನಿರ್ಧಾರ ಮರಗಳ ಗ್ರೇಡಿಯಂಟ್ ವರ್ಧನೆಯು ಸ್ಪರ್ಧಾತ್ಮಕ, ಹೆಚ್ಚು ದೃಢವಾದ, ಅರ್ಥೈಸಬಹುದಾದ ವಿಧಾನಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಸ್ವಚ್ಛ ಡೇಟಾಕ್ಕಿಂತ ಕಡಿಮೆ ಗಣಿಗಾರಿಕೆಗೆ ಸೂಕ್ತವಾಗಿದೆ. ಈ ವಿಧಾನ ಮತ್ತು ಫ್ರೆಂಡ್ ಮತ್ತು ಶಾಪೈರ್ 1996ರ ವರ್ಧಕ ವಿಧಾನಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳು ಮತ್ತು ಫ್ರೀಡ್ಮನ್, ಹ್ಯಾಸ್ಟಿ, ಮತ್ತು ಟಿಬ್ಶಿರಾನಿ 1998ರ ನಡುವಿನ ಸಂಪರ್ಕಗಳನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ. 1 ಕಾರ್ಯ ಅಂದಾಜು ಕಾರ್ಯ ಅಂದಾಜು ಸಮಸ್ಯೆಯಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ \output" ಅಥವಾ \response" ವೇರಿಯಬಲ್ y ಮತ್ತು ಯಾದೃಚ್ಛಿಕ \input" ಅಥವಾ \explanatory" ವೇರಿಯಬಲ್ x = fx1; ; xng ಒಳಗೊಂಡಿರುವ ಒಂದು ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ತಿಳಿದಿರುವ (y;x) { ಮೌಲ್ಯಗಳ \training" ಮಾದರಿ fyi;xig N 1 ನೀಡಿದರೆ, ಎಲ್ಲಾ (y;x) { ಮೌಲ್ಯಗಳ ಜಂಟಿ ವಿತರಣೆಯ ಮೇಲೆ, ಕೆಲವು ನಿರ್ದಿಷ್ಟ ನಷ್ಟ ಕಾರ್ಯದ ನಿರೀಕ್ಷಿತ ಮೌಲ್ಯವನ್ನು (y; F (x)) ಕಡಿಮೆಗೊಳಿಸುತ್ತದೆ F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) ಆಗಾಗ್ಗೆ ಬಳಸುವ ನಷ್ಟ ಕಾರ್ಯಗಳು (y; F) y 2 R (ಪ್ರತಿಕ್ರಮ) ಗಾಗಿ squared {error (y F ) ಮತ್ತು ಸಂಪೂರ್ಣ ದೋಷ jy j F ಮತ್ತು negative binal logomial {likelihood, log1 + e 2y F), y 2 f 1 g; (ವರ್ಗೀಕರಣ). ಒಂದು ಸಾಮಾನ್ಯ ವಿಧಾನವೆಂದರೆ F (x) ಅನ್ನು F (x;P) ಕಾರ್ಯಗಳ ಒಂದು ನಿಯತಾಂಕ ವರ್ಗದ ಸದಸ್ಯನಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವುದು, ಅಲ್ಲಿ P = fP1; P2; g ಎನ್ನುವುದು ನಿಯತಾಂಕಗಳ ಒಂದು ಗುಂಪಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಈ ರೂಪದ "ಸೇರ್ಪಡೆ" ವಿಸ್ತರಣೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ

6a7c63a73724c0ca68b1675e256bb8b9a35c94f4

JSTOR ಆರ್ಕೈವ್ ಅನ್ನು ನೀವು ಬಳಸುವುದರಿಂದ http://www.jstor.org/about/terms.html ನಲ್ಲಿ ಲಭ್ಯವಿರುವ JSTOR ನ ನಿಯಮಗಳು ಮತ್ತು ಬಳಕೆಯ ಷರತ್ತುಗಳನ್ನು ನೀವು ಸ್ವೀಕರಿಸುತ್ತೀರಿ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. JSTOR ನ ಬಳಕೆಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳು ಭಾಗಶಃ, ನೀವು ಪೂರ್ವ ಅನುಮತಿಯನ್ನು ಪಡೆಯದ ಹೊರತು, ನೀವು ಜರ್ನಲ್ನ ಸಂಪೂರ್ಣ ಸಂಚಿಕೆ ಅಥವಾ ಲೇಖನಗಳ ಬಹು ಪ್ರತಿಗಳನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬಾರದು ಮತ್ತು ನಿಮ್ಮ ವೈಯಕ್ತಿಕ, ವಾಣಿಜ್ಯೇತರ ಬಳಕೆಗಾಗಿ ಮಾತ್ರ ನೀವು JSTOR ಆರ್ಕೈವ್ನಲ್ಲಿರುವ ವಿಷಯವನ್ನು ಬಳಸಬಹುದು. ಈ ಕೃತಿಯ ಮತ್ತಷ್ಟು ಬಳಕೆಯ ಬಗ್ಗೆ ದಯವಿಟ್ಟು ಪ್ರಕಾಶಕರನ್ನು ಸಂಪರ್ಕಿಸಿ. ಪ್ರಕಾಶಕರ ಸಂಪರ್ಕ ಮಾಹಿತಿಗಳನ್ನು http://www.jstor.org/journals/econosoc.html ನಲ್ಲಿ ಪಡೆಯಬಹುದು. JSTOR ಪ್ರಸರಣದ ಯಾವುದೇ ಭಾಗದ ಪ್ರತಿ ಪ್ರತಿ ಆಕೆಯು ಅಂತಹ ಪ್ರಸರಣದ ಪರದೆಯ ಮೇಲೆ ಅಥವಾ ಮುದ್ರಿತ ಪುಟದಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಅದೇ ಹಕ್ಕುಸ್ವಾಮ್ಯ ಸೂಚನೆಯನ್ನು ಹೊಂದಿರಬೇಕು.

8eca169f19425c76fa72078824e6a91a5b37f470

ಕಡಿಮೆ ವೆಚ್ಚದ ಮತ್ತು ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ರೇಡಾರ್ ವ್ಯವಸ್ಥೆಗಳ ಯಶಸ್ವಿ ವಿನ್ಯಾಸಕ್ಕಾಗಿ ನಿಖರ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಸಿಸ್ಟಮ್ ಸಿಮ್ಯುಲೇಶನ್ ಒಂದು ಪ್ರಮುಖ ಅವಶ್ಯಕತೆಯಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಆವರ್ತನ-ಮಾದರಿ ನಿರಂತರ ತರಂಗ ರೇಡಾರ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೊಸ ಬಹುಮುಖ ಸಿಮ್ಯುಲೇಶನ್ ಪರಿಸರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಸಾಮಾನ್ಯ ಹಾರ್ಡ್ವೇರ್ ಸಿಮ್ಯುಲೇಶನ್ ಜೊತೆಗೆ ಇದು ಸಿಗ್ನಲ್ ಸಿಂಥೆಸಿಸ್ನಿಂದ ಬೇಸ್ಬ್ಯಾಂಡ್ಗೆ ಸಮಗ್ರ ಸಿಸ್ಟಮ್ ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಪರಿಕಲ್ಪನಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ಹೊಂದಿಕೊಳ್ಳುವ ಸನ್ನಿವೇಶದ ಜನರೇಟರ್, ನಿಖರವಾದ ಶಬ್ದ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ ಮತ್ತು ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ಗಳ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಪರೀಕ್ಷೆಗಾಗಿ ಸಿಮ್ಯುಲೇಶನ್ ಡೇಟಾವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನೀಡುತ್ತದೆ. ಸಮಗ್ರ 77-GHz ರೇಡಾರ್ ಮಾದರಿಯ ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಮಾಪನ ಫಲಿತಾಂಶಗಳ ಹೋಲಿಕೆ ಎರಡು ವಿಭಿನ್ನ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಸಿಮ್ಯುಲೇಟರ್ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.

71337276460b50a2cb37959a2d843e593dc4fdcc

ಒಂದು ಹೊಸ ಪ್ರತ್ಯೇಕವಲ್ಲದ ಮೂರು ಪೋರ್ಟ್ ಪರಿವರ್ತಕ (ಎನ್ಐ-ಟಿಪಿಸಿ) ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಇದು ಒಂದು ಪಿವಿ ಪೋರ್ಟ್, ಒಂದು ದ್ವಿಮುಖ ಬ್ಯಾಟರಿ ಪೋರ್ಟ್ ಮತ್ತು ಒಂದು ಲೋಡ್ ಪೋರ್ಟ್ ಅನ್ನು ಸಂಪರ್ಕಿಸುತ್ತದೆ. ಮೂರು ಬಂದರುಗಳಲ್ಲಿ ಯಾವುದೇ ಎರಡು ನಡುವೆ ಏಕ ಹಂತದ ವಿದ್ಯುತ್ ಪರಿವರ್ತನೆ ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ರಚನೆಯ ದ್ವಿಮುಖ ವಿದ್ಯುತ್ ಹರಿವಿನ ಮಾರ್ಗವನ್ನು ಎರಡು ಏಕಮುಖವಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಟೋಪೋಲಜಿಯನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ಮೂರು ಬಂದರುಗಳಲ್ಲಿ ಎರಡು ಪಿವಿಗಾಗಿ ಗರಿಷ್ಠ ವಿದ್ಯುತ್ ಕೊಯ್ಲು ಅಥವಾ ಬ್ಯಾಟರಿಗಾಗಿ ಚಾರ್ಜ್ ನಿಯಂತ್ರಣವನ್ನು ಸಾಧಿಸಲು ಬಿಗಿಯಾಗಿ ನಿಯಂತ್ರಿಸಬಹುದು ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ಲೋಡ್ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಸ್ಥಿರವಾಗಿರಿಸಿಕೊಳ್ಳಬಹುದು, ಆದರೆ ಮೂರನೇ ಬಂದರು ಪರಿವರ್ತಕದ ವಿದ್ಯುತ್ ಅಸಮತೋಲನವನ್ನು ಸರಿದೂಗಿಸಲು ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ಕಾರ್ಯಾಚರಣೆಯ ಸ್ಥಿತಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ. ಬಹು-ನಿಯಂತ್ರಕ ಸ್ಪರ್ಧೆಯ ನಿಯಂತ್ರಣ ತಂತ್ರವನ್ನು PV ಇನ್ಪುಟ್ ಪವರ್ ಏರಿಳಿತಗಳ ಸಂದರ್ಭದಲ್ಲಿ ಸ್ವಾಯತ್ತ ಮತ್ತು ಸುಗಮ ರಾಜ್ಯ ಸ್ವಿಚಿಂಗ್ ಸಾಧಿಸಲು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳಿಂದ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.

ac8877b0e87625e26f52ab75e84c534a576b1e77

ಡಿಜಿಟಲ್ ಜಗತ್ತಿನಲ್ಲಿ, ತಮ್ಮ ಕಂಪನಿಗಳಿಗೆ ಮೌಲ್ಯ ಸೃಷ್ಟಿಗೆ ಮಾಹಿತಿ ಮತ್ತು ಮಾಹಿತಿ ನಿರ್ವಹಣೆಯ ಕಾರ್ಯತಂತ್ರದ ಪ್ರಾಮುಖ್ಯತೆಯ ಬಗ್ಗೆ ವ್ಯಾಪಾರ ಕಾರ್ಯನಿರ್ವಾಹಕರಿಗೆ ಹೆಚ್ಚಿನ ಅರಿವಿದೆ. ಇದು ಸಿಐಒಗಳಿಗೆ ನಾಯಕತ್ವದ ಅವಕಾಶಗಳು ಮತ್ತು ಸವಾಲುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಿಐಒ ಸ್ಥಾನವನ್ನು ಅಂಚಿನಲ್ಲಿರಿಸುವುದನ್ನು ತಡೆಗಟ್ಟಲು ಮತ್ತು ವ್ಯವಹಾರ ಮೌಲ್ಯ ಸೃಷ್ಟಿಗೆ ಸಿಐಒಗಳ ಕೊಡುಗೆಯನ್ನು ಹೆಚ್ಚಿಸಲು, ಅವರು ಸಮರ್ಥ ಐಟಿ ಯುಟಿಲಿಟಿ ವ್ಯವಸ್ಥಾಪಕರಾಗಿರುವುದನ್ನು ಮೀರಿ ತಮ್ಮ ಕಂಪನಿಗಳು ಬಲವಾದ ಮಾಹಿತಿ ಬಳಕೆಯ ಸಂಸ್ಕೃತಿಯನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುವಲ್ಲಿ ಸಕ್ರಿಯ ಪಾತ್ರ ವಹಿಸಬೇಕು. ಈ ಲೇಖನದ ಉದ್ದೇಶವು ಸಿಐಒಗಳು ಮತ್ತು ವ್ಯವಹಾರ ಕಾರ್ಯನಿರ್ವಾಹಕರು ತಮ್ಮ ಕಂಪನಿಗಳ ಮಾಹಿತಿ ದೃಷ್ಟಿಕೋನವನ್ನು ಸುಧಾರಿಸಲು ಅಳವಡಿಸಿಕೊಳ್ಳಬಹುದಾದ ನಾಯಕತ್ವದ ವಿಧಾನಗಳ ಬಗ್ಗೆ ಉತ್ತಮ ತಿಳುವಳಿಕೆಯನ್ನು ಒದಗಿಸುವುದು. ನಾಲ್ಕು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳ ಸಂಶೋಧನೆಗಳ ಆಧಾರದ ಮೇಲೆ ನಾವು ನಾಲ್ಕು ಚೌಕಟ್ಟುಗಳ ನಾಯಕತ್ವ ಸ್ಥಾನೀಕರಣ ಚೌಕಟ್ಟನ್ನು ರಚಿಸಿದ್ದೇವೆ. ಈ ಚೌಕಟ್ಟನ್ನು CIO ದೃಷ್ಟಿಕೋನದಿಂದ ನಿರ್ಮಿಸಲಾಗಿದೆ ಮತ್ತು CIO ತನ್ನ ಕಾರ್ಯತಂತ್ರದ ಗಮನವನ್ನು ಸಾಧಿಸಲು ಕಂಪನಿಯ ಮಾಹಿತಿ ದೃಷ್ಟಿಕೋನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ನಾಯಕ, ಅನುಯಾಯಿ ಅಥವಾ ನಾನ್ಪ್ಲೇಯರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಈ ಲೇಖನವು ಸಿಐಒಗಳು ತಮ್ಮ ಕಂಪೆನಿಗಳ ಮಾಹಿತಿ ದೃಷ್ಟಿಕೋನ ಉಪಕ್ರಮಗಳನ್ನು ಪರಿಚಯಿಸುವಲ್ಲಿ ಅಥವಾ ಉಳಿಸಿಕೊಳ್ಳುವಲ್ಲಿ ತಮ್ಮ ನಾಯಕತ್ವದ ಸವಾಲುಗಳನ್ನು ಸ್ಥಾನೀಕರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮಾರ್ಗಸೂಚಿಗಳೊಂದಿಗೆ ಮುಕ್ತಾಯಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸಿಐಒಗಳ ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶಗಳನ್ನು ಅವಲಂಬಿಸಿ ನಿರ್ದಿಷ್ಟ ನಾಯಕತ್ವದ ವಿಧಾನಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ.

5c6b51bb44c9b2297733b58daaf26af01c98fe09

ಈ ಲೇಖನವು ಎರಡು ವೈಶಿಷ್ಟ್ಯಗಳ ಹೊರತೆಗೆಯುವಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು ಗ್ರಾಹಕರ ವಿಮರ್ಶೆಗಳಲ್ಲಿ ಕಾಮೆಂಟ್ ಮಾಡಲಾದ ಉತ್ಪನ್ನದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗಣಿಗಾರಿಕೆಗೆ ವ್ಯವಸ್ಥಿತವಾಗಿ ಹೋಲಿಸುತ್ತದೆ. ಮೊದಲ ವಿಧಾನ [17] ಒಂದು ಸೆಟ್ ಪಿಓಎಸ್ ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಮತ್ತು ಲಾಗ್ ಸಂಭವನೀಯತೆ ಅನುಪಾತ ಪರೀಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ ಅಭ್ಯರ್ಥಿ ಸೆಟ್ ಅನ್ನು ಕತ್ತರಿಸುವ ಮೂಲಕ ಅಭ್ಯರ್ಥಿ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಎರಡನೆಯ ವಿಧಾನವು [11] ಆಗಾಗ್ಗೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಅಸೋಸಿಯೇಷನ್ ರೂಲ್ ಗಣಿಗಾರಿಕೆಯನ್ನು ಮತ್ತು ಅಪರೂಪದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಭಾವನೆ ಪದಗಳ ಉಪಸ್ಥಿತಿಯನ್ನು ಆಧರಿಸಿದ ಒಂದು ಹ್ಯೂರಿಸ್ಟಿಕ್ ಅನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ. ಗ್ರಾಹಕ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸಾಧನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಐದು ಉತ್ಪನ್ನ ನಿರ್ದಿಷ್ಟ ಡಾಕ್ಯುಮೆಂಟ್ ಸಂಗ್ರಹಗಳಲ್ಲಿ ನಾವು ಕ್ರಮಾವಳಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. ನಾವು ದೋಷಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತೇವೆ ಮತ್ತು ಕ್ರಮಾವಳಿಗಳ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ.

623fd6adaa5585707d8d7339b5125185af6e3bf1

ಪ್ರಸ್ತುತ ಅಧ್ಯಯನವು ಇಂಟರ್ನೆಟ್ ಗೇಮಿಂಗ್ ಅಸ್ವಸ್ಥತೆ (ಐಜಿಡಿ) ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಮಧ್ಯಸ್ಥಿಕೆಗಳ ಒಂದು ಪ್ರಾಯೋಗಿಕ, ನಿರೀಕ್ಷಿತ ಅಧ್ಯಯನವಾಗಿದೆ. ನೂರ ನಾಲ್ಕು ಪೋಷಕರು ಮತ್ತು ಅವರ ಹದಿಹರೆಯದ ಮಕ್ಕಳನ್ನು ದಾಖಲಿಸಿ ನಾಲ್ಕು ಚಿಕಿತ್ಸಾ ಗುಂಪುಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ ಹಂಚಲಾಯಿತು; 7 ದಿನಗಳ ಸಿರಿರಾಜ್ ಚಿಕಿತ್ಸಕ ವಸತಿ ಶಿಬಿರ (ಎಸ್-ಟಿಆರ್ಸಿ) ಮಾತ್ರ, 8 ವಾರಗಳ ಆಟದ ವ್ಯಸನಕ್ಕಾಗಿ ಪೋಷಕರ ನಿರ್ವಹಣಾ ತರಬೇತಿ (ಪಿಎಂಟಿ-ಜಿ) ಮಾತ್ರ, ಸಂಯೋಜಿತ ಎಸ್-ಟಿಆರ್ಸಿ ಮತ್ತು ಪಿಎಂಟಿ-ಜಿ, ಮತ್ತು ಮೂಲಭೂತ ಮನೋ-ಶಿಕ್ಷಣ (ನಿಯಂತ್ರಣ). ಗೇಮ್ ಅಡಿಕ್ಷನ್ ಸ್ಕ್ರೀನಿಂಗ್ ಟೆಸ್ಟ್ (GAST) ಮೂಲಕ IGD ಯ ತೀವ್ರತೆಯನ್ನು ಅಳೆಯಲಾಯಿತು. GAST ಸ್ಕೋರ್ಗಳಲ್ಲಿನ ಗುಂಪುಗಳ ನಡುವಿನ ಸರಾಸರಿ ವ್ಯತ್ಯಾಸವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿತ್ತು, P ಮೌಲ್ಯಗಳು ಕ್ರಮವಾಗಿ 0. 001, 0. 002 ಮತ್ತು 0. 005 ರಂತೆ 1, 3, ಮತ್ತು 6 ತಿಂಗಳ ನಂತರ ಮಧ್ಯಪ್ರವೇಶಿಸಿದವು. ಎಲ್ಲಾ ಗುಂಪುಗಳು ನಿಯಂತ್ರಣ ಗುಂಪಿನ ಮೇಲೆ ಸುಧಾರಣೆಯನ್ನು ತೋರಿಸಿದವು. ವ್ಯಸನಕಾರಿ ಅಥವಾ ಬಹುಶಃ ವ್ಯಸನಕಾರಿ ಗುಂಪುಗಳಲ್ಲಿ ಉಳಿದಿರುವ ಹದಿಹರೆಯದವರ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವು ಎಸ್- ಟಿಆರ್ಸಿ, ಪಿಎಂಟಿ-ಜಿ ಮತ್ತು ಸಂಯೋಜಿತ ಗುಂಪುಗಳಲ್ಲಿ 50% ಕ್ಕಿಂತ ಕಡಿಮೆಯಿತ್ತು. ತೀರ್ಮಾನಕ್ಕೆ ಬಂದರೆ, ಎಸ್-ಟಿಆರ್ಸಿ ಮತ್ತು ಪಿಎಂಟಿ-ಜಿ ಎರಡೂ ಐಜಿಡಿಗೆ ಪರಿಣಾಮಕಾರಿ ಮಾನಸಿಕ ಸಾಮಾಜಿಕ ಮಧ್ಯಸ್ಥಿಕೆಗಳಾಗಿವೆ ಮತ್ತು ಮೂಲಭೂತ ಮಾನಸಿಕ ಶಿಕ್ಷಣಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿವೆ.

aca437e9e2a453c84a38d716ca9a7a7683ae58b6

ಈ ಪತ್ರಿಕೆಯು ಅಂತರ್ಬೋಧೆಯ ಯಂತ್ರಶಾಸ್ತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ವಸ್ತುವಿನ ಸ್ಥಿರತೆ ಮತ್ತು ಸುರಕ್ಷತೆಯನ್ನು ತರ್ಕಿಸುವ ಮೂಲಕ 3D ದೃಶ್ಯದ ತಿಳುವಳಿಕೆಗಾಗಿ ಹೊಸ ದೃಷ್ಟಿಕೋನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಮ್ಮ ವಿಧಾನವು ಸರಳವಾದ ಅವಲೋಕನವನ್ನು ಬಳಸುತ್ತದೆ, ಮಾನವ ವಿನ್ಯಾಸದ ಪ್ರಕಾರ, ಸ್ಥಿರ ದೃಶ್ಯಗಳಲ್ಲಿನ ವಸ್ತುಗಳು ಗುರುತ್ವಾಕರ್ಷಣ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸ್ಥಿರವಾಗಿರಬೇಕು ಮತ್ತು ಮಾನವ ಚಟುವಟಿಕೆಗಳಂತಹ ವಿವಿಧ ಭೌತಿಕ ಅಡಚಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸುರಕ್ಷಿತವಾಗಿರಬೇಕು. ಈ ಊಹೆಯು ಎಲ್ಲಾ ದೃಶ್ಯ ವರ್ಗಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ ಮತ್ತು ದೃಶ್ಯದ ತಿಳುವಳಿಕೆಯಲ್ಲಿನ ನಂಬಲರ್ಹ ವ್ಯಾಖ್ಯಾನಗಳಿಗೆ (ಪಾರ್ಸ್ಗಳು) ಉಪಯುಕ್ತ ನಿರ್ಬಂಧಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಆಳ ಕ್ಯಾಮೆರಾಗಳಿಂದ ಸ್ಥಿರ ದೃಶ್ಯಕ್ಕಾಗಿ ಸೆರೆಹಿಡಿಯಲಾದ 3D ಪಾಯಿಂಟ್ ಮೋಡವನ್ನು ನೀಡಿದರೆ, ನಮ್ಮ ವಿಧಾನವು ಮೂರು ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: (i) ವೊಕ್ಸೆಲ್ಗಳಿಂದ ಘನ 3D ಪರಿಮಾಣಾತ್ಮಕ ಪ್ರಾಚೀನಗಳನ್ನು ಮರುಪಡೆಯುವುದು; (ii) ಸ್ಥಿರತೆ ಮತ್ತು ದೃಶ್ಯವನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಮೂಲಕ ಅಸ್ಥಿರ ಪ್ರಾಚೀನಗಳನ್ನು ದೈಹಿಕವಾಗಿ ಸ್ಥಿರವಾದ ವಸ್ತುಗಳಿಗೆ ಗುಂಪು ಮಾಡುವ ಮೂಲಕ ಸ್ಥಿರತೆಯನ್ನು ತರ್ಕಿಸುವುದು; ಮತ್ತು (iii) ಮಾನವ ಚಟುವಟಿಕೆ, ಗಾಳಿ ಅಥವಾ ಭೂಕಂಪಗಳಂತಹ ದೈಹಿಕ ಅಡಚಣೆಗಳ ಅಡಿಯಲ್ಲಿರುವ ವಸ್ತುಗಳಿಗೆ ದೈಹಿಕ ಅಪಾಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮೂಲಕ ಸುರಕ್ಷತೆಯನ್ನು ತರ್ಕಿಸುವುದು. ನಾವು ಒಂದು ಹೊಸ ಅಂತರ್ಬೋಧೆಯ ಭೌತಶಾಸ್ತ್ರದ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ದೃಶ್ಯದಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಪ್ರಾಚೀನ ಮತ್ತು ವಸ್ತುವಿನ ಶಕ್ತಿಯ ಭೂದೃಶ್ಯವನ್ನು ಸಂಪರ್ಕ ಕಡಿತ ಗ್ರಾಫ್ (ಡಿಜಿ) ಮೂಲಕ ಪ್ರತಿನಿಧಿಸುತ್ತೇವೆ. ನಾವು ಸಂಪರ್ಕ ಗ್ರಾಫ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ನೋಡ್ ಗಳು 3D ಪರಿಮಾಣಾತ್ಮಕ ಪ್ರಾಥಮಿಕಗಳು ಮತ್ತು ಅಂಚುಗಳು ಬೆಂಬಲಿಸುವ ಸಂಬಂಧಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ನಂತರ ನಾವು ಸ್ವೆಂಡ್ಸನ್-ವಾಂಗ್ ಕಟ್ಸ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುತ್ತೇವೆ ಸಂಪರ್ಕ ಗ್ರಾಫ್ ಅನ್ನು ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸಲು, ಪ್ರತಿಯೊಂದೂ ಸ್ಥಿರವಾದ ವಸ್ತುವಾಗಿದೆ. ಸ್ಥಿರ ದೃಶ್ಯದಲ್ಲಿ ಅಸುರಕ್ಷಿತ ವಸ್ತುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು, ನಮ್ಮ ವಿಧಾನವು ದೃಶ್ಯದಲ್ಲಿ ಗುಪ್ತ ಮತ್ತು ಇರುವ ಕಾರಣಗಳನ್ನು (ಕ್ಷೋಭೆಗಳು) ಮತ್ತಷ್ಟು ಸೂಚಿಸುತ್ತದೆ, ಮತ್ತು ನಂತರ ಗೊಂದಲಗಳ ಪರಿಣಾಮವಾಗಿ ಸಂಭವನೀಯ ಪರಿಣಾಮಗಳನ್ನು (ಉದಾ, ಬೀಳುವಿಕೆಗಳು) ಊಹಿಸಲು ಅಂತರ್ಬೋಧೆಯ ಭೌತಿಕ ಯಂತ್ರಶಾಸ್ತ್ರವನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಈ ಅಲ್ಗಾರಿದಮ್ (i) ವಸ್ತುವಿನ ವಿಭಜನೆ, (ii) 3D ಪರಿಮಾಣಾತ್ಮಕ ಚೇತರಿಕೆ, ಮತ್ತು (iii) ದೃಶ್ಯ ಗ್ರಹಿಕೆಗಾಗಿ ಇತರ ಅತ್ಯಾಧುನಿಕ ವಿಧಾನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಗಣನೀಯವಾಗಿ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ನಾವು ಅಂತರ್ದೃಷ್ಟಿಯ ಯಾಂತ್ರಿಕ ಮಾದರಿಯಿಂದ ಸುರಕ್ಷತೆಯ ಮುನ್ಸೂಚನೆಯನ್ನು ಮಾನವ ತೀರ್ಪಿನೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ.

7e9507924ceebd784503fd25128218a7119ff722

ನಮ್ಮ ವಿಧಾನವು ಪ್ರತಿ ಪಠ್ಯದ ದೇಹವನ್ನು ವಿಷಯದ ಗ್ರಾಫ್ನಂತೆ ರೂಪಿಸುತ್ತದೆ. ಈ ಗ್ರಾಫ್ ಗಳನ್ನು ನಂತರ ಸ್ಥಿರವಾದ ಗ್ರಾಫ್ ಹೊಂದಾಣಿಕೆಯ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಹೊಂದಿಸಲಾಗಿದೆ. ಮುಂದೆ, ನಾವು ಒಂದು ವಿವರ ಮಟ್ಟದ (LOD) ದೃಶ್ಯೀಕರಣವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ ಅದು ಓದುವಿಕೆ ಮತ್ತು ಸ್ಥಿರತೆ ಎರಡನ್ನೂ ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ. ಅಂತೆಯೇ, ಫಲಿತಾಂಶದ ದೃಶ್ಯೀಕರಣವು ಬಳಕೆದಾರರ ಸಾಮರ್ಥ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಅನೇಕ ದೃಷ್ಟಿಕೋನಗಳಿಂದ ಹೊಂದಾಣಿಕೆಯ ಗ್ರಾಫ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಗ್ರಾಫ್ ಹೊಂದಾಣಿಕೆಯ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಮೆಟ್ರಿಕ್ ಕಲಿಕೆ ಮತ್ತು ವೈಶಿಷ್ಟ್ಯದ ಆಯ್ಕೆಯನ್ನು ಅಳವಡಿಸುವ ಮೂಲಕ, ಬಳಕೆದಾರರು ತಮ್ಮ ಮಾಹಿತಿ ಅಗತ್ಯಗಳನ್ನು ಆಧರಿಸಿ ಗ್ರಾಫ್ ಹೊಂದಾಣಿಕೆಯ ಫಲಿತಾಂಶವನ್ನು ಸಂವಾದಾತ್ಮಕವಾಗಿ ಮಾರ್ಪಡಿಸಲು ನಾವು ಅನುಮತಿಸುತ್ತೇವೆ. ನಾವು ನಮ್ಮ ವಿಧಾನವನ್ನು ಸುದ್ದಿ ಲೇಖನಗಳು, ಟ್ವೀಟ್ಗಳು ಮತ್ತು ಬ್ಲಾಗ್ ಡೇಟಾ ಸೇರಿದಂತೆ ವಿವಿಧ ರೀತಿಯ ಡೇಟಾಗಳಿಗೆ ಅನ್ವಯಿಸಿದ್ದೇವೆ. ಪರಿಮಾಣಾತ್ಮಕ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು ನಮ್ಮ ವಿಧಾನದ ಭರವಸೆಯನ್ನು ತೋರಿಸುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ವಿವಿಧ ಹಂತದ ವಿವರಗಳಲ್ಲಿ ವಿಷಯ-ಗ್ರಾಫ್ ಆಧಾರಿತ ಪೂರ್ಣ ಚಿತ್ರವನ್ನು ಪರೀಕ್ಷಿಸುವ ಬೆಂಬಲದಲ್ಲಿ. ಈ ಪತ್ರಿಕೆಯು ಸುದ್ದಿ, ಬ್ಲಾಗ್ಗಳು ಅಥವಾ ಮೈಕ್ರೋ-ಬ್ಲಾಗ್ಗಳಂತಹ ಅನೇಕ ಮೂಲಗಳಲ್ಲಿ ಚರ್ಚಿಸಲಾದ ಸಂಬಂಧಿತ ವಿಷಯಗಳ ಸಂಪೂರ್ಣ ಚಿತ್ರವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ದೃಶ್ಯ ವಿಶ್ಲೇಷಣಾ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಸಂಪೂರ್ಣ ಚಿತ್ರವು ಅನೇಕ ಮೂಲಗಳಿಂದ ಒಳಗೊಂಡಿರುವ ಹಲವಾರು ಸಾಮಾನ್ಯ ವಿಷಯಗಳ ಜೊತೆಗೆ ಪ್ರತಿ ಮೂಲದಿಂದ ವಿಶಿಷ್ಟವಾದ ವಿಷಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

b04a503487bc6505aa8972fd690da573f771badb

ಆಳವಾದ ನರ ಗ್ರಹಿಕೆ ಮತ್ತು ನಿಯಂತ್ರಣ ಜಾಲಗಳು ಸ್ವಯಂ ಚಾಲಿತ ವಾಹನಗಳ ಪ್ರಮುಖ ಅಂಶವಾಗಿರಬಹುದು. ಈ ಮಾದರಿಗಳು ವಿವರಣಾತ್ಮಕವಾಗಿರಬೇಕು - ಅವುಗಳು ತಮ್ಮ ನಡವಳಿಕೆಗೆ ಸುಲಭವಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುವ ತರ್ಕಬದ್ಧತೆಯನ್ನು ಒದಗಿಸಬೇಕು - ಇದರಿಂದಾಗಿ ಪ್ರಯಾಣಿಕರು, ವಿಮಾ ಕಂಪನಿಗಳು, ಕಾನೂನು ಜಾರಿ, ಅಭಿವರ್ಧಕರು ಇತ್ಯಾದಿಗಳು ನಿರ್ದಿಷ್ಟ ನಡವಳಿಕೆಯನ್ನು ಪ್ರಚೋದಿಸಿದದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು. ಇಲ್ಲಿ ನಾವು ದೃಶ್ಯ ವಿವರಣೆಗಳ ಬಳಕೆಯನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ. ಈ ವಿವರಣೆಗಳು ನೈಜ ಸಮಯದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಿದ ಚಿತ್ರದ ಪ್ರದೇಶಗಳ ರೂಪವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ, ಅದು ನೆಟ್ವರ್ಕ್ನ output ಟ್ಪುಟ್ (ಸ್ಟೀರಿಂಗ್ ನಿಯಂತ್ರಣ) ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ನಮ್ಮ ವಿಧಾನವು ಎರಡು ಹಂತದದ್ದಾಗಿದೆ. ಮೊದಲ ಹಂತದಲ್ಲಿ, ನಾವು ಒಂದು ದೃಷ್ಟಿ ಗಮನ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಒಂದು ಕನ್ವೊಲೇಶನ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಚಿತ್ರಗಳಿಂದ ಸ್ಟೀರಿಂಗ್ ಕೋನಕ್ಕೆ ತರಬೇತಿ ನೀಡುತ್ತೇವೆ. ಗಮನ ಮಾದರಿಯು ಸಂಭಾವ್ಯವಾಗಿ ಜಾಲಬಂಧದ ಔಟ್ಪುಟ್ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಚಿತ್ರ ಪ್ರದೇಶಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುತ್ತದೆ. ಇವುಗಳಲ್ಲಿ ಕೆಲವು ಪ್ರಭಾವಗಳು ನಿಜವಾಗಿದ್ದರೂ, ಕೆಲವು ಪ್ರಭಾವಗಳು ಸುಳ್ಳು. ನಂತರ ನಾವು ಕಾರಣದ ಫಿಲ್ಟರಿಂಗ್ ಹಂತವನ್ನು ಅನ್ವಯಿಸುತ್ತೇವೆ, ಯಾವ ಇನ್ಪುಟ್ ಪ್ರದೇಶಗಳು ಔಟ್ಪುಟ್ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು. ಇದು ಹೆಚ್ಚು ಸಂಕ್ಷಿಪ್ತ ದೃಶ್ಯ ವಿವರಣೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ನೆಟ್ವರ್ಕ್ ನ ನಡವಳಿಕೆಯನ್ನು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ನಾವು ನಮ್ಮ ಮಾದರಿಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಒಟ್ಟು 16 ಗಂಟೆಗಳ ಚಾಲನೆಯ ಮೂರು ಡೇಟಾ ಸೆಟ್ಗಳಲ್ಲಿ ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ಗಮನವನ್ನು ಹೊಂದಿರುವ ತರಬೇತಿಯು ಎಂಡ್ ಟು ಎಂಡ್ ನೆಟ್ ವರ್ಕ್ ನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕುಸಿಯುವುದಿಲ್ಲ ಎಂದು ನಾವು ಮೊದಲು ತೋರಿಸುತ್ತೇವೆ. ನಂತರ ನಾವು ತೋರಿಸುತ್ತೇವೆ ಆ ಜಾಲಬಂಧವು ಚಾಲನೆ ಮಾಡುವಾಗ ಮಾನವರು ಬಳಸುವ ವೈವಿಧ್ಯಮಯ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೇಲೆ ಕಾರಣವಾಗಿ ಸೂಚಿಸುತ್ತದೆ.

4954bb26107d69eb79bb32ffa247c8731cf20fcf

ಗುಣಲಕ್ಷಣ ಆಧಾರಿತ ಗೂಢಲಿಪೀಕರಣ (ಎಬಿಇ) [13] ಬಳಕೆದಾರರ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಡೀಕ್ರಿಪ್ಶನ್ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಬಹು-ಅಧಿಕಾರದ ABE ಯೋಜನೆಯಲ್ಲಿ, ಬಹು ಗುಣಲಕ್ಷಣ-ಅಧಿಕಾರಗಳು ವಿಭಿನ್ನ ಗುಣಲಕ್ಷಣಗಳ ಸೆಟ್ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತವೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಅನುಗುಣವಾದ ಡೀಕ್ರಿಪ್ಶನ್ ಕೀಗಳನ್ನು ನೀಡುತ್ತವೆ, ಮತ್ತು ಸಂದೇಶವನ್ನು ಡೀಕ್ರಿಪ್ಟ್ ಮಾಡುವ ಮೊದಲು ಎನ್ಕ್ರಿಪ್ಟರ್ಗಳು ಬಳಕೆದಾರರು ಪ್ರತಿ ಪ್ರಾಧಿಕಾರದಿಂದ ಸೂಕ್ತ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ಕೀಗಳನ್ನು ಪಡೆಯಬೇಕೆಂದು ಬಯಸಬಹುದು. ಚೇಸ್ [5] ಒಂದು ಬಹು-ಅಧಿಕಾರ ABE ಯೋಜನೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಕೇಂದ್ರ ಪ್ರಾಧಿಕಾರ (CA) ಮತ್ತು ಜಾಗತಿಕ ಗುರುತಿಸುವಿಕೆ (GID) ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನೀಡಿತು. ಆದಾಗ್ಯೂ, ಆ ರಚನೆಯಲ್ಲಿ ಸಿಎ ಪ್ರತಿ ಸಿಫರ್ ಪಠ್ಯವನ್ನು ಡೀಕ್ರಿಪ್ಟ್ ಮಾಡುವ ಶಕ್ತಿಯನ್ನು ಹೊಂದಿದೆ, ಇದು ಅನೇಕ ಸಂಭಾವ್ಯವಾಗಿ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ಪ್ರಾಧಿಕಾರಗಳ ಮೇಲೆ ನಿಯಂತ್ರಣವನ್ನು ವಿತರಿಸುವ ಮೂಲ ಗುರಿಗೆ ಹೇಗಾದರೂ ವಿರೋಧವಾಗಿದೆ. ಇದಲ್ಲದೆ, ಆ ರಚನೆಯಲ್ಲಿ, ಸ್ಥಿರವಾದ ಜಿಐಡಿಯ ಬಳಕೆಯು ಅಧಿಕಾರಿಗಳಿಗೆ ತಮ್ಮ ಮಾಹಿತಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು, ಬಳಕೆದಾರರ ಎಲ್ಲಾ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಸಂಪೂರ್ಣ ಪ್ರೊಫೈಲ್ ಅನ್ನು ನಿರ್ಮಿಸಲು, ಇದು ಬಳಕೆದಾರರ ಗೌಪ್ಯತೆಯನ್ನು ಅನಗತ್ಯವಾಗಿ ಅಪಾಯಕ್ಕೆ ತರುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ವಿಶ್ವಾಸಾರ್ಹ ಕೇಂದ್ರ ಪ್ರಾಧಿಕಾರವನ್ನು ತೆಗೆದುಹಾಕುವ ಪರಿಹಾರವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರ ಬಗ್ಗೆ ತಮ್ಮ ಮಾಹಿತಿಯನ್ನು ಅಧಿಕಾರಿಗಳು ಒಟ್ಟುಗೂಡಿಸುವುದನ್ನು ತಡೆಯುವ ಮೂಲಕ ಬಳಕೆದಾರರ ಗೌಪ್ಯತೆಯನ್ನು ರಕ್ಷಿಸುತ್ತದೆ, ಹೀಗಾಗಿ ಎಬಿಇ ಅನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೆಚ್ಚು ಬಳಸಿಕೊಳ್ಳಬಹುದು.

25098861749fe9eab62fbe90c1ebeaed58c211bb

ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಹೊಸ ದೃಷ್ಟಿಕೋನದಿಂದ ವರ್ಧಿಸುವ ವಿಧಾನಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ. ನಾವು ಎಫ್ರಾನ್ ಮತ್ತು ಇತರರ ಇತ್ತೀಚಿನ ಕೆಲಸದ ಮೇಲೆ ನಿರ್ಮಿಸುತ್ತೇವೆ. ಸರಿಸುಮಾರು (ಮತ್ತು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ನಿಖರವಾಗಿ) ಹೆಚ್ಚಿಸುವುದರಿಂದ ಅದರ ನಷ್ಟ ಮಾನದಂಡವನ್ನು ಗುಣಾಂಕದ ವಾಹಕದ ಮೇಲೆ l1 ನಿರ್ಬಂಧದೊಂದಿಗೆ ಕಡಿಮೆಗೊಳಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲು. ನಷ್ಟದ ಮಾನದಂಡದ ನಿಯಮಿತವಾದ ಫಿಟ್ಟಿಂಗ್ನಂತೆ ಆರಂಭಿಕ ನಿಲುಗಡೆಗೆ ಉತ್ತೇಜನ ನೀಡುವ ಯಶಸ್ಸನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಎರಡು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮಾನದಂಡಗಳಿಗೆ (ಅಧಿಕ ಮತ್ತು ದ್ವಿಪದ ಲಾಗ್-ಸಂಭಾವ್ಯತೆ), ನಾವು ನಿರ್ಬಂಧವು ಸಡಿಲಗೊಂಡಂತೆ-ಅಥವಾ ಉತ್ತೇಜಿಸುವ ಪುನರಾವರ್ತನೆಗಳು ಮುಂದುವರಿಯುವುದರಿಂದ-ಪರಿಹಾರವು ಒಮ್ಮುಖವಾಗುವುದು (ವಿಭಜಿಸಬಹುದಾದ ಸಂದರ್ಭದಲ್ಲಿ) l1-ಆಪ್ಟಿಮಲ್ ವಿಭಜಿಸುವ ಹೈಪರ್-ಪ್ಲೇನ್ಗೆ. ಈ l1-ಆಪ್ಟಿಮಲ್ ಬೇರ್ಪಡಿಸುವ ಹೈಪರ್-ಪ್ಲೇನ್ ತರಬೇತಿ ದತ್ತಾಂಶದ ಕನಿಷ್ಠ l1-ಅಂಚನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುವ ಗುಣಲಕ್ಷಣವನ್ನು ಹೊಂದಿದೆ ಎಂದು ನಾವು ಸಾಬೀತುಪಡಿಸುತ್ತೇವೆ, ಇದನ್ನು ವರ್ಧಿಸುವ ಸಾಹಿತ್ಯದಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಬೂಸ್ಟಿಂಗ್ ಮತ್ತು ಕರ್ನಲ್ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳ ನಡುವೆ ಆಸಕ್ತಿದಾಯಕ ಮೂಲಭೂತ ಹೋಲಿಕೆ ಹೊರಹೊಮ್ಮುತ್ತದೆ, ಏಕೆಂದರೆ ಎರಡನ್ನೂ ಉನ್ನತ-ಆಯಾಮದ ಪ್ರಿಡಿಕ್ಟರ್ ಜಾಗದಲ್ಲಿ ನಿಯಂತ್ರಿತ ಆಪ್ಟಿಮೈಸೇಶನ್ಗಾಗಿ ವಿಧಾನಗಳಾಗಿ ವಿವರಿಸಬಹುದು, ಲೆಕ್ಕಾಚಾರವನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮಾಡಲು ಕಂಪ್ಯೂಟೇಶನಲ್ ಟ್ರಿಕ್ ಬಳಸಿ ಮತ್ತು ಅಂಚು-ಗರಿಷ್ಠಗೊಳಿಸುವ ಪರಿಹಾರಗಳಿಗೆ ಒಮ್ಮುಖವಾಗುವುದು. ಈ ಹೇಳಿಕೆಯು ಎಸ್ವಿಎಂಗಳನ್ನು ನಿಖರವಾಗಿ ವಿವರಿಸುತ್ತದೆಯಾದರೂ, ಇದು ಸುಮಾರು ಹೆಚ್ಚಿಸಲು ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತದೆ.

0825788b9b5a18e3dfea5b0af123b5e939a4f564

ಪದಗಳ ವೆಕ್ಟರ್ ಸ್ಪೇಸ್ ನಿರೂಪಣೆಗಳನ್ನು ಕಲಿಯುವ ಇತ್ತೀಚಿನ ವಿಧಾನಗಳು ವೆಕ್ಟರ್ ಅಂಕಗಣಿತವನ್ನು ಬಳಸಿಕೊಂಡು ಸೂಕ್ಷ್ಮ-ಗ್ರಾನ್ಡ್ ಸೆಮ್ಯಾಂಟಿಕ್ ಮತ್ತು ಸಿಂಟ್ಯಾಕ್ಟಿಕ್ ನಿಯಮಿತತೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವಲ್ಲಿ ಯಶಸ್ವಿಯಾಗಿವೆ, ಆದರೆ ಈ ನಿಯಮಿತತೆಗಳ ಮೂಲವು ಅಪಾರದರ್ಶಕವಾಗಿ ಉಳಿದಿದೆ. ಪದದ ವಾಹಕಗಳಲ್ಲಿ ಇಂತಹ ನಿಯಮಿತತೆಗಳು ಹೊರಹೊಮ್ಮಲು ಅಗತ್ಯವಾದ ಮಾದರಿ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಾವು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ ಮತ್ತು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತೇವೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ಸಾಹಿತ್ಯದಲ್ಲಿನ ಎರಡು ಪ್ರಮುಖ ಮಾದರಿ ಕುಟುಂಬಗಳ ಅನುಕೂಲಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಹೊಸ ಜಾಗತಿಕ ಲಾಗ್ಬಿಲಿನಿಯರ್ ಹಿಂಜರಿಕೆಯ ಮಾದರಿಯಾಗಿದೆಃ ಜಾಗತಿಕ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಫ್ಯಾಕ್ಟರೈಸೇಶನ್ ಮತ್ತು ಸ್ಥಳೀಯ ಸಂದರ್ಭ ವಿಂಡೋ ವಿಧಾನಗಳು. ನಮ್ಮ ಮಾದರಿಯು ಸಮರ್ಥವಾಗಿ ಅಂಕಿಅಂಶಗಳ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ, ಪದ-ಪದದ ಸಹ-ಸಂಭವಿಸುವಿಕೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ನಲ್ಲಿ ಶೂನ್ಯವಲ್ಲದ ಅಂಶಗಳ ಮೇಲೆ ಮಾತ್ರ ತರಬೇತಿ ನೀಡುತ್ತದೆ, ಇಡೀ ವಿರಳ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಥವಾ ದೊಡ್ಡ ಕಾರ್ಪಸ್ನಲ್ಲಿನ ಪ್ರತ್ಯೇಕ ಸಂದರ್ಭದ ಕಿಟಕಿಗಳ ಮೇಲೆ ಅಲ್ಲ. ಮಾದರಿಯು ಅರ್ಥಪೂರ್ಣ ಉಪ-ರಚನೆಯೊಂದಿಗೆ ವೆಕ್ಟರ್ ಜಾಗವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಇತ್ತೀಚಿನ ಪದದ ಸಾದೃಶ್ಯ ಕಾರ್ಯದಲ್ಲಿ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯು 75% ನಷ್ಟು ಸಾಕ್ಷಿಯಾಗಿದೆ. ಇದು ಹೋಲಿಕೆ ಕಾರ್ಯಗಳು ಮತ್ತು ಹೆಸರಿಸಿದ ಘಟಕದ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ ಸಂಬಂಧಿತ ಮಾದರಿಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ.

326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5

ನಾವು ಎರಡು ವಿತರಣೆಗಳ ನಡುವಿನ ಮೆಟ್ರಿಕ್ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ತನಿಖೆ ಮಾಡುತ್ತೇವೆ, ಭೂ ಚಲನೆ ದೂರ (ಇಎಮ್ಡಿ), ವಿಷಯ ಆಧಾರಿತ ಚಿತ್ರ ಮರುಪಡೆಯುವಿಕೆಗಾಗಿ. ಇಎಮ್ಡಿ ಒಂದು ವಿತರಣೆಯನ್ನು ಇನ್ನೊಂದಕ್ಕೆ ಪರಿವರ್ತಿಸಲು ಪಾವತಿಸಬೇಕಾದ ಕನಿಷ್ಠ ವೆಚ್ಚವನ್ನು ಆಧರಿಸಿದೆ, ನಿಖರವಾದ ಅರ್ಥದಲ್ಲಿ, ಮತ್ತು ಕೆಲವು ದೃಷ್ಟಿ ಸಮಸ್ಯೆಗಳಿಗೆ ಪೆಲೆಗ್, ವರ್ಮನ್ ಮತ್ತು ರೋಮ್ ಮೊದಲು ಪ್ರಸ್ತಾಪಿಸಿದರು. ಚಿತ್ರಗಳನ್ನು ಹಿಂಪಡೆಯಲು, ನಾವು ಈ ಕಲ್ಪನೆಯನ್ನು ವಿತರಣೆಗಳಿಗೆ ಪ್ರಾತಿನಿಧ್ಯ ಯೋಜನೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತೇವೆ ಅದು ವೆಕ್ಟರ್ ಕ್ವಾಂಟೈಸೇಶನ್ ಅನ್ನು ಆಧರಿಸಿದೆ. ಈ ಸಂಯೋಜನೆಯು ಚಿತ್ರ ಹೋಲಿಕೆ ಚೌಕಟ್ಟಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಇದು ಹಿಂದೆ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಗ್ರಹಿಕೆಯ ಹೋಲಿಕೆಯನ್ನು ನೀಡುತ್ತದೆ. ಇಎಮ್ಡಿ ರೇಖೀಯ ಆಪ್ಟಿಮೈಸೇಶನ್ನಿಂದ ಸಾರಿಗೆ ಸಮಸ್ಯೆಗೆ ಪರಿಹಾರವನ್ನು ಆಧರಿಸಿದೆ, ಇದಕ್ಕಾಗಿ ಪರಿಣಾಮಕಾರಿ ಕ್ರಮಾವಳಿಗಳು ಲಭ್ಯವಿವೆ, ಮತ್ತು ಭಾಗಶಃ ಹೊಂದಾಣಿಕೆಗೆ ಸಹ ನೈಸರ್ಗಿಕವಾಗಿ ಅನುಮತಿಸುತ್ತದೆ. ಇದು ಹಿಸ್ಟೋಗ್ರಾಮ್ ಹೊಂದಾಣಿಕೆಯ ತಂತ್ರಗಳಿಗಿಂತ ಹೆಚ್ಚು ದೃಢವಾಗಿದೆ, ಇದು ಹಿಸ್ಟೋಗ್ರಾಮ್ಗಳಿಗೆ ವಿಶಿಷ್ಟವಾದ ಕ್ವಾಂಟೈಸೇಶನ್ ಮತ್ತು ಇತರ ಬೈನಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ತಪ್ಪಿಸುವ ವಿತರಣೆಗಳ ವೇರಿಯಬಲ್-ಉದ್ದದ ಪ್ರಾತಿನಿಧ್ಯಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಒಂದೇ ಸಮಗ್ರ ದ್ರವ್ಯರಾಶಿಯೊಂದಿಗೆ ವಿತರಣೆಗಳನ್ನು ಹೋಲಿಸಲು ಬಳಸಿದಾಗ, ಇಎಮ್ಡಿ ನಿಜವಾದ ಮೆಟ್ರಿಕ್ ಆಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಬಣ್ಣ ಮತ್ತು ವಿನ್ಯಾಸದ ಅನ್ವಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ ಮತ್ತು ಇಎಮ್ಡಿ ಯ ಹಿಂಪಡೆಯುವಿಕೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಇತರ ದೂರಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ.

508d8c1dbc250732bd2067689565a8225013292f

ಸ್ಥಳೀಯ ನಾಡಿ ತರಂಗ ವೇಗ (ಪಿಡಬ್ಲ್ಯೂವಿ) ಗಾಗಿ ಹೊಸ ಡ್ಯುಯಲ್ ಫೋಟೊಪ್ಲೆಥಿಸ್ಮೋಗ್ರಾಫ್ (ಪಿಪಿಜಿ) ತನಿಖೆ ಮತ್ತು ಮಾಪನ ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ. ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಶೋಧಕ ವಿನ್ಯಾಸವು ಎರಡು ಪಕ್ಕದ ಮಾಪನ ಬಿಂದುಗಳಿಂದ (28 mm ಅಂತರ) ರಕ್ತದ ನಾಡಿ ಪ್ರಸರಣ ತರಂಗ ರೂಪಗಳ ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ಪತ್ತೆಗಾಗಿ ಪ್ರತಿಫಲನ PPG ಸಂಜ್ಞಾಪರಿವರ್ತಕಗಳನ್ನು ಬಳಸುತ್ತದೆ. ನಿರಂತರವಾಗಿ ಪಡೆದ ಡ್ಯುಯಲ್ ಪಲ್ಸ್ ತರಂಗ ರೂಪದ ನಡುವಿನ ಸಾಗಣೆ ಸಮಯದ ವಿಳಂಬವನ್ನು ಬೀಟ್-ಟು-ಬೀಟ್ ಸ್ಥಳೀಯ ಪಿಡಬ್ಲ್ಯೂವಿ ಮಾಪನಕ್ಕಾಗಿ ಬಳಸಲಾಯಿತು. ಪಿಪಿಜಿ ತನಿಖಾ ವಿನ್ಯಾಸವನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ಮತ್ತು ಸ್ಥಳೀಯ ಪಿಡಬ್ಲ್ಯೂವಿ ಮಾಪನ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು 10 ಆರೋಗ್ಯವಂತ ಸ್ವಯಂಸೇವಕರ (8 ಪುರುಷರು ಮತ್ತು 2 ಮಹಿಳೆಯರು, 21 ರಿಂದ 33 ವರ್ಷ ವಯಸ್ಸಿನವರು) ಮೇಲೆ ಇನ್-ವಿವೊ ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯಮಾಪನ ಅಧ್ಯಯನವನ್ನು ನಡೆಸಲಾಯಿತು. ಪ್ರಸ್ತಾವಿತ ವ್ಯವಸ್ಥೆಯು ಅನೇಕ ವಿಷಯಗಳಿಂದ ಕರೋಟಿಡ್ ಸ್ಥಳೀಯ ಪಿಡಬ್ಲ್ಯೂವಿ ಅನ್ನು ಅಳೆಯಲು ಸಾಧ್ಯವಾಯಿತು. 10 ಜನರಲ್ಲಿ 7 ಜನರಲ್ಲಿ ಮೂಲ ಹಂತದ ಕರೋಟಿಡ್ ಪಿಡಬ್ಲ್ಯೂವಿ ನ ಬೀಟ್- ಟು- ಬೀಟ್ ವ್ಯತ್ಯಾಸವು 7. 5% ಕ್ಕಿಂತ ಕಡಿಮೆಯಿತ್ತು, ಅಧ್ಯಯನದ ಸಮಯದಲ್ಲಿ ಗರಿಷ್ಠ ಬೀಟ್- ಟು- ಬೀಟ್ ವ್ಯತ್ಯಾಸವನ್ನು 16% ರಷ್ಟು ಗಮನಿಸಲಾಗಿದೆ. ವ್ಯಾಯಾಮದ ನಂತರದ ಚೇತರಿಕೆಯ ಅವಧಿಯಲ್ಲಿ ಬೀಟ್-ಟು-ಬೀಟ್ ಕರೋಟಿಡ್ ಸ್ಥಳೀಯ ಪಿಡಬ್ಲ್ಯೂವಿ ಮತ್ತು ಬ್ರಾಚಿಯಲ್ ರಕ್ತದೊತ್ತಡ (ಬಿಪಿ) ಮೌಲ್ಯಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಸಹ ಪರೀಕ್ಷಿಸಲಾಯಿತು. ಒಳ- ವಿಷಯದ ಸ್ಥಳೀಯ PWV ವ್ಯತ್ಯಾಸ ಮತ್ತು ಬ್ರಾಚಿಯಲ್ BP ನಿಯತಾಂಕಗಳ ನಡುವೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ ಸಂಬಂಧವನ್ನು ಗಮನಿಸಲಾಗಿದೆ (r > 0. 85, p < 0. 001). ಫಲಿತಾಂಶಗಳು ಪ್ರಸ್ತಾವಿತ ಪಿಪಿಜಿ ತನಿಖೆಯ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ನಿರಂತರವಾಗಿ ಹೊಡೆತದಿಂದ ಹೊಡೆತಕ್ಕೆ ಸ್ಥಳೀಯ ಪಿಡಬ್ಲ್ಯೂವಿ ಮಾಪನಕ್ಕಾಗಿ ಕರೋಟಿಡ್ ಅಪಧಮನಿಗಳಿಂದ ತೋರಿಸಿದೆ. ಇಂತಹ ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ಸ್ಥಳೀಯ PWV ಮಾಪನ ಘಟಕವನ್ನು ನಿರಂತರವಾಗಿ ಆಂಬ್ಯುಲೇಟರಿ BP ಮಾಪನಗಳಿಗೆ ಬಳಸಬಹುದು.

79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6

ಈ ಲೇಖನವು ಆಳ ನಕ್ಷೆಗಳ ಅನುಕ್ರಮದಿಂದ ಮಾನವ ಕ್ರಿಯೆಗಳನ್ನು ಗುರುತಿಸುವ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ನಾವು ಕ್ರಿಯೆಯ ಗ್ರಾಫ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ ಕ್ರಿಯೆಗಳ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ರೂಪಿಸಲು ಮತ್ತು ಕ್ರಿಯೆಯ ಗ್ರಾಫ್ನಲ್ಲಿನ ನೋಡ್ಗಳಿಗೆ ಅನುಗುಣವಾಗಿರುವ ಪ್ರಮುಖ ಭಂಗಿಗಳ ಒಂದು ಸೆಟ್ ಅನ್ನು ನಿರೂಪಿಸಲು 3D ಪಾಯಿಂಟ್ಗಳ ಚೀಲವನ್ನು ಬಳಸುತ್ತೇವೆ. ಇದರ ಜೊತೆಗೆ, ಆಳ ನಕ್ಷೆಗಳಿಂದ 3D ಬಿಂದುಗಳ ಚೀಲವನ್ನು ಮಾದರಿ ಮಾಡಲು ಸರಳವಾದ, ಆದರೆ ಪರಿಣಾಮಕಾರಿ ಪ್ರಕ್ಷೇಪ ಆಧಾರಿತ ಮಾದರಿ ಯೋಜನೆಗಳನ್ನು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ಆಳ ನಕ್ಷೆಗಳಿಂದ ಕೇವಲ 1% 3D ಪಾಯಿಂಟ್ಗಳನ್ನು ಮಾತ್ರ ಮಾದರಿ ಮಾಡುವ ಮೂಲಕ 90% ಕ್ಕಿಂತ ಹೆಚ್ಚು ಗುರುತಿಸುವಿಕೆಯ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲಾಗಿದೆ ಎಂದು ತೋರಿಸಿದೆ. 2 ಡಿ ಸಿಲೂಯೆಟ್ ಆಧಾರಿತ ಗುರುತಿಸುವಿಕೆಗೆ ಹೋಲಿಸಿದರೆ, ಗುರುತಿಸುವಿಕೆಯ ದೋಷಗಳು ಅರ್ಧದಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ. ಇದರ ಜೊತೆಗೆ, ನಾವು ಸಿಮ್ಯುಲೇಶನ್ ಮೂಲಕ ಮುಚ್ಚಳಗಳನ್ನು ಎದುರಿಸಲು ಪಾಯಿಂಟ್ಗಳ ಭಂಗಿ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.

46fd85775cab39ecb32cf2e41642ed2d0984c760

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ರೋಬೋಟ್ಗಳ ಕಾನೂನು ಸ್ಥಾನಮಾನದ ಬಗ್ಗೆ ಇಂದಿನ ಚರ್ಚೆಯನ್ನು ಈ ಲೇಖನದಲ್ಲಿ ಪರಿಶೀಲಿಸಲಾಗಿದೆ. ಮತ್ತು ಎಷ್ಟು ಬಾರಿ ವಿದ್ವಾಂಸರು ಮತ್ತು ನೀತಿ ನಿರೂಪಕರು ಈ ಕೃತಕ ಏಜೆಂಟ್ಗಳ ಕಾನೂನು ಏಜೆಂಟ್ ಅನ್ನು ಕಾನೂನು ವ್ಯಕ್ತಿತ್ವದ ಸ್ಥಾನಮಾನದೊಂದಿಗೆ ಗೊಂದಲಗೊಳಿಸುತ್ತಾರೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಪ್ರಸ್ತುತ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು, ಈ ಪತ್ರಿಕೆಯು ಎರಡು ರೀತಿಯ ನಿಲುವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ರೋಬೋಟ್ಗಳ ಚಟುವಟಿಕೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಹೊಸ ರೀತಿಯ ಹೊಣೆಗಾರಿಕೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಒಪ್ಪಂದಗಳು ಮತ್ತು ವ್ಯವಹಾರ ಕಾನೂನಿನಲ್ಲಿ ಸ್ಥಾಪಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ನೀತಿ ನಿರೂಪಕರು ಗಂಭೀರವಾಗಿ ಪರಿಗಣಿಸಬೇಕು, ಉದಾಹರಣೆಗೆ, ಸಂಕೀರ್ಣ ವಿತರಿಸಿದ ಹೊಣೆಗಾರಿಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಹೊಸ ರೀತಿಯ ಕಾನೂನು ಏಜೆಂಟ್. ಎರಡನೆಯದಾಗಿ, ಭವಿಷ್ಯದಲ್ಲಿ AI ರೋಬೋಟ್ಗಳಿಗೆ ಸಂಪೂರ್ಣ ಕಾನೂನು ವ್ಯಕ್ತಿತ್ವವನ್ನು ನೀಡುವ ಯಾವುದೇ ಕಲ್ಪನೆಯನ್ನು ತಿರಸ್ಕರಿಸಬೇಕಾಗಿದೆ. ಆದರೆ, 2017ರ ಅಕ್ಟೋಬರ್ನಲ್ಲಿ ಸೌದಿ ಅರೇಬಿಯಾದಂತಹ ಯಾವುದೇ ದೇಶದ ಪೌರತ್ವ ಪಡೆದ ಮೊದಲ AI ಅಪ್ಲಿಕೇಶನ್ ಆದ ಸೋಫಿಯಾವನ್ನು ನಾವು ಹೇಗೆ ಎದುರಿಸಬೇಕು? ಯಾರನ್ನಾದರೂ ಅಥವಾ ಯಾವುದನ್ನಾದರೂ ಕಾನೂನುಬದ್ಧ ವ್ಯಕ್ತಿತ್ವವನ್ನು ನೀಡುವುದು ಯಾವಾಗಲೂ ಇದ್ದಂತೆ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾದ ರಾಜಕೀಯ ವಿಷಯವಾಗಿದೆ, ಅದು ಕೇವಲ ತರ್ಕಬದ್ಧ ಆಯ್ಕೆಗಳು ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಸಾಕ್ಷ್ಯಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿಲ್ಲ. ವಿವೇಚನೆ, ಅನಿಯಂತ್ರಿತತೆ, ಮತ್ತು ವಿಚಿತ್ರ ನಿರ್ಧಾರಗಳು ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ ಒಂದು ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತವೆ. ಆದರೆ, ಕಾನೂನು ವ್ಯವಸ್ಥೆಗಳು ಮಾನವ ಮತ್ತು ಕೃತಕ ಘಟಕಗಳಿಗೆ, ಅಂದರೆ ನಿಗಮಗಳಿಗೆ, ಅವರ ಸ್ಥಾನಮಾನವನ್ನು ನೀಡುತ್ತಿರುವುದಕ್ಕೆ ಇರುವ ನಿಯಮಾವಳಿ ಕಾರಣಗಳು, ಇಂದು AI ರೋಬೋಟ್ಗಳಿಗೆ ಕಾನೂನು ವ್ಯಕ್ತಿತ್ವವನ್ನು ನೀಡುವ ಪ್ರಯತ್ನದಲ್ಲಿ ನಮ್ಮ ಪಕ್ಷವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ನಾಗರಿಕ ಸೋಫಿಯಾ ನಿಜವಾಗಿಯೂ ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ, ಅಥವಾ ಅಸಹ್ಯ ವಿದ್ವಾಂಸರ ಸ್ಲಿಂಗ್ಸ್ ಮತ್ತು ಬಾಣಗಳನ್ನು ಅನುಭವಿಸಲು ಸಮರ್ಥರಾಗಿದ್ದಾರೆ?

0943ed739c909d17f8686280d43d50769fe2c2f8

ನಾವು ಮಾನವ ನಡವಳಿಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಸಂಶ್ಲೇಷಿಸಲು ಒಂದು ವಿಧಾನವಾಗಿ ಆಕ್ಷನ್-ರಿಯಾಕ್ಷನ್ ಕಲಿಕೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಈ ಮಾದರಿಯು ಹಿಂದಿನ ಮತ್ತು ಭವಿಷ್ಯದ ಘಟನೆಗಳ ನಡುವಿನ ಅಥವಾ ಸಮಯದ ಅನುಕ್ರಮಗಳನ್ನು ಗಮನಿಸುವುದರ ಮೂಲಕ ಕ್ರಿಯೆ ಮತ್ತು ಅದರ ಪ್ರತಿಕ್ರಿಯೆಯ ನಡುವಿನ ಕಾರಣ-ಕಾರಣದ ಮ್ಯಾಪಿಂಗ್ಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ನಾವು ಈ ವಿಧಾನವನ್ನು ಮಾನವ ಸಂವಹನವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ನಂತರ ಮಾನವ ನಡವಳಿಕೆಯನ್ನು ಸಂಶ್ಲೇಷಿಸಲು ಅನ್ವಯಿಸುತ್ತೇವೆ. ಗ್ರಹಿಕೆಯ ಮಾಪನಗಳ ಕಾಲ ಸರಣಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಒಂದು ವ್ಯವಸ್ಥೆಯು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಒಂದು ಮಾನವ ಭಾಗವಹಿಸುವವರ ಗೆಸ್ಚರ್ಗಳ (ಕ್ರಿಯೆ) ಮತ್ತು ನಂತರದ ಗೆಸ್ಚರ್ (ಪ್ರತಿಕ್ರಿಯೆ) ನಡುವೆ ಮ್ಯಾಪಿಂಗ್ ಅನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಸಂಭಾವ್ಯತೆಯ ಮಾದರಿಯನ್ನು ಮಾನವ ಸಂವಹನದ ಡೇಟಾದಿಂದ ಹೊಸ ಅಂದಾಜು ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ, ಷರತ್ತುಬದ್ಧ ನಿರೀಕ್ಷೆ ಗರಿಷ್ಠೀಕರಣ (ಸಿಇಎಂ). ಈ ವ್ಯವಸ್ಥೆಯು ಒಂದು ಗ್ರಾಫಿಕ್ ಸಂವಾದಾತ್ಮಕ ಪಾತ್ರವನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ, ಇದು ಬಳಕೆದಾರರ ನಡವಳಿಕೆಗೆ ಸಂಭವನೀಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಸಂವಾದಾತ್ಮಕವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, ಒಂದು ಜೋಡಿ ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಮಾನವ ಸಂವಹನವನ್ನು ವಿಶ್ಲೇಷಿಸಿದ ನಂತರ, ವ್ಯವಸ್ಥೆಯು ಅವರಲ್ಲಿ ಒಬ್ಬರನ್ನು ಬದಲಿಸಲು ಮತ್ತು ಉಳಿದಿರುವ ಏಕೈಕ ಬಳಕೆದಾರರೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

272216c1f097706721096669d85b2843c23fa77d

ನಾವು ಆಡಮ್ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಕಡಿಮೆ-ಆದೇಶದ ಕ್ಷಣಗಳ ಹೊಂದಾಣಿಕೆಯ ಅಂದಾಜುಗಳ ಆಧಾರದ ಮೇಲೆ ಸ್ಟೋಕಾಸ್ಟಿಕ್ ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯಗಳ ಮೊದಲ-ಆದೇಶದ ಗ್ರೇಡಿಯಂಟ್ ಆಧಾರಿತ ಆಪ್ಟಿಮೈಸೇಶನ್ಗಾಗಿ ಒಂದು ಅಲ್ಗಾರಿದಮ್. ಈ ವಿಧಾನವು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸರಳವಾಗಿದೆ, ಗಣನೀಯವಾಗಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ, ಕಡಿಮೆ ಮೆಮೊರಿ ಅವಶ್ಯಕತೆಗಳನ್ನು ಹೊಂದಿದೆ, ಇಳಿಜಾರುಗಳ ಕರ್ಣೀಯ ಮರುಪರಿಮಾಣಕ್ಕೆ ಬದಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಡೇಟಾ ಮತ್ತು / ಅಥವಾ ನಿಯತಾಂಕಗಳ ವಿಷಯದಲ್ಲಿ ದೊಡ್ಡದಾದ ಸಮಸ್ಯೆಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ. ಈ ವಿಧಾನವು ಸ್ಥಿರವಲ್ಲದ ಉದ್ದೇಶಗಳಿಗೆ ಮತ್ತು ಅತ್ಯಂತ ಗದ್ದಲದ ಮತ್ತು/ಅಥವಾ ವಿರಳವಾದ ಇಳಿಜಾರುಗಳ ಸಮಸ್ಯೆಗಳಿಗೆ ಸಹ ಸೂಕ್ತವಾಗಿದೆ. ಹೈಪರ್-ಪ್ಯಾರಾಮೀಟರ್ಗಳು ಅಂತರ್ಬೋಧೆಯ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ವಲ್ಪ ಟ್ಯೂನಿಂಗ್ ಅಗತ್ಯವಿರುತ್ತದೆ. ಸಂಬಂಧಿತ ಕ್ರಮಾವಳಿಗಳಿಗೆ ಕೆಲವು ಸಂಪರ್ಕಗಳನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ, ಇದರಲ್ಲಿ ಆಡಮ್ ಸ್ಫೂರ್ತಿ ಪಡೆದರು. ನಾವು ಅಲ್ಗಾರಿದಮ್ನ ಸೈದ್ಧಾಂತಿಕ ಒಮ್ಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ ಮತ್ತು ಆನ್ಲೈನ್ ಕುಗ್ಗಿದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಚೌಕಟ್ಟಿನ ಅಡಿಯಲ್ಲಿ ಉತ್ತಮವಾದ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೋಲಿಸಬಹುದಾದ ಒಮ್ಮುಖ ದರದಲ್ಲಿ ವಿಷಾದವನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ಆಡಮ್ ಅಭ್ಯಾಸದಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಇತರ ಸ್ಟೋಕಾಸ್ಟಿಕ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನಗಳಿಗೆ ಅನುಕೂಲಕರವಾಗಿ ಹೋಲಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ನಾವು ಅಡಮಾಕ್ಸ್ ಅನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ, ಅಡೆಮ್ನ ಒಂದು ರೂಪಾಂತರವು ಅನಂತತೆಯ ರೂಢಿಯನ್ನು ಆಧರಿಸಿದೆ.

05aba481e8a221df5d8775a3bb749001e7f2525e

ನಾವು ಹೊಸ ಸಬ್ ಗ್ರೇಡಿಯಂಟ್ ವಿಧಾನಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದು ಹಿಂದಿನ ಪುನರಾವರ್ತನೆಗಳಲ್ಲಿ ಗಮನಿಸಿದ ಡೇಟಾದ ಜ್ಯಾಮಿತಿಯ ಜ್ಞಾನವನ್ನು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಸಂಯೋಜಿಸುತ್ತದೆ, ಹೆಚ್ಚು ತಿಳಿವಳಿಕೆ ನೀಡುವ ಗ್ರೇಡಿಯಂಟ್ ಆಧಾರಿತ ಕಲಿಕೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ರೂಪಕದಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಈ ರೂಪಾಂತರವು ನಮಗೆ ಹುಲ್ಲುಗಾವಲುಗಳಲ್ಲಿ ಬಹಳ ಮುನ್ಸೂಚಕ ಆದರೆ ಅಪರೂಪವಾಗಿ ಕಾಣುವ ಲಕ್ಷಣಗಳ ರೂಪದಲ್ಲಿ ಎಳ್ಳುಗಳನ್ನು ಹುಡುಕಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಮ್ಮ ಮಾದರಿಯು ಸ್ಟೋಕಾಸ್ಟಿಕ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ಆನ್ಲೈನ್ ಕಲಿಕೆಯಲ್ಲಿನ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಯಿಂದ ಹುಟ್ಟಿಕೊಂಡಿದೆ, ಇದು ಅಲ್ಗಾರಿದಮ್ನ ಗ್ರೇಡಿಯಂಟ್ ಹಂತಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಸಮೀಪದ ಕಾರ್ಯಗಳನ್ನು ಬಳಸುತ್ತದೆ. ನಾವು ಸಮೀಪದ ಕಾರ್ಯವನ್ನು ಹೊಂದಿಕೊಳ್ಳುವ ರೀತಿಯಲ್ಲಿ ಮಾರ್ಪಡಿಸುವ ಒಂದು ಸಾಧನವನ್ನು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ, ಇದು ಕಲಿಕೆಯ ದರವನ್ನು ಹೊಂದಿಸುವುದನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸರಳಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ನಂತರದ ದೃಷ್ಟಿಯಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಬಹುದಾದ ಅತ್ಯುತ್ತಮ ಸಮೀಪದ ಕಾರ್ಯದಂತೆಯೇ ಉತ್ತಮವಾದ ಮರುಪಾವತಿ ಖಾತರಿಗಳನ್ನು ನೀಡುತ್ತದೆ. ನಾವು ಸಾಮಾನ್ಯ ಮತ್ತು ಪ್ರಮುಖ ನಿಯಮೀಕರಣ ಕಾರ್ಯಗಳನ್ನು ಮತ್ತು ಡೊಮೇನ್ ನಿರ್ಬಂಧಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರಾಯೋಗಿಕ ಅಪಾಯದ ಕನಿಷ್ಠೀಕರಣ ಸಮಸ್ಯೆಗಳಿಗೆ ಹಲವಾರು ಪರಿಣಾಮಕಾರಿ ಕ್ರಮಾವಳಿಗಳು ನೀಡುತ್ತೇವೆ. ನಾವು ಪ್ರಯೋಗಾತ್ಮಕವಾಗಿ ನಮ್ಮ ಸೈದ್ಧಾಂತಿಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಉಪಗ್ರಾಡಿಯಂಟ್ ವಿಧಾನಗಳು ಅತ್ಯಾಧುನಿಕ, ಆದರೆ ಹೊಂದಾಣಿಕೆಯಾಗದ, ಉಪಗ್ರಾಡಿಯಂಟ್ ಕ್ರಮಾವಳಿಗಳನ್ನು ಮೀರಿಸುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತವೆ.

f2bc77fdcea85738d1062da83d84dfa3371d378d

ಈ ಪತ್ರಿಕೆಯು ಚಿಪ್-ಟು-ಚಿಪ್ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ 90 ಎನ್ಎಂ ಸಿಎಮ್ಒಎಸ್ನಲ್ಲಿ 6.25-ಜಿಬಿ / ಸೆ 14 ಮೆಗಾವ್ಯಾಟ್ ಟ್ರಾನ್ಸ್ಸಿವರ್ ಅನ್ನು ವಿವರಿಸುತ್ತದೆ. ಟ್ರಾನ್ಸ್ಸಿವರ್ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಹಲವಾರು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಇದರಲ್ಲಿ ಹಂಚಿಕೆಯ ಎಲ್ಸಿ-ಪಿಎಲ್ಎಲ್ ಗಡಿಯಾರ ಗುಣಕ, ಇಂಡಕ್ಟರ್-ಲೋಡೆಡ್ ರೆಸೋನೆಂಟ್ ಗಡಿಯಾರ ವಿತರಣಾ ಜಾಲ, ಕಡಿಮೆ ಮತ್ತು ಪ್ರೊಗ್ರಾಮೆಬಲ್-ಸ್ವಿಂಗ್ ವೋಲ್ಟೇಜ್-ಮೋಡ್ ಟ್ರಾನ್ಸ್ಮಿಟರ್, ಸಾಫ್ಟ್ವೇರ್-ನಿಯಂತ್ರಿತ ಗಡಿಯಾರ ಮತ್ತು ಡೇಟಾ ಮರುಪಡೆಯುವಿಕೆ (ಸಿಡಿಆರ್) ಮತ್ತು ರಿಸೀವರ್ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಸಮೀಕರಣ ಮತ್ತು ಸಿಡಿಆರ್ಗಾಗಿ ಹೊಸ ಪಿಎಲ್ಎಲ್ ಆಧಾರಿತ ಹಂತದ ರೋಟರ್ ಸೇರಿವೆ. ಈ ವಿನ್ಯಾಸವು -15 dB ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಚಾನಲ್ ದುರ್ಬಲತೆಯೊಂದಿಗೆ 10-15 ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಬಿಟ್ ದೋಷ ದರದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಲ್ಲದು, ಆದರೆ ಪ್ರತಿ ಟ್ರಾನ್ಸ್ಸಿವರ್ಗೆ 2.25 mW/Gb/s ಗಿಂತ ಕಡಿಮೆ ಬಳಕೆ ಮಾಡುತ್ತದೆ.

9da870dbbc32c23013ef92dd9b30db60a3cd7628

3D ಆಕಾರಗಳ ಬಿಗಿಯಾದ ನೋಂದಣಿ ಅನಿವಾರ್ಯ ಕಾರ್ಯವಾಗಿದ್ದು, ಡೈನಾಮಿಕ್ ದೃಶ್ಯಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ಸರಕು ಆಳ ಸಂವೇದಕಗಳು ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಾಗುತ್ತಿರುವುದರಿಂದ ಇದರ ಮಹತ್ವ ಹೆಚ್ಚುತ್ತಿದೆ. ಕಠಿಣವಲ್ಲದ ನೋಂದಣಿ ಕಠಿಣ ನೋಂದಣಿಗಿಂತ ಹೆಚ್ಚು ಸವಾಲಿನದ್ದಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಒಂದು ಜಾಗತಿಕ ರೂಪಾಂತರದ ಬದಲಿಗೆ ಸ್ಥಳೀಯ ರೂಪಾಂತರಗಳ ಗುಂಪನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ ಅಂಡರ್ಡೈರೆಟರೇಶನ್ ಕಾರಣದಿಂದಾಗಿ ಅತಿಯಾದ ಫಿಟ್ಟಿಂಗ್ ಸಮಸ್ಯೆಗೆ ಒಳಗಾಗುತ್ತದೆ. ಹಿಂದಿನ ವಿಧಾನಗಳಲ್ಲಿ ಸಾಮಾನ್ಯ ಜ್ಞಾನವು ಸ್ಥಳೀಯ ರೂಪಾಂತರ ವ್ಯತ್ಯಾಸಗಳ ಮೇಲೆ l2- ನಿಯಮಿತತೆಯನ್ನು ವಿಧಿಸುವುದು. ಆದಾಗ್ಯೂ, l2-ನರ್ಮ್ ನಿಯಂತ್ರಿಸುವುದು ಪರಿಹಾರವನ್ನು ಹೊರಗಿನ ಮೌಲ್ಯಗಳು ಮತ್ತು ಭಾರಿ-ಬಾಲದ ವಿತರಣೆಯೊಂದಿಗೆ ಶಬ್ದದ ಕಡೆಗೆ ಬಗ್ಗಿಸುತ್ತದೆ, ಇದು ರೂಪಾಂತರ ವ್ಯತ್ಯಾಸಗಳ ಮೇಲೆ ಗಾಸ್ಸಿನ್ ವಿತರಣೆಯ ಕಳಪೆ ಯೋಗ್ಯತೆಯಿಂದ ಪರಿಶೀಲಿಸಲ್ಪಡುತ್ತದೆ. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಲ್ಯಾಪ್ಲಸಿಯನ್ ವಿತರಣೆಯು ರೂಪಾಂತರ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ ಚೆನ್ನಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ, ಇದು ಒಂದು ವಿರಳತೆಯ ಮುಂಚಿತವಾಗಿ ಬಳಸುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಪರಿವರ್ತನೆ ಅಂದಾಜಿನ ಒಂದು l1-ನಿಯಮದ ನಿಯಂತ್ರಿತ ಮಾದರಿಯೊಂದಿಗೆ ವಿರಳವಾದ ಕಟ್ಟುನಿಟ್ಟಲ್ಲದ ನೋಂದಣಿ (SNR) ವಿಧಾನವನ್ನು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದನ್ನು ವರ್ಧಿತ ಲಗ್ರಾಂಜಿಯನ್ ಚೌಕಟ್ಟಿನಡಿಯಲ್ಲಿ ಪರ್ಯಾಯ ದಿಕ್ಕಿನ ವಿಧಾನ (ADM) ಮೂಲಕ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲಾಗುತ್ತದೆ. ನಾವು ದೃಢವಾದ ಮತ್ತು ಪ್ರಗತಿಪರ ನೋಂದಣಿಗಾಗಿ ಬಹು-ತೀರ್ಪು ಯೋಜನೆಯನ್ನು ರೂಪಿಸುತ್ತೇವೆ. ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶಗಳ ಮತ್ತು ನಮ್ಮ ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾದ ದತ್ತಾಂಶಗಳ ಫಲಿತಾಂಶಗಳು ನಮ್ಮ ವಿಧಾನದ ಶ್ರೇಷ್ಠತೆಯನ್ನು ತೋರಿಸುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿರೂಪಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಮತ್ತು ಹೊರಗಿನವರು ಮತ್ತು ಶಬ್ದ.

e36ecd4250fac29cc990330e01c9abee4c67a9d6

ಈ ಪತ್ರದಲ್ಲಿ ಒಂದು ಹೊಸ ಕಾ-ಬ್ಯಾಂಡ್ ಡ್ಯುಯಲ್-ಬ್ಯಾಂಡ್ ಡ್ಯುಯಲ್-ಸರ್ಕಲ್-ಪೋಲರೈಸ್ಡ್ ಆಂಟೆನಾ ಸರಣಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಕಾಂಪ್ಯಾಕ್ಟ್ ರಂಗುರಂಗುರಂಗುರ ಸ್ಲಾಟ್ಗಳೊಂದಿಗೆ ಕಾ-ಬ್ಯಾಂಡ್ ಡೌನ್ಲಿಂಕ್ ಆವರ್ತನಗಳಿಗೆ ಎಡಗೈ ವೃತ್ತಾಕಾರದ ಧ್ರುವೀಕರಣ ಮತ್ತು ಕಾ-ಬ್ಯಾಂಡ್ ಅಪ್ಲಿಂಕ್ ಆವರ್ತನಗಳಿಗೆ ಬಲಗೈ ವೃತ್ತಾಕಾರದ ಧ್ರುವೀಕರಣವನ್ನು ಹೊಂದಿರುವ ಡ್ಯುಯಲ್-ಬ್ಯಾಂಡ್ ಆಂಟೆನಾವನ್ನು ಅರಿತುಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಅನುಕ್ರಮ ತಿರುಗುವಿಕೆ ತಂತ್ರವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ 2 × 2 ಸಬ್ಅರೇ ಅನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ಈ ಪತ್ರವು ವಿನ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಮಾಪನ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ.

0bb71e91b29cf9739c0e1334f905baad01b663e6

ಈ ಲೇಖನದಲ್ಲಿ ಎಲ್ ಟಿಇ ಜಾಲಗಳಲ್ಲಿ ನಿಯೋಜಿಸಲಾದ ಬ್ಯಾಟರಿ ಚಾಲಿತ ಸಾಧನಗಳ ಇಂಧನ ಬಳಕೆ ಕಡಿಮೆ ಮಾಡಲು ವೇಳಾಪಟ್ಟಿ ಮತ್ತು ಪ್ರಸರಣ ವಿದ್ಯುತ್ ನಿಯಂತ್ರಣವನ್ನು ತನಿಖೆ ಮಾಡಲಾಗಿದೆ. ಗಣಕ-ರೀತಿಯ ಚಂದಾದಾರರ ಬೃಹತ್ ಸಂಖ್ಯೆಯ ಪರಿಣಾಮಕಾರಿ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು, ಹೊಸ ವಿತರಿಸಿದ ಯೋಜನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಇದರಿಂದಾಗಿ ಯಂತ್ರ ನೋಡ್ಗಳು ಸ್ಥಳೀಯ ಕ್ಲಸ್ಟರ್ಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ ಮತ್ತು ಕ್ಲಸ್ಟರ್-ಹೆಡ್ಗಳ ಮೂಲಕ ಬೇಸ್-ಸ್ಟೇಷನ್ನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತವೆ. ನಂತರ, LTE ಜಾಲಗಳಲ್ಲಿ ಅಪ್ಲಿಂಕ್ ವೇಳಾಪಟ್ಟಿ ಮತ್ತು ವಿದ್ಯುತ್ ನಿಯಂತ್ರಣವನ್ನು ಪರಿಚಯಿಸಲಾಗಿದೆ ಮತ್ತು ಕ್ಲಸ್ಟರ್-ಹೆಡ್ಗಳು ಮತ್ತು ಬೇಸ್-ಸ್ಟೇಷನ್ ನಡುವಿನ ಸಂವಹನಕ್ಕಾಗಿ ಬಳಸಬೇಕಾದ ಜೀವಿತಾವಧಿಯ ಅರಿವಿನ ಪರಿಹಾರಗಳನ್ನು ತನಿಖೆ ಮಾಡಲಾಗುತ್ತದೆ. ನಿಖರವಾದ ಪರಿಹಾರಗಳ ಜೊತೆಗೆ, ಕಡಿಮೆ ಸಂಕೀರ್ಣತೆಯ ಉಪ-ಅತ್ಯುತ್ತಮ ಪರಿಹಾರಗಳನ್ನು ಈ ಕೆಲಸದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಇದು ಕಡಿಮೆ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಂಕೀರ್ಣತೆಯೊಂದಿಗೆ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಬಹುದು. ಪ್ರಸ್ತಾವಿತ ಪ್ರೋಟೋಕಾಲ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಜಾಲಬಂಧದ ಜೀವಿತಾವಧಿಯನ್ನು ಗಣನೀಯವಾಗಿ ವಿಸ್ತರಿಸಲಾಗಿದೆ ಎಂದು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೌಲ್ಯಮಾಪನವು ತೋರಿಸುತ್ತದೆ.

6dc4be33a07c277ee68d42c151b4ee866108281f

ಸಂಕುಚಿತ ಮಾಪನಗಳಿಂದ ಕೋವಿಯೆನ್ಸ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್ಗಳ ಅಂದಾಜು ಇತ್ತೀಚೆಗೆ ವಿಜ್ಞಾನ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ನ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಗಣನೀಯ ಸಂಶೋಧನಾ ಪ್ರಯತ್ನಗಳನ್ನು ಆಕರ್ಷಿಸಿದೆ. ಸಣ್ಣ ಸಂಖ್ಯೆಯ ವೀಕ್ಷಣೆಗಳ ಕಾರಣದಿಂದಾಗಿ, ಸಹ-ವ್ಯತ್ಯಾಸ ಮ್ಯಾಟ್ರಿಕ್ಸ್ಗಳ ಅಂದಾಜು ತೀವ್ರವಾಗಿ ಕೆಟ್ಟದಾಗಿ-ಸಿದ್ಧಪಡಿಸಿದ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಇದನ್ನು ಸಹಭಾಗಿತ್ವದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ನ ರಚನೆಯ ಬಗ್ಗೆ ಪೂರ್ವ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನಿವಾರಿಸಬಹುದು. ಈ ಪತ್ರಿಕೆಯು ಸಂಕುಚಿತ ಮಾಪನಗಳ ಅಡಿಯಲ್ಲಿ ಉನ್ನತ-ಆಯಾಮದ ಸಹ-ವ್ಯತ್ಯಾಸ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಂದಾಜು ಸಮಸ್ಯೆಗೆ ಒಂದು ವರ್ಗದ ಕುಗ್ಗಿದ ಸೂತ್ರೀಕರಣಗಳು ಮತ್ತು ಆಯಾ ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ಸಕಾರಾತ್ಮಕ ಅರೆ-ನಿರ್ದಿಷ್ಟತೆಯ ಜೊತೆಗೆ, ಟೂಪ್ಲಿಟ್ಜ್, ವಿರಳತೆ, ಶೂನ್ಯ-ಮಾದರಿ, ಕಡಿಮೆ ಶ್ರೇಣಿ, ಅಥವಾ ಕಡಿಮೆ ಪರ್ಮುಟೆಡ್ ಶ್ರೇಣಿಯ ರಚನೆಯನ್ನು ಪರಿಹಾರದ ಮೇಲೆ ಹೇರುತ್ತದೆ. ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ಕೋ-ವ್ಯಾರಿಯನ್ಸ್ ಅನ್ನು ವರ್ಧಿತ ಲಗ್ರಾಂಜಿಯನ್ ಕುಗ್ಗುವಿಕೆ ಅಲ್ಗಾರಿದಮ್ (ಸಿಒವಿಎಲ್ಎಸ್ಎ) ಯಿಂದ ಪರಿಚಯಿಸುತ್ತೇವೆ, ಇದು ಸ್ಪ್ಲಿಟ್ ವರ್ಧಿತ ಲಗ್ರಾಂಜಿಯನ್ ಕುಗ್ಗುವಿಕೆ ಅಲ್ಗಾರಿದಮ್ (ಎಸ್ಎಲ್ಎಸ್ಎ) ಯ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ನಾವು ಅತ್ಯಾಧುನಿಕ ಅಲ್ಗಾರಿದಮ್ಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರೆ ನಮ್ಮ ವಿಧಾನದ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ವಿವರಿಸುತ್ತೇವೆ.

05357314fe2da7c2248b03d89b7ab9e358cbf01e

ಎಲ್ಲ ಹಕ್ಕುಗಳನ್ನು ಕಾಯ್ದಿರಿಸಲಾಗಿದೆ. ಈ ಪುಸ್ತಕದ ಯಾವುದೇ ಭಾಗವನ್ನು ಯಾವುದೇ ರೂಪದಲ್ಲಿ ಯಾವುದೇ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಅಥವಾ ಯಾಂತ್ರಿಕ ವಿಧಾನದಿಂದ (ಫೋಟೋಕಾಪಿ ಮಾಡುವುದು, ರೆಕಾರ್ಡಿಂಗ್ ಮಾಡುವುದು ಅಥವಾ ಮಾಹಿತಿ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಸೇರಿದಂತೆ) ಪ್ರಕಾಶಕರ ಲಿಖಿತ ಅನುಮತಿಯಿಲ್ಲದೆ ಪುನರುತ್ಪಾದಿಸಲಾಗುವುದಿಲ್ಲ.

06d0a9697a0f0242dbdeeff08ec5266b74bfe457

ನಾವು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಮರದ ರಚನೆಗಳಿಗೆ ಹೊಸ ಉತ್ಪಾದಕ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ಶಬ್ದಾರ್ಥದ (ಶಬ್ದಾರ್ಥದ ಅವಲಂಬನೆ) ಮತ್ತು ವಾಕ್ಯ ರಚನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕ ಮಾದರಿಗಳೊಂದಿಗೆ ಸ್ಕೋರ್ ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅಂಶೀಕರಣವು ಪರಿಕಲ್ಪನಾ ಸರಳತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಘಟಕ ಮಾದರಿಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಸುಧಾರಿಸಲು ನೇರ ಅವಕಾಶಗಳನ್ನು ನೀಡುತ್ತದೆ, ಮತ್ತು ಇದೇ ರೀತಿಯ, ಅಂಶಗಳಿಲ್ಲದ ಮಾದರಿಗಳಿಗೆ ಈಗಾಗಲೇ ಹತ್ತಿರವಿರುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಟ್ಟ. ಮುಖ್ಯವಾಗಿ, ಇತರ ಆಧುನಿಕ ಪಾರ್ಸಿಂಗ್ ಮಾದರಿಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಅಂಶಗಳ ಮಾದರಿಯು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಪಾರ್ಸಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಪರಿಣಾಮಕಾರಿ, ನಿಖರವಾದ ತೀರ್ಮಾನವನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.

8f76334bd276a2b92bd79203774f292318f42dc6

ಈ ಲೇಖನವು L- ಆಕಾರದ ಶೋಧಕದಿಂದ ಆಹಾರವನ್ನು ಪಡೆಯುವ ವೃತ್ತಾಕಾರದ ಕೊಂಬಿನ ಆಂಟೆನಾವನ್ನು ಹೊಂದಿದೆ. 50 ಒಮೆಗಾ ಏಕಾಕ್ಷ ಕೇಬಲ್ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಬ್ರಾಡ್ಬ್ಯಾಂಡ್ ವಿನ್ಯಾಸ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಅಕ್ಷೀಯ ಅನುಪಾತ ಮತ್ತು ಲಾಭದಲ್ಲಿ ಆಂಟೆನಾ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಈ ಪತ್ರಿಕೆಯ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳನ್ನು Ansoft HFSS 9.2 ಬಳಸಿ ಪಡೆಯಲಾಗಿದೆ

41c987b8a7e916d56fed2ea7311397e0f2286f3b

ಜಾಲಬಂಧ ಮಟ್ಟದಲ್ಲಿ ಕ್ವಾಂಟೈಸೇಶನ್ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಈ ಕೆಲಸದಲ್ಲಿ ನಾವು ಟೆನ್ಸರ್ ಮಟ್ಟದಲ್ಲಿ ಕ್ವಾಂಟೈಸೇಶನ್ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ನಾವು ಕ್ವಾಂಟೈಸೇಶನ್ ಶಬ್ದ ಮತ್ತು ಕಡಿಮೆ ನಿಖರತೆಯ ಜಾಲಗಳಲ್ಲಿ ಕ್ಲಿಪ್ಪಿಂಗ್ ಅಸ್ಪಷ್ಟತೆಯ ನಡುವಿನ ವಿನಿಮಯವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ. ನಾವು ವಿವಿಧ ಟೆನ್ಸರ್ಗಳ ಅಂಕಿಅಂಶಗಳನ್ನು ಗುರುತಿಸುತ್ತೇವೆ, ಮತ್ತು ಕ್ಲಿಪ್ಪಿಂಗ್ ಕಾರಣದಿಂದಾಗಿ ಸರಾಸರಿ-ಚದರ-ತಪ್ಪಿನ ಕ್ಷೀಣತೆಗೆ ನಿಖರವಾದ ಅಭಿವ್ಯಕ್ತಿಗಳನ್ನು ಪಡೆಯುತ್ತೇವೆ. ಈ ಅಭಿವ್ಯಕ್ತಿಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಮೂಲಕ, ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಕ್ಲಿಪ್ಪಿಂಗ್ ತಪ್ಪಿಸಲು ಪ್ರಮಾಣಿತ ಕ್ವಾಂಟೈಸೇಶನ್ ಯೋಜನೆಗಳ ಮೇಲೆ ಗಮನಾರ್ಹ ಸುಧಾರಣೆಗಳನ್ನು ತೋರಿಸುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, ನಿಖರವಾದ ಕ್ಲಿಪ್ಪಿಂಗ್ ಮೌಲ್ಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದರ ಮೂಲಕ, VGG16-BN ಅನ್ನು 4-ಬಿಟ್ ನಿಖರತೆಗೆ ಪರಿಮಾಣೀಕರಣಕ್ಕಾಗಿ 40% ಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರತೆ ಸುಧಾರಣೆಯನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ನಮ್ಮ ಫಲಿತಾಂಶಗಳು ತರಬೇತಿ ಮತ್ತು ತೀರ್ಮಾನದ ಸಮಯದಲ್ಲಿ ನರಮಂಡಲಗಳ ಪ್ರಮಾಣೀಕರಣಕ್ಕೆ ಅನೇಕ ಅನ್ವಯಿಕೆಗಳನ್ನು ಹೊಂದಿವೆ. ಒಂದು ತಕ್ಷಣದ ಅನ್ವಯವೆಂದರೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಸೂಕ್ಷ್ಮ ಶ್ರುತಿ ಅಥವಾ ಸಂಪೂರ್ಣ ದತ್ತಾಂಶಗಳ ಲಭ್ಯತೆಯಿಲ್ಲದೆ ಕಡಿಮೆ-ನಿಖರ ವೇಗವರ್ಧಕಗಳಿಗೆ ನರಮಂಡಲಗಳ ತ್ವರಿತ ನಿಯೋಜನೆ.

1bde4205a9f1395390c451a37f9014c8bea32a8a

ರೊಬೊಟಿಕ್ ಕುಶಲತೆ ಮತ್ತು ಸಂಚರಣೆಗಾಗಿ ರೇಂಜ್ ಇಮೇಜ್ಗಳಲ್ಲಿ ಪ್ರಶ್ನಿಸಲಾದ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಸ್ಥಳೀಕರಿಸುವುದು ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ. ಇದನ್ನು ನಿರಂತರವಾಗಿ ಅಧ್ಯಯನ ಮಾಡಲಾಗಿದ್ದರೂ, ಇದು ಇನ್ನೂ ಅಡಚಣೆ ಮತ್ತು ಗೊಂದಲದ ದೃಶ್ಯಗಳಿಗೆ ಸವಾಲಿನ ಕಾರ್ಯವಾಗಿದೆ.

242caa8e04b73f56a8d4adae36028cc176364540

ನಾವು 3D ಸಂವೇದಕಗಳಿಗೆ ಅನ್ವಯವಾಗುವ ಮತದಾನ ಆಧಾರಿತ ಭಂಗಿ ಅಂದಾಜು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದು ಅನೇಕ ರೊಬೊಟಿಕ್ಸ್, ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮತ್ತು ಗೇಮಿಂಗ್ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ತಮ್ಮ 2D ಪ್ರತಿರೂಪಗಳನ್ನು ವೇಗವಾಗಿ ಬದಲಾಯಿಸುತ್ತಿದೆ. ಇತ್ತೀಚೆಗೆ ವೋಟಿಂಗ್ ಚೌಕಟ್ಟಿನಲ್ಲಿ, ವಸ್ತುವಿನ ಮೇಲ್ಮೈಯಲ್ಲಿರುವ ಸಾಮಾನ್ಯಗಳೊಂದಿಗೆ ಇರುವ ಎರಡು ದೃಷ್ಟಿಕೋನ 3D ಬಿಂದುಗಳು ವೇಗವಾಗಿ ಮತ್ತು ದೃಢವಾದ ಭಂಗಿ ಅಂದಾಜನ್ನು ಅನುಮತಿಸುತ್ತವೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಸಾಕಷ್ಟು ವಕ್ರತೆಯ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ವಸ್ತುಗಳಿಗೆ ದೃಷ್ಟಿಕೋನ ಮೇಲ್ಮೈ ಬಿಂದುಗಳು ತಾರತಮ್ಯವಾಗಿದ್ದರೂ, ಅವು ಅನೇಕ ಕೈಗಾರಿಕಾ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ವಸ್ತುಗಳಿಗೆ ಸಾಕಷ್ಟು ಸಾಂದ್ರವಾಗಿರುವುದಿಲ್ಲ ಮತ್ತು ತಾರತಮ್ಯವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ. 2 ಡಿ ನೋಂದಣಿಯಲ್ಲಿ ಅಂಚುಗಳು ಪ್ರಮುಖ ಪಾತ್ರವಹಿಸುವುದರಿಂದ, 3 ಡಿ ಯಲ್ಲಿ ಆಳದ ಅಸ್ಥಿರತೆಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಈ ಗಡಿ ಮಾಹಿತಿಯನ್ನು ಉತ್ತಮವಾಗಿ ಬಳಸಿಕೊಳ್ಳುವ ಭಂಗಿ ಅಂದಾಜು ಕ್ರಮಾವಳಿಗಳ ಕುಟುಂಬವನ್ನು ತನಿಖೆ ಮಾಡಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. ನಿರ್ದೇಶಿತ ಮೇಲ್ಮೈ ಬಿಂದುಗಳ ಜೊತೆಗೆ, ನಾವು ಎರಡು ಇತರ ಪ್ರಾಚೀನಗಳನ್ನು ಬಳಸುತ್ತೇವೆಃ ನಿರ್ದೇಶನಗಳೊಂದಿಗೆ ಗಡಿ ಬಿಂದುಗಳು ಮತ್ತು ಗಡಿ ರೇಖಾ ವಿಭಾಗಗಳು. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ಈ ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆಮಾಡಿದ ಪ್ರಾಚೀನಗಳು ಹೆಚ್ಚು ಮಾಹಿತಿಯನ್ನು ಕಾಂಪ್ಯಾಕ್ಟ್ ಆಗಿ ಎನ್ಕೋಡ್ ಮಾಡುತ್ತವೆ ಮತ್ತು ಇದರಿಂದಾಗಿ ವ್ಯಾಪಕ ವರ್ಗದ ಕೈಗಾರಿಕಾ ಭಾಗಗಳಿಗೆ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ವೇಗವಾಗಿ ಲೆಕ್ಕಾಚಾರವನ್ನು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು 3 ಡಿ ಸಂವೇದಕವನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಾಯೋಗಿಕ ರೋಬೋಟಿಕ್ ಕಬ್ಬಿನ-ಆಯ್ಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.

5df318e4aac5313124571ecc7e186cba9e84a264

ಅಧಿಕೃತ ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಮಾಲ್ವೇರ್ ನುಗ್ಗುವಿಕೆಗಳು ಅಂತಿಮ ಬಳಕೆದಾರರ ವೈಯಕ್ತಿಕ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯ ಗೌಪ್ಯತೆ ಮತ್ತು ಗೌಪ್ಯತೆಗೆ ಹೆಚ್ಚಿನ ಭದ್ರತಾ ಬೆದರಿಕೆಯನ್ನುಂಟುಮಾಡುತ್ತವೆ. ಅಂತಿಮ ಬಳಕೆದಾರರ ಸಾಧನಗಳನ್ನು ವಿರೋಧಿ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಬಲಿಯಾಗದಂತೆ ರಕ್ಷಿಸುವುದು ಶೈಕ್ಷಣಿಕ ಮತ್ತು ಕೈಗಾರಿಕಾ ಭದ್ರತಾ ಸಂಶೋಧಕರು/ಎಂಜಿನಿಯರ್ಗಳಿಗೆ ತಾಂತ್ರಿಕ ಮತ್ತು ಸಂಶೋಧನಾ ಸವಾಲನ್ನು ಒಡ್ಡುತ್ತದೆ. ಆಪ್ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿರುವ ಭದ್ರತಾ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ವಿಶ್ಲೇಷಣಾ ಪರಿಶೀಲನೆಗಳ ಹೊರತಾಗಿಯೂ, ಮಾಲ್ವೇರ್ ರಕ್ಷಣೆಗಳ ಮೂಲಕ ಕಳ್ಳತನ ಮಾಡುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರ ಸಾಧನಗಳನ್ನು ಸೋಂಕು ತಗುಲಿಸುತ್ತದೆ. ಮಾಲ್ವೇರ್ಗಳ ವಿಕಸನವು ಅತ್ಯಾಧುನಿಕ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಬದಲಾಗುತ್ತಿರುವ ಸಾಫ್ಟ್ವೇರ್ ಆಗಿರುವುದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಕಾನೂನುಬದ್ಧ ಅಪ್ಲಿಕೇಶನ್ಗಳಂತೆ ಮರೆಮಾಚುತ್ತದೆ. ಅತ್ಯಂತ ಮುಂದುವರಿದ ತಪ್ಪಿಸಿಕೊಳ್ಳುವ ತಂತ್ರಗಳ ಬಳಕೆ, ಉದಾಹರಣೆಗೆ ಎನ್ಕ್ರಿಪ್ಟ್ ಮಾಡಲಾದ ಕೋಡ್, ಅಸ್ಪಷ್ಟತೆ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಕೋಡ್ ನವೀಕರಣಗಳು ಇತ್ಯಾದಿ, ಹೊಸ ಮಾಲ್ವೇರ್ನಲ್ಲಿ ಕಂಡುಬರುವ ಸಾಮಾನ್ಯ ಅಭ್ಯಾಸಗಳಾಗಿವೆ. ಡೈನಾಮಿಕ್ ಕೋಡ್ ಅಪ್ಡೇಟ್ಗಳ ತಪ್ಪಿಸಿಕೊಳ್ಳುವ ಬಳಕೆಯೊಂದಿಗೆ, ಹಾನಿಕಾರಕವಲ್ಲದ ಅಪ್ಲಿಕೇಶನ್ ಎಂದು ನಟಿಸುವ ಮಾಲ್ವೇರ್ ವಿಶ್ಲೇಷಣಾ ಪರಿಶೀಲನೆಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರ ಸಾಧನದಲ್ಲಿ ಸ್ಥಾಪಿಸಿದಾಗ ಮಾತ್ರ ಅದರ ದುರುದ್ದೇಶಪೂರಿತ ಕಾರ್ಯವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಈ ಪ್ರಬಂಧವು ಆಂಡ್ರಾಯ್ಡ್ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಡೈನಾಮಿಕ್ ಕೋಡ್ ಅಪ್ಡೇಟ್ಗಳ ಬಳಕೆ ಮತ್ತು ಬಳಕೆಯ ವಿಧಾನದ ಬಗ್ಗೆ ಸಂಪೂರ್ಣ ಅಧ್ಯಯನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ನಾವು ಹೈಬ್ರಿಡ್ ವಿಶ್ಲೇಷಣಾ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಸ್ಟ್ಯಾಡಾರ್ಟ್, ಇದು ಸ್ಥಿರ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪರಸ್ಪರ ಜೋಡಿಸುತ್ತದೆ. ಕ್ರಿಯಾತ್ಮಕ ಕೋಡ್ ನವೀಕರಣಗಳ ಉಪಸ್ಥಿತಿಯಲ್ಲಿ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಸ್ಥಿರ ವಿಶ್ಲೇಷಣಾ ತಂತ್ರಗಳ ಅಂತರ್ಗತ ನ್ಯೂನತೆಗಳನ್ನು ಸರಿದೂಗಿಸಲು. ನಮ್ಮ ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ನೈಜ ಜಗತ್ತಿನ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಸ್ಟಾಡಾರ್ಟ್ನ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಸಾಮಾನ್ಯವಾಗಿ ಕ್ರಿಯಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ, ಮತ್ತು ಹೈಬ್ರಿಡ್ ವಿಶ್ಲೇಷಣೆ ಕೂಡ ಆ ವಿಷಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಅಪ್ಲಿಕೇಶನ್ನ ನಡವಳಿಕೆಯನ್ನು ಉತ್ತೇಜಿಸುವ ಸಮಸ್ಯೆಯನ್ನು ತರುತ್ತದೆ, ಇದು ಸ್ವಯಂಚಾಲಿತ ವಿಶ್ಲೇಷಣಾ ಸಾಧನಗಳಿಗೆ ಕ್ಷುಲ್ಲಕವಲ್ಲದ ಸವಾಲಾಗಿದೆ. ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ನಾವು ಹಿಂದುಳಿದ ಸ್ಲೈಸಿಂಗ್ ಆಧಾರಿತ ಉದ್ದೇಶಿತ ಇಂಟರ್ ಕಾಂಪೊನೆಂಟ್ ಕೋಡ್ ಪಥಗಳ ಕಾರ್ಯಗತಗೊಳಿಸುವ ತಂತ್ರವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಟೆಐಸಿಸಿ. TeICC ಅಪ್ಲಿಕೇಶನ್ನಲ್ಲಿನ ಗುರಿ ಬಿಂದುವಿನಿಂದ ಪ್ರಾರಂಭವಾಗುವ ಕೋಡ್ ಪಥಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಹಿಂದುಳಿದ ಸ್ಲೈಸಿಂಗ್ ಕಾರ್ಯವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ಇಂಟರ್ ಕಾಂಪೊನೆಂಟ್ ಸಂವಹನವನ್ನು ಒಳಗೊಂಡಿರುವ ಕೋಡ್ ಪಥಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಸಿಸ್ಟಮ್ ಅವಲಂಬನೆ ಗ್ರಾಫ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಹೊರತೆಗೆದ ಕೋಡ್ ಪಥಗಳನ್ನು ನಂತರ ಉಪಕರಣಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಕ್ರಿಯಾತ್ಮಕ ನಡವಳಿಕೆಯನ್ನು ಸೆರೆಹಿಡಿಯಲು, ಕ್ರಿಯಾತ್ಮಕ ಕೋಡ್ ನವೀಕರಣಗಳನ್ನು ಮತ್ತು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಪರಿಹರಿಸಲು ಅಪ್ಲಿಕೇಶನ್ ಸನ್ನಿವೇಶದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ. ಟೆಐಸಿಸಿ ಯ ನಮ್ಮ ಮೌಲ್ಯಮಾಪನವು ಅಸ್ಪಷ್ಟ ಆಂಡ್ರಾಯ್ಡ್ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿನ ಇಂಟರ್ ಕಾಂಪೊನೆಂಟ್ ಕೋಡ್ ಪಥಗಳ ಉದ್ದೇಶಿತ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಗೆ ಇದನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. ಅಲ್ಲದೆ, ಇನ್ನೂ ವಿರೋಧಿಗಳು ಬಳಕೆದಾರ ಸಾಧನಗಳನ್ನು ತಲುಪುವ ಸಾಧ್ಯತೆಯನ್ನು ಹೊರತುಪಡಿಸದಿದ್ದರೂ, ನಾವು ಆನ್-ಫೋನ್ API ಹುಕ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ

5ed4b57999d2a6c28c66341179e2888c9ca96a25

ಈ ಲೇಖನದಲ್ಲಿ, ಸಂಕೀರ್ಣ ಜಗತ್ತಿನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಕಲಿಯುವ ಏಜೆಂಟ್ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಗುರಿಯತ್ತ ನಾವು ಕೆಲಸ ಮಾಡುತ್ತೇವೆ. ನಾವು ಸಂಭಾವ್ಯ, ಸಂಬಂಧಿತ ಯೋಜನೆ ನಿಯಮ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ ಅದು ಗದ್ದಲದ, ನಿರ್ಣಾಯಕವಲ್ಲದ ಕ್ರಿಯೆಯ ಪರಿಣಾಮಗಳನ್ನು ಕಾಂಪ್ಯಾಕ್ಟ್ ಆಗಿ ಮಾಡೆಲ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅಂತಹ ನಿಯಮಗಳನ್ನು ಹೇಗೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಲಿಯಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಸರಳ ಯೋಜನೆ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ಪ್ರಯೋಗಗಳ ಮೂಲಕ ಮತ್ತು ವಾಸ್ತವಿಕ ಭೌತಶಾಸ್ತ್ರದೊಂದಿಗೆ 3D ಸಿಮ್ಯುಲೇಶನ್ ಬ್ಲಾಕ್ಗಳ ಪ್ರಪಂಚದ ಮೂಲಕ, ಈ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿ ಏಜೆಂಟ್ಗಳಿಗೆ ವಿಶ್ವ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ರೂಪಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ.

55c769b5829ca88ba940e0050497f4956c233445

ದೃಶ್ಯ ಓಡೋಮೆಟ್ರಿಯನ್ನು ಆರ್ಜಿಬಿ-ಡಿ ಕ್ಯಾಮೆರಾಗಳು ಅಥವಾ ಕ್ಯಾಮೆರಾಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಲಿಡಾರ್ಗಳಿಂದ ಒದಗಿಸಲಾದ ಆಳದ ಮಾಹಿತಿಯಿಂದ ವರ್ಧಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಅಂತಹ ಆಳದ ಮಾಹಿತಿಯನ್ನು ಸಂವೇದಕಗಳಿಂದ ಸೀಮಿತಗೊಳಿಸಬಹುದು, ದೃಷ್ಟಿಗೋಚರ ಚಿತ್ರಗಳಲ್ಲಿ ದೊಡ್ಡ ಪ್ರದೇಶಗಳನ್ನು ಬಿಡುತ್ತಾರೆ, ಅಲ್ಲಿ ಆಳವು ಲಭ್ಯವಿಲ್ಲ. ಇಲ್ಲಿ, ನಾವು ಕ್ಯಾಮೆರಾ ಚಲನೆಯ ಚೇತರಿಕೆಯಲ್ಲಿ ಆಳವನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಆದರೂ ವಿರಳವಾಗಿ ಲಭ್ಯವಿದೆ. ಇದರ ಜೊತೆಗೆ, ಈ ವಿಧಾನವು ಹಿಂದೆ ಅಂದಾಜು ಮಾಡಿದ ಚಲನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಚಲನೆಯ ರಚನೆಯಿಂದ ಆಳವನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಆಳವು ಲಭ್ಯವಿಲ್ಲದ ಪ್ರಮುಖ ದೃಶ್ಯ ಲಕ್ಷಣಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಈ ವಿಧಾನವು RGBD ದೃಶ್ಯ ಓಡೊಮೆಟ್ರಿಯನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದ, ತೆರೆದ ಪರಿಸರಗಳಿಗೆ ವಿಸ್ತರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಆಳವನ್ನು ಸಾಕಷ್ಟು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ನಮ್ಮ ವಿಧಾನದ ಮೂಲಭೂತ ಅಂಶವೆಂದರೆ ಒಂದು ಬಂಡಲ್ ಹೊಂದಾಣಿಕೆ ಹಂತವಾಗಿದ್ದು, ಇದು ಚಲನೆಯ ಅಂದಾಜುಗಳನ್ನು ಸಮತಲವಾಗಿ ಸಂಸ್ಕರಿಸುವ ಮೂಲಕ ಚಿತ್ರಗಳ ಅನುಕ್ರಮವನ್ನು ಸಂಸ್ಕರಿಸುತ್ತದೆ, ಬ್ಯಾಚ್ ಆಪ್ಟಿಮೈಸೇಶನ್ನಲ್ಲಿ. ನಾವು ನಮ್ಮ ವಿಧಾನವನ್ನು ಮೂರು ಸಂವೇದಕ ಸೆಟಪ್ಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇವೆ, ಒಂದು RGB-D ಕ್ಯಾಮೆರಾವನ್ನು ಬಳಸುತ್ತದೆ, ಮತ್ತು ಎರಡು ಕ್ಯಾಮೆರಾ ಮತ್ತು 3D ಲಿದಾರ್ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸುತ್ತದೆ. ನಮ್ಮ ವಿಧಾನವು KITTI ಓಡೋಮೆಟ್ರಿ ಬೆಂಚ್ಮಾರ್ಕ್ನಲ್ಲಿ # 4 ಅನ್ನು ರೇಟಿಂಗ್ ಮಾಡಿದೆ, ಸಂವೇದನಾ ವಿಧಾನವನ್ನು ಲೆಕ್ಕಿಸದೆ, ತ್ರಿಕೋನೀಕರಣದ ಮೂಲಕ ಆಳವನ್ನು ಹಿಂಪಡೆಯುವ ಸ್ಟಿರಿಯೊ ವಿಷುಯಲ್ ಓಡೋಮೆಟ್ರಿ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ ಸರಾಸರಿ ಸ್ಥಾನದ ದೋಷವು ಪ್ರಯಾಣಿಸಿದ ದೂರದ 1.14% ಆಗಿದೆ.

0c668ee24d58ecca165f788d40765e79ed615471

9cccd211c9208f790d71fa5b3499d8f827744aa0

ವಿವಿಧ ಶೈಕ್ಷಣಿಕ-ಆಧಾರಿತ ಸಮಸ್ಯೆಗಳನ್ನು ಶೈಕ್ಷಣಿಕ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯ ಮೂಲಕ ಪರಿಹರಿಸಲಾಗುತ್ತದೆ, ಇದು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯ ಅತ್ಯಂತ ವ್ಯಾಪಕವಾದ ಅನ್ವಯಿಕೆಗಳಾಗಿವೆ. ಈ ಪತ್ರಿಕೆಯ ಪ್ರಮುಖ ಉದ್ದೇಶವೆಂದರೆ ಇಡಿಎಂನಲ್ಲಿ ಇತ್ತೀಚೆಗೆ ನಡೆಸಿದ ಕೃತಿಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುವುದು ಮತ್ತು ಅವುಗಳ ಅನುಕೂಲಗಳು ಮತ್ತು ಅನಾನುಕೂಲಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು. ಈ ಪತ್ರಿಕೆಯು ಸಮೀಕ್ಷೆ ಮಾಡಲಾದ ಲೇಖನಗಳಲ್ಲಿ ಅನ್ವಯಿಸಲಾದ ವಿವಿಧ ಡೇಟಾ ಗಣಿಗಾರಿಕೆ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ತಂತ್ರಗಳ ಸಂಚಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಸಹ ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಇದರಿಂದಾಗಿ ಸಂಶೋಧಕರು ಇಡಿಎಂನ ಭವಿಷ್ಯದ ನಿರ್ದೇಶನಗಳ ಬಗ್ಗೆ ಸೂಚಿಸುತ್ತಾರೆ. ಇದರ ಜೊತೆಗೆ, ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಗಳಿಗೆ ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹವಾದ ಕ್ರಮಾವಳಿಗಳನ್ನು ಗಮನಿಸಲು ಕೆಲವು ವರ್ಗೀಕರಣ ಮತ್ತು ಕ್ಲಸ್ಟರಿಂಗ್ ಕ್ರಮಾವಳಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಪ್ರಯೋಗವನ್ನು ಸಹ ನಡೆಸಲಾಯಿತು.

197a7fc2f8d57d93727b348851b59b34ce990afd

SRILM ಎನ್ನುವುದು C++ ಗ್ರಂಥಾಲಯಗಳು, ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಪ್ರೋಗ್ರಾಂಗಳು ಮತ್ತು ಸಹಾಯಕ ಸ್ಕ್ರಿಪ್ಟ್ಗಳ ಸಂಗ್ರಹವಾಗಿದ್ದು, ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಇತರ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭಾಷಾ ಮಾದರಿಗಳ ಉತ್ಪಾದನೆ ಮತ್ತು ಪ್ರಯೋಗ ಎರಡನ್ನೂ ಅನುಮತಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. SRILM ಅನ್ನು ವಾಣಿಜ್ಯೇತರ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಉಚಿತವಾಗಿ ಲಭ್ಯವಿದೆ. ಈ ಟೂಲ್ಕಿಟ್ ಎನ್-ಗ್ರಾಮ್ ಅಂಕಿಅಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ವಿವಿಧ ರೀತಿಯ ಭಾಷಾ ಮಾದರಿಗಳ ಸೃಷ್ಟಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಜೊತೆಗೆ ಎನ್-ಅತ್ಯುತ್ತಮ ಪಟ್ಟಿಗಳು ಮತ್ತು ಪದ ಗ್ರಿಡ್ಗಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಟ್ಯಾಗಿಂಗ್ ಮತ್ತು ಕುಶಲತೆಯಂತಹ ಹಲವಾರು ಸಂಬಂಧಿತ ಕಾರ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಈ ಪತ್ರಿಕೆಯು ಟೂಲ್ಕಿಟ್ನ ಕಾರ್ಯವನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ವಿವರಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ವಿನ್ಯಾಸ ಮತ್ತು ಅನುಷ್ಠಾನವನ್ನು ಚರ್ಚಿಸುತ್ತದೆ, ತ್ವರಿತ ಮೂಲಮಾದರಿಗಳ ಸುಲಭತೆ, ಮರುಬಳಕೆ ಮತ್ತು ಉಪಕರಣಗಳ ಸಂಯೋಜನೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.

12f661171799cbd899e1ff4ae0a7e2170c3d547b

ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭಾಷಾ ಮಾದರಿಗಳು ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಇತರ ಭಾಷಾ ತಂತ್ರಜ್ಞಾನಗಳ ಉದ್ದೇಶಕ್ಕಾಗಿ ವಿವಿಧ ನೈಸರ್ಗಿಕ ಭಾಷಾ ವಿದ್ಯಮಾನಗಳ ವಿತರಣೆಯನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತವೆ. 1980ರಲ್ಲಿ ಪ್ರಥಮ ಮಹತ್ವದ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದಾಗಿನಿಂದ, ಈ ತಂತ್ರಜ್ಞಾನದ ಸ್ಥಿತಿಯನ್ನು ಸುಧಾರಿಸಲು ಅನೇಕ ಪ್ರಯತ್ನಗಳನ್ನು ಮಾಡಲಾಗಿದೆ. ನಾವು ಅವುಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ, ಕೆಲವು ಭರವಸೆಯ ನಿರ್ದೇಶನಗಳನ್ನು ಸೂಚಿಸುತ್ತೇವೆ ಮತ್ತು ಡೇಟಾದೊಂದಿಗೆ ಭಾಷಾಶಾಸ್ತ್ರದ ಸಿದ್ಧಾಂತಗಳ ಏಕೀಕರಣಕ್ಕೆ ಬೇಯಸಿಯನ್ ವಿಧಾನವನ್ನು ವಾದಿಸುತ್ತೇವೆ.

395f4b41578c3ff5139ddcf9e90eb60801b50394

ಬಿಗ್ರ್ಯಾಮ್ ಮತ್ತು ಟ್ರೈಗ್ರಾಮ್ ಭಾಷಾ ಮಾದರಿಗಳ ನಿರ್ಮಾಣ ಮತ್ತು ಪರೀಕ್ಷೆಯನ್ನು ಸುಲಭಗೊಳಿಸಲು CMU ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಲಾಂಗ್ವೇಜ್ ಮಾಡೆಲಿಂಗ್ ಟೂಲ್ಕಿಟ್ ಅನ್ನು 2009 ರಲ್ಲಿ ಮರುಬಳಕೆ ಮಾಡಲಾಯಿತು ಇದು ಪ್ರಸ್ತುತ 100 ಕ್ಕೂ ಹೆಚ್ಚು ದೇಶಗಳಲ್ಲಿ ಶೈಕ್ಷಣಿಕ ಸರ್ಕಾರ ಮತ್ತು ಕೈಗಾರಿಕಾ ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಬಳಕೆಯಲ್ಲಿ ಇದೆ ಈ ಪತ್ರಿಕೆಯು ಟೂಲ್ಕಿಟ್ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ ನಾವು ಟೂಲ್ಕಿಟ್ನಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿರುವ ಸಾಂಪ್ರದಾಯಿಕ ಭಾಷಾ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಜ್ಞಾನವನ್ನು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ಹಿಂದಿನ ಸಾಫ್ಟ್ವೇರ್ಗೆ ಹೋಲಿಸಿದರೆ ಹೊಸ ಟೂಲ್ಕಿಟ್ ಒದಗಿಸುವ ಹೆಚ್ಚುವರಿ ದಕ್ಷತೆ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು ವಿವರಿಸುತ್ತೇವೆ ಅಂತಿಮವಾಗಿ ನಾವು ಸರಳ ಭಾಷಾ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಮತ್ತು ಪರೀಕ್ಷಿಸುವಲ್ಲಿ ಟೂಲ್ಕಿಟ್ನ ಬಳಕೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ

0b8f4edf1a7b4d19d47d419f41cde432b9708ab7

ನಾವು ಸಿಲಿಕಾನ್ ತುಂಬಿದ ಸಮಗ್ರ ತರಂಗ ಮಾರ್ಗದರ್ಶಿಗಳ ತಯಾರಿಕೆಗಾಗಿ ಒಂದು ತಂತ್ರಜ್ಞಾನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಕಡಿಮೆ-ನಷ್ಟದ ಹೆಚ್ಚಿನ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಿಲಿಮೀಟರ್-ತರಂಗ ನಿಷ್ಕ್ರಿಯ ಘಟಕಗಳನ್ನು ಮತ್ತು ಹೆಚ್ಚಿನ ಲಾಭದ ರಚನೆಯ ಆಂಟೆನಾಗಳನ್ನು ಅರಿತುಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಹೆಚ್ಚು ಸಂಯೋಜಿತ ಮಿಲಿಮೀಟರ್-ತರಂಗ ವ್ಯವಸ್ಥೆಗಳ ಸಾಕ್ಷಾತ್ಕಾರಕ್ಕೆ ಅನುಕೂಲವಾಗುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ತಂತ್ರಜ್ಞಾನವು ಅಲ್ಯೂಮಿನಿಯಂ ಲೋಹೀಕರಣ ಹಂತಗಳೊಂದಿಗೆ ಆಳವಾದ ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ-ಐಯಾನ್-ಎಚಿಂಗ್ (ಡಿಆರ್ಐಇ) ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಜ್ಯಾಮಿತೀಯ ನಿಖರತೆ ಮತ್ತು ನಿರಂತರ ಲೋಹದ ಅಡ್ಡ ಗೋಡೆಗಳನ್ನು ಹೊಂದಿರುವ ಆಯತಾಕಾರದ ತರಂಗ ಮಾರ್ಗದರ್ಶಿಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಸಮಗ್ರ ಆಯತಾಕಾರದ ತರಂಗ ಮಾರ್ಗದರ್ಶಿಗಳ ಮಾಪನ ಫಲಿತಾಂಶಗಳು 0. 15 dB/ λg ನಷ್ಟವನ್ನು 105 GHz ನಲ್ಲಿ ತೋರಿಸುತ್ತವೆ ಎಂದು ವರದಿ ಮಾಡಲಾಗಿದೆ. ಇದರ ಜೊತೆಗೆ, ಅಲ್ಟ್ರಾ-ವಿಡ್ಬ್ಯಾಂಡ್ ಕೋಪ್ಲಾನರ್ನಿಂದ ತರಂಗ ಮಾರ್ಗದರ್ಶಿಗೆ ಪರಿವರ್ತನೆಗಳು 0.6 ಡಿಬಿ ಇನ್ಸರ್ಟ್ ನಷ್ಟದೊಂದಿಗೆ 105 ಜಿಹೆಚ್ಝ್ನಲ್ಲಿ ಮತ್ತು 80 ರಿಂದ 110 ಜಿಹೆಚ್ಝ್ನಿಂದ 15 ಡಿಬಿಗಿಂತ ಉತ್ತಮವಾದ ರಿಟರ್ನ್ ನಷ್ಟವನ್ನು ವಿವರಿಸಲಾಗಿದೆ ಮತ್ತು ನಿರೂಪಿಸಲಾಗಿದೆ. ಆವರ್ತನ ಸ್ಕ್ಯಾನಿಂಗ್ ಸ್ಲಾಟ್ಡ್-ವೇವ್ಗೈಡ್ ಅರೇ ಆಂಟೆನಾದ ವಿನ್ಯಾಸ, ಏಕೀಕರಣ ಮತ್ತು ಅಳತೆ ಮಾಡಿದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವರದಿ ಮಾಡಲಾಗಿದೆ, ಇದು 23 GHz ಬ್ಯಾಂಡ್ನಲ್ಲಿ 82 ° ನಷ್ಟು ಅಳತೆ ಮಾಡಿದ ಕಿರಣದ ಸ್ಟೀರಿಂಗ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಮತ್ತು 96 GHz ನಲ್ಲಿ 8.5 ° ನಷ್ಟು ಅರ್ಧ-ಶಕ್ತಿ ಕಿರಣ-ಅಗಲವನ್ನು (HPBW) ಸಾಧಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಕಡಿಮೆ ವೆಚ್ಚದ ಮಿಮೀ-ತರಂಗ ವ್ಯವಸ್ಥೆಯ ಮಟ್ಟದ ಏಕೀಕರಣವನ್ನು ಸುಲಭಗೊಳಿಸಲು ಈ ತಂತ್ರಜ್ಞಾನದ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಲು, ಇಮೇಜಿಂಗ್ ರಾಡಾರ್ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ಆವರ್ತನ-ಮಾಡ್ಯುಲೇಟೆಡ್ ನಿರಂತರ ತರಂಗ (ಎಫ್ಎಂಸಿಡಬ್ಲ್ಯೂ) ಪ್ರಸಾರ-ಸ್ವೀಕರಿಸುವ ಐಸಿ ಅನ್ನು ಫ್ಲಿಪ್-ಚಿಪ್ ಅನ್ನು ನೇರವಾಗಿ ಸಂಯೋಜಿತ ಶ್ರೇಣಿಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಿರೂಪಿಸಲಾಗಿದೆ.

31864e13a9b3473ebb07b4f991f0ae3363517244

ಈ ಪತ್ರಿಕೆಯು ಅಂಚಿನ ಪತ್ತೆಗೆ ಒಂದು ಗಣನಾ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತದೆ. ವಿಧಾನದ ಯಶಸ್ಸು ಅಂಚಿನ ಬಿಂದುಗಳ ಲೆಕ್ಕಾಚಾರಕ್ಕಾಗಿ ಸಮಗ್ರ ಗುರಿಗಳ ವ್ಯಾಖ್ಯಾನದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಈ ಗುರಿಗಳು ದ್ರಾವಣದ ರೂಪದ ಬಗ್ಗೆ ಕನಿಷ್ಠ ಊಹೆಗಳನ್ನು ಮಾಡುವಾಗ ಪತ್ತೆಕಾರಕದ ಅಪೇಕ್ಷಿತ ನಡವಳಿಕೆಯನ್ನು ಸೀಮಿತಗೊಳಿಸಲು ಸಾಕಷ್ಟು ನಿಖರವಾಗಿರಬೇಕು. ನಾವು ಅಂಚುಗಳ ವರ್ಗಕ್ಕೆ ಪತ್ತೆ ಮತ್ತು ಸ್ಥಳೀಕರಣ ಮಾನದಂಡಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ ಮತ್ತು ಆಪರೇಟರ್ ಪ್ರಚೋದನೆಯ ಪ್ರತಿಕ್ರಿಯೆಯ ಮೇಲೆ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಈ ಮಾನದಂಡಗಳಿಗೆ ಗಣಿತದ ರೂಪಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ನಂತರ ಮೂರನೇ ಮಾನದಂಡವನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಡಿಟೆಕ್ಟರ್ ಒಂದೇ ಅಂಚಿಗೆ ಒಂದೇ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮಾತ್ರ ನೀಡುತ್ತದೆ. ನಾವು ಹಲವಾರು ಸಾಮಾನ್ಯ ಚಿತ್ರ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಡಿಟೆಕ್ಟರ್ಗಳನ್ನು ಪಡೆಯುವ ಸಂಖ್ಯಾತ್ಮಕ ಆಪ್ಟಿಮೈಸೇಶನ್ನಲ್ಲಿ ಮಾನದಂಡಗಳನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ಹಂತದ ಅಂಚುಗಳು ಸೇರಿವೆ. ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹಂತದ ಅಂಚುಗಳಿಗೆ ವಿಶೇಷಗೊಳಿಸುವುದರ ಮೂಲಕ, ಪತ್ತೆ ಮತ್ತು ಸ್ಥಳೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಡುವೆ ನೈಸರ್ಗಿಕ ಅನಿಶ್ಚಿತತೆಯ ತತ್ವವಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ, ಅವು ಎರಡು ಮುಖ್ಯ ಗುರಿಗಳಾಗಿವೆ. ಈ ತತ್ವದಿಂದ ನಾವು ಯಾವುದೇ ಪ್ರಮಾಣದಲ್ಲಿ ಸೂಕ್ತವಾದ ಏಕ ಆಪರೇಟರ್ ಆಕಾರವನ್ನು ಪಡೆಯುತ್ತೇವೆ. ಅತ್ಯುತ್ತಮ ಡಿಟೆಕ್ಟರ್ ಸರಳ ಅಂದಾಜು ಅನುಷ್ಠಾನವನ್ನು ಹೊಂದಿದೆ, ಇದರಲ್ಲಿ ಗ್ಯಾಸ್ಸಿಯನ್-ಮೃದುಗೊಳಿಸಿದ ಚಿತ್ರದ ಗ್ರೇಡಿಯಂಟ್ ಪ್ರಮಾಣದಲ್ಲಿ ಅಂಚುಗಳನ್ನು ಗರಿಷ್ಠವಾಗಿ ಗುರುತಿಸಲಾಗುತ್ತದೆ. ನಾವು ಈ ಸರಳ ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತೇವೆ ಹಲವಾರು ಅಗಲಗಳ ಆಪರೇಟರ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರದಲ್ಲಿನ ವಿಭಿನ್ನ ಸಿಗ್ನಲ್-ಟು-ಶಬ್ದ ಅನುಪಾತಗಳನ್ನು ನಿಭಾಯಿಸಲು. ನಾವು ಒಂದು ಸಾಮಾನ್ಯ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದನ್ನು ವೈಶಿಷ್ಟ್ಯ ಸಂಶ್ಲೇಷಣೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ವಿವಿಧ ಪ್ರಮಾಣಗಳಲ್ಲಿನ ಆಪರೇಟರ್ಗಳಿಂದ ಮಾಹಿತಿಯನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಸಮಗ್ರಗೊಳಿಸಲು. ಅಂತಿಮವಾಗಿ ನಾವು ಹಂತದ ಅಂಚಿನ ಡಿಟೆಕ್ಟರ್ ಕಾರ್ಯಕ್ಷಮತೆ ಗಣನೀಯವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ ಆಯೋಜಕರು ಪಾಯಿಂಟ್ ಹರಡುವಿಕೆ ಕಾರ್ಯವನ್ನು ಅಂಚಿನ ಉದ್ದಕ್ಕೂ ವಿಸ್ತರಿಸಲಾಗಿದೆ.

b41c45b2ca0c38a4514f0779395ebdf3d34cecc0

7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e

ಮುಖಗಳು ಸಂಕೀರ್ಣ, ಬಹು ಆಯಾಮದ, ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯ ಪ್ರಚೋದನೆಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಮತ್ತು ಮುಖ ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಕಷ್ಟ [42]. ನಾವು ಹೈಬ್ರಿಡ್ ನರಮಂಡಲದ ಪರಿಹಾರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದು ಇತರ ವಿಧಾನಗಳೊಂದಿಗೆ ಅನುಕೂಲಕರವಾಗಿ ಹೋಲಿಸುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯು ಸ್ಥಳೀಯ ಚಿತ್ರ ಮಾದರಿ, ಸ್ವಯಂ-ಸಂಘಟಿತ ನಕ್ಷೆ ನರ ಜಾಲ ಮತ್ತು ಒಂದು ಕನ್ವೊಲ್ಯೂಷನಲ್ ನರ ಜಾಲವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಸ್ವಯಂ-ಸಂಘಟನಾ ನಕ್ಷೆಯು ಚಿತ್ರದ ಮಾದರಿಗಳ ಪರಿಮಾಣೀಕರಣವನ್ನು ಟೋಪೋಲಾಜಿಕಲ್ ಜಾಗಕ್ಕೆ ಒದಗಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಮೂಲ ಜಾಗದಲ್ಲಿ ಹತ್ತಿರವಿರುವ ಇನ್ಪುಟ್ಗಳು ಸಹ output ಟ್ಪುಟ್ ಜಾಗದಲ್ಲಿ ಹತ್ತಿರದಲ್ಲಿವೆ, ಇದರಿಂದಾಗಿ ಚಿತ್ರದ ಮಾದರಿಯಲ್ಲಿನ ಸಣ್ಣ ಬದಲಾವಣೆಗಳಿಗೆ ಆಯಾಮದ ಪುನರಾವರ್ತನೆ ಮತ್ತು ಅವಿಭಾಜ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಮತ್ತು ಕನ್ವೋಲ್ಯೂಷನಲ್ ನರ ಜಾಲವು ಅನುವಾದ, ತಿರುಗುವಿಕೆ, ಪ್ರಮಾಣ ಮತ್ತು ವಿರೂಪಕ್ಕೆ ಭಾಗಶಃ ಅವಿಭಾಜ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕನ್ವೊಲ್ಯೂಷನಲ್ ನೆಟ್ ವರ್ಕ್ ಶ್ರೇಣೀಕೃತ ಪದರಗಳ ಒಂದು ಗುಂಪಿನಲ್ಲಿ ಸತತವಾಗಿ ದೊಡ್ಡ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ. ನಾವು ಸ್ವಯಂ ಸಂಘಟಿತ ನಕ್ಷೆಯ ಬದಲಿಗೆ ಕರುನೆನ್ -ಲೋವೆ ಪರಿವರ್ತನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ಜಾಲದ ಬದಲಿಗೆ ಬಹು-ಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ. ಕರುನೆನ್-ಲೋವೆ ಪರಿವರ್ತನೆಯು ಸುಮಾರು ಹಾಗೆಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ (5.3% ದೋಷವು 3.8% ವಿರುದ್ಧ). ಬಹು-ಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಬಹಳ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ (40% ದೋಷವು 3.8% ವಿರುದ್ಧ). ಈ ವಿಧಾನವು ತ್ವರಿತ ವರ್ಗೀಕರಣಕ್ಕೆ ಸಮರ್ಥವಾಗಿದೆ, ವೇಗವಾಗಿ, ಅಂದಾಜು ಸಾಮಾನ್ಯೀಕರಣ ಮತ್ತು ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯನ್ನು ಮಾತ್ರ ಬಯಸುತ್ತದೆ ಮತ್ತು ತರಬೇತಿ ದತ್ತಸಂಚಯದಲ್ಲಿ ಪ್ರತಿ ವ್ಯಕ್ತಿಗೆ ಚಿತ್ರಗಳ ಸಂಖ್ಯೆ 1 ರಿಂದ 5 ರವರೆಗೆ ಬದಲಾಗುತ್ತಿರುವುದರಿಂದ ದತ್ತಸಂಚಯದಲ್ಲಿ ಎಜೆನ್ಫೇಸ್ ವಿಧಾನಕ್ಕಿಂತ [42] ಉತ್ತಮ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸ್ಥಿರವಾಗಿ ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಪ್ರತಿ ವ್ಯಕ್ತಿಗೆ 5 ಚಿತ್ರಗಳಿರುವಲ್ಲಿ ಪ್ರಸ್ತಾವಿತ ವಿಧಾನ ಮತ್ತು ಸ್ವಂತ ಮುಖಗಳು ಕ್ರಮವಾಗಿ 3.8% ಮತ್ತು 10.5% ದೋಷವನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ. ಈ ಗುರುತಿಸುವಿಕೆಯು ಅದರ ಔಟ್ಪುಟ್ನಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು 10% ನಷ್ಟು ಉದಾಹರಣೆಗಳನ್ನು ತಿರಸ್ಕರಿಸುವಾಗ ವರ್ಗೀಕರಣ ದೋಷವು ಶೂನ್ಯಕ್ಕೆ ಸಮೀಪಿಸುತ್ತದೆ. ನಾವು 40 ವ್ಯಕ್ತಿಗಳ 400 ಚಿತ್ರಗಳ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ ಅದು ಅಭಿವ್ಯಕ್ತಿ, ಭಂಗಿ ಮತ್ತು ಮುಖದ ವಿವರಗಳಲ್ಲಿ ಸಾಕಷ್ಟು ಹೆಚ್ಚಿನ ಮಟ್ಟದ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ನಾವು ಗಣನಾ ಸಂಕೀರ್ಣತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ ಮತ್ತು ತರಬೇತಿ ಪಡೆದ ಗುರುತಿಸುವಿಕೆಗೆ ಹೊಸ ವರ್ಗಗಳನ್ನು ಹೇಗೆ ಸೇರಿಸಬಹುದು ಎಂಬುದನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ.

5dd9dc47c4acc9ea3e597751194db52119398ac6

ಶಿಫ್ಟ್ ರಿಜಿಸ್ಟರ್ ಒಂದು ರೀತಿಯ ಅನುಕ್ರಮ ತರ್ಕ ಸರ್ಕ್ಯೂಟ್ ಆಗಿದ್ದು, ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ಡಿಜಿಟಲ್ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಅಥವಾ ರೇಡಿಯೋ ಫ್ರೀಕ್ವೆನ್ಸಿ ಐಡೆಂಟಿಫಿಕೇಶನ್ (ಆರ್ಎಫ್ಐಡಿ) ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಬೈನರಿ ಸಂಖ್ಯೆಗಳ ರೂಪದಲ್ಲಿ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸಲು ವ್ಯವಸ್ಥೆಯ ಸುರಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ ಪಲ್ಸ್-ಪ್ರಚೋದಿತ ರಚನೆಯೊಂದಿಗೆ ಹೊಸ ಫ್ಲಿಪ್-ಫ್ಲಾಪ್ ಅನ್ನು ಬಳಸುವ ವಿದ್ಯುತ್-ಪರಿಣಾಮಕಾರಿ ಶಿಫ್ಟ್ ರಿಜಿಸ್ಟರ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಪ್ರಸ್ತಾವಿತ ಫ್ಲಿಪ್ ಫ್ಲಾಪ್ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಕಡಿಮೆ ಶಕ್ತಿಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ. ಇದು ಐದು ಟ್ರಾನ್ಸಿಸ್ಟರ್ಗಳಿಂದ ಅಳವಡಿಸಲಾಗಿರುವ ಮಾದರಿ ಸರ್ಕ್ಯೂಟ್, ಏರಿಕೆ ಮತ್ತು ಕುಸಿತದ ಪಥಗಳಿಗೆ ಸಿ-ಎಲಿಮೆಂಟ್ ಮತ್ತು ಕೀಪರ್ ಹಂತದಿಂದ ಕೂಡಿದೆ. ನಾಲ್ಕು ಕ್ಲಾಕ್ಡ್ ಟ್ರಾನ್ಸಿಸ್ಟರ್ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಪರಿವರ್ತನೆ ಸ್ಥಿತಿಯ ತಂತ್ರದೊಂದಿಗೆ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಮೂಲಕ ವೇಗವನ್ನು ಹೆಚ್ಚಿಸಲಾಗುತ್ತದೆ. ಈ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶವು ಪ್ರಸ್ತಾವಿತ ಟೋಪೋಲಜಿಯು ಪರ್ಯಾಯವಾಗಿ ಪರ್ಯಾಯವಾಗಿ ಸಮಾನಾಂತರವಾಗಿ-ಸಮಾನಾಂತರವಾಗಿ (ಪಿಐಪಿಒ) ಮತ್ತು ಸರಣಿ-ಸರಣಿ-ಸರಣಿ ಔಟ್ (ಎಸ್ಐಎಸ್ಒ) ಶಿಫ್ಟ್ ರಿಜಿಸ್ಟರ್ಗಳಿಗೆ ಕ್ರಮವಾಗಿ 22.7071 ಎನ್.ಡಬ್ಲ್ಯೂ. ಒಟ್ಟಾರೆ ವಿನ್ಯಾಸವು ಕೇವಲ 16 ಟ್ರಾನ್ಸಿಸ್ಟರ್ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಮತ್ತು 1.2 ವಿ ವಿದ್ಯುತ್ ಸರಬರಾಜು ಹೊಂದಿರುವ 130 ಎನ್ಎಮ್ ಕಾಂಪ್ಲೆಮೆಂಟರಿ-ಮೆಟಲ್-ಆಕ್ಸೈಡ್-ಸೆಮಿಕಂಡಕ್ಟರ್ (ಸಿಎಮ್ಒಎಸ್) ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಅನುಕರಿಸಲಾಗಿದೆ.

d76beb59a23c01c9bec1940c4cec1ca26e00480a

ವಾಯುಪಡೆಯ ಸಂಶೋಧನಾ ಪ್ರಯೋಗಾಲಯವು ಎರಡು ಮೆದುಳಿನ-ಕಂಪ್ಯೂಟರ್ ಇಂಟರ್ಫೇಸ್ಗಳನ್ನು (ಬಿಸಿಐ) ಅಳವಡಿಸಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ, ಅದು ಸ್ಥಿರ-ಸ್ಥಿತಿಯ ದೃಶ್ಯ-ಉತ್ತೇಜಿತ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಭೌತಿಕ ಸಾಧನ ಅಥವಾ ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ನಿರ್ವಹಿಸಲು ನಿಯಂತ್ರಣ ಸಂಕೇತವಾಗಿ ಭಾಷಾಂತರಿಸುತ್ತದೆ. ಒಂದು ವಿಧಾನದಲ್ಲಿ, ನಿರ್ವಾಹಕರು ಮೆದುಳಿನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂ-ನಿಯಂತ್ರಿಸುತ್ತಾರೆ; ಇತರ ವಿಧಾನವು ಬಹು-ಪ್ರಚೋದಿತ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಬಳಸುತ್ತದೆ.

8a65dc637d39c14323dccd5cbcc08eed2553880e

ಈ ಲೇಖನವು ದಕ್ಷಿಣ ಆಫ್ರಿಕಾದಲ್ಲಿ ಜಿಲ್ಲಾ ನಿರ್ವಹಣೆಯನ್ನು ಬೆಂಬಲಿಸಲು ಆರೋಗ್ಯ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನಡೆಯುತ್ತಿರುವ ಕ್ರಿಯಾಶೀಲ ಸಂಶೋಧನಾ ಯೋಜನೆಯ ಆರಂಭಿಕ ಅವಧಿಯನ್ನು (1994-2001) ವಿವರಿಸುತ್ತದೆ. ವರ್ಣಭೇದ ನೀತಿಯ ನಂತರದ ದಕ್ಷಿಣ ಆಫ್ರಿಕಾದಲ್ಲಿ ಆರೋಗ್ಯ ಕ್ಷೇತ್ರದ ಪುನರ್ನಿರ್ಮಾಣ ಆರೋಗ್ಯ ಸೇವೆಗಳ ವಿತರಣೆಯಲ್ಲಿ ಸಮಾನತೆಗಾಗಿ ಶ್ರಮಿಸುವುದು ಮತ್ತು ಆರೋಗ್ಯ ಜಿಲ್ಲೆಗಳ ಆಧಾರದ ಮೇಲೆ ವಿಕೇಂದ್ರೀಕೃತ ರಚನೆಯನ್ನು ನಿರ್ಮಿಸುವುದು. ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ (ಐಎಸ್) ಅಭಿವೃದ್ಧಿಯ ವಿಷಯದಲ್ಲಿ, ಈ ಸುಧಾರಣಾ ಪ್ರಕ್ರಿಯೆಯು ಮಾಹಿತಿ ನಿರ್ವಹಣೆಯ ಸ್ಥಳೀಯ ನಿಯಂತ್ರಣ ಮತ್ತು ಏಕೀಕರಣವನ್ನು ಹೆಚ್ಚಿಸುವ ಮೂಲಕ ಹೊಸ ದಕ್ಷಿಣ ಆಫ್ರಿಕಾದ ಗುರಿಗಳನ್ನು ಬರೆಯುವ ರೀತಿಯಲ್ಲಿ ಆರೋಗ್ಯ ದತ್ತಾಂಶದ ಪ್ರಮಾಣೀಕರಣಕ್ಕೆ ಅನುವಾದಿಸುತ್ತದೆ. ನಾವು ಕ್ರಿಯೆಯ ಸಂಶೋಧನೆಗೆ ನಮ್ಮ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಪ್ರಕರಣದ ವಸ್ತುವನ್ನು ವಿಶ್ಲೇಷಿಸುವಲ್ಲಿ ನಟ-ಜಾಲ ಮತ್ತು ರಚನೆಯ ಸಿದ್ಧಾಂತಗಳಿಂದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸುತ್ತೇವೆ. ಐಎಸ್ ಅಭಿವೃದ್ಧಿಯ ಪ್ರಕ್ರಿಯೆಯ ವಿವರವಾದ ವಿವರಣೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ನಾವು ಪ್ರಮಾಣೀಕರಣ ಮತ್ತು ಸ್ಥಳೀಯ ಎಕ್ಸಿಬಿಲಿಟಿ (ಸ್ಥಳೀಕರಣ) ಅನ್ನು ಸಮತೋಲನಗೊಳಿಸುವ ಅಗತ್ಯವನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ; ಪ್ರಮಾಣೀಕರಣವನ್ನು ಹೀಗೆ ಭಿನ್ನಜಾತಿಯ ನಟರ ಒಂದು ಶ್ರೇಣಿಯ ಕೆಳಗಿನಿಂದ ಮೇಲಕ್ಕೆ ಜೋಡಣೆಯಾಗಿ ನೋಡಲಾಗುತ್ತದೆ. ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಸಾಮಾಜಿಕ ವ್ಯವಸ್ಥೆಯ ಮಾದರಿಯ ಮೇಲೆ ನಿರ್ಮಿಸಿ, ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮತ್ತು ಬಳಸಿದ ಐಎಸ್ ವಿನ್ಯಾಸ ತಂತ್ರವನ್ನು ಈ ನಟರು ತಮ್ಮ ಆಸಕ್ತಿಗಳನ್ನು ಭಾಷಾಂತರಿಸುವ ಮತ್ತು ಹೊಂದಿಸುವ ಪ್ರಕ್ರಿಯೆಗಳ ಕೃಷಿ ಎಂದು ಪರಿಕಲ್ಪನೆ ಮಾಡುತ್ತೇವೆ. ನಾವು ಜಾಗತಿಕ ಮತ್ತು ಸ್ಥಳೀಯ ದತ್ತಾಂಶಗಳ ಒಂದು ಮಾಡ್ಯುಲರ್ ಶ್ರೇಣಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ, ಅದರೊಳಗೆ ಮಾನಕೀಕರಣ ಮತ್ತು ಸ್ಥಳೀಕರಣದ ನಡುವಿನ ಉದ್ವಿಗ್ನತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಪರಿಹರಿಸಬಹುದು. ಅಂತಿಮವಾಗಿ, ಸಂಶೋಧನೆಯ ಫಲಿತಾಂಶಗಳು ಇತರ ದೇಶಗಳಲ್ಲಿ ಹೇಗೆ ಪ್ರಸ್ತುತವಾಗಬಹುದು ಎಂಬುದರ ಕುರಿತು ನಾವು ಚರ್ಚಿಸುತ್ತೇವೆ.

600434c6255c160b53ad26912c1c0b96f0d48ce6

ರಾಂಡಮ್ ಫಾರೆಸ್ಟ್ ಎನ್ನುವುದು ಗಣನೀಯವಾಗಿ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರವಾಗಿದ್ದು, ದೊಡ್ಡ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳಲ್ಲಿ ತ್ವರಿತವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದನ್ನು ಇತ್ತೀಚಿನ ಅನೇಕ ಸಂಶೋಧನಾ ಯೋಜನೆಗಳಲ್ಲಿ ಮತ್ತು ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ನೈಜ-ಪ್ರಪಂಚದ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಬಳಸಲಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಸಂಬಂಧಿತ ಸಾಹಿತ್ಯವು ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯವನ್ನು ಸಂಯೋಜಿಸಲು ಎಷ್ಟು ಮರಗಳನ್ನು ಬಳಸಬೇಕು ಎಂಬುದರ ಕುರಿತು ಯಾವುದೇ ನಿರ್ದೇಶನಗಳನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ. ಇಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ಸಂಶೋಧನೆಯು ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯದಲ್ಲಿ ಸೂಕ್ತವಾದ ಮರಗಳ ಸಂಖ್ಯೆ ಇದೆಯೇ ಎಂದು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ, ಅಂದರೆ, ಮರಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಗಮನಾರ್ಹವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭವನ್ನು ತರುವುದಿಲ್ಲ ಮತ್ತು ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚವನ್ನು ಮಾತ್ರ ಹೆಚ್ಚಿಸುತ್ತದೆ. ನಮ್ಮ ಮುಖ್ಯ ತೀರ್ಮಾನಗಳು ಹೀಗಿವೆ: ಮರಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ, ಅರಣ್ಯದ ಕಾರ್ಯಕ್ಷಮತೆ ಹಿಂದಿನ ಅರಣ್ಯಗಳಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮವಾಗಿದೆ (ಕಡಿಮೆ ಮರಗಳು) ಎಂದರ್ಥವಲ್ಲ, ಮತ್ತು ಮರಗಳ ಸಂಖ್ಯೆಯನ್ನು ದ್ವಿಗುಣಗೊಳಿಸುವುದರಿಂದ ಯಾವುದೇ ಪ್ರಯೋಜನವಿಲ್ಲ. ಒಂದು ದೊಡ್ಡ ಕಂಪ್ಯೂಟೇಶನಲ್ ಪರಿಸರ ಲಭ್ಯವಿಲ್ಲದಿದ್ದರೆ, ಗಮನಾರ್ಹವಾದ ಲಾಭವಿಲ್ಲದ ಒಂದು ಮಿತಿ ಇದೆ ಎಂದು ಹೇಳುವುದು ಸಹ ಸಾಧ್ಯ. ಇದರ ಜೊತೆಗೆ, ಯಾವುದೇ ಕಾಡಿನಲ್ಲಿ ಮರಗಳ ಸಂಖ್ಯೆಯನ್ನು ದ್ವಿಗುಣಗೊಳಿಸಿದಾಗ AUC ಲಾಭಕ್ಕಾಗಿ ಪ್ರಾಯೋಗಿಕ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯಲಾಯಿತು. ಇದಲ್ಲದೆ, ಮರಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ, ಸಂಪೂರ್ಣ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ಜೀವವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಆಸಕ್ತಿದಾಯಕವಲ್ಲದಿರಬಹುದು. ಇದರ ಜೊತೆಗೆ, ಇಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳು (ಸಾಂದ್ರತೆ ಆಧಾರಿತ ಮಾಪನಗಳು) ನಿರ್ಧಾರ ಮರಗಳಲ್ಲಿನ ವಿ.ಸಿ. ಆಯಾಮದ ಕೆಲವು ಅಂಶಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತವೆ ಮತ್ತು ಕಡಿಮೆ ಸಾಂದ್ರತೆಯ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳಿಗೆ ದೊಡ್ಡ ಸಾಮರ್ಥ್ಯದ ಯಂತ್ರಗಳು ಬೇಕಾಗಬಹುದು, ಆದರೆ ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ ಸಹ ನಿಜವೆಂದು ತೋರುತ್ತದೆ.

4cbadc5f4afe9ac178fd14a6875ef1956a528313

ಕಳೆದ ಕೆಲವು ವರ್ಷಗಳಲ್ಲಿ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿನ ಪ್ರಗತಿಗಳು ಸಣ್ಣ ಸಂವೇದಕ ನೋಡ್ ಗಳಿಗೆ ಇಂಟರ್ ನೆಟ್ ನ ಉಳಿದ ಭಾಗಗಳೊಂದಿಗೆ ನಿಸ್ತಂತುವಾಗಿ ಸಂವಹನ ನಡೆಸಲು ಸಾಧ್ಯವಾಗಿಸಿತು. ಈ ಸಾಧನೆಯೊಂದಿಗೆ ಅಂತಹ ಐಪಿ-ಸಕ್ರಿಯಗೊಳಿಸಿದ ವೈರ್ಲೆಸ್ ಸೆನ್ಸರ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು (ಐಪಿ-ಡಬ್ಲ್ಯುಎಸ್ಎನ್) ಭದ್ರಪಡಿಸುವ ಪ್ರಶ್ನೆಯು ಹೊರಹೊಮ್ಮಿತು ಮತ್ತು ಅಂದಿನಿಂದ ಇದು ಒಂದು ಪ್ರಮುಖ ಸಂಶೋಧನಾ ವಿಷಯವಾಗಿದೆ. ಈ ಪ್ರಬಂಧದಲ್ಲಿ ನಾವು ಕಾಂಟಿಕಿ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ಗಾಗಿ ಪೂರ್ವ ಹಂಚಿಕೆಯ ಕೀ ಸಿಫರ್ ಸೂಟ್ (ಟಿಎಲ್ಎಸ್ ಪಿಎಸ್ಕೆ ವಿಥ್ ಎಇಎಸ್ 128 ಸಿಸಿಎಂ 8) ಬಳಸಿ ಟಿಎಲ್ಎಸ್ ಮತ್ತು ಡಿಟಿಎಲ್ಎಸ್ ಪ್ರೋಟೋಕಾಲ್ಗಳ ನಮ್ಮ ಅನುಷ್ಠಾನವನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ. ಕಾಂಟಿಕಿ ಓಎಸ್ ಬೆಂಬಲಿಸುವ ಪ್ರೋಟೋಕಾಲ್ಗಳ ಗುಂಪಿಗೆ ಹೊಸ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಸೇರಿಸುವ ಹೊರತಾಗಿ, ಈ ಯೋಜನೆಯು ಐಪಿ-ಡಬ್ಲ್ಯುಎಸ್ಎನ್ಗಳಿಗೆ ಸಾರಿಗೆ ಪದರದ ಭದ್ರತೆ ಮತ್ತು ಪೂರ್ವ-ಹಂಚಿಕೆಯ ಕೀ ನಿರ್ವಹಣಾ ಯೋಜನೆಗಳು ಎಷ್ಟು ಸೂಕ್ತವೆಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

0ab99aa04e3a8340a7552355fb547374a5604b24

ಅನೇಕ ರೋಗನಿರ್ಣಯದ ಕಾರ್ಯಗಳಿಗೆ ಅಸಹಜತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ಮಾಪನಗಳು ಮತ್ತು ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಆರಂಭಿಕ ಹುಡುಕಾಟ ಪ್ರಕ್ರಿಯೆ ಅಗತ್ಯವಿರುತ್ತದೆ. ಕಂಪ್ಯೂಟರ್ ಉಪಕರಣಗಳು, ನಿರ್ದಿಷ್ಟವಾಗಿ ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ, ರೋಗನಿರ್ಣಯವನ್ನು ಸುಧಾರಿಸಲು ಪ್ರಮುಖ ಶಕ್ತಗೊಳಿಸುವ ಸಾಧನಗಳಾಗಿವೆ, ಚಿಕಿತ್ಸೆಯ ಅಗತ್ಯವಿರುವ ಆವಿಷ್ಕಾರಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ತಜ್ಞರ ಕೆಲಸದ ಹರಿವನ್ನು ಬೆಂಬಲಿಸಲು ಅನುಕೂಲವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ. ಈ ಉಪಕರಣಗಳಲ್ಲಿ, ಆಳವಾದ ಕಲಿಕೆ ತ್ವರಿತವಾಗಿ ಅತ್ಯಾಧುನಿಕ ಅಡಿಪಾಯವೆಂದು ಸಾಬೀತಾಗಿದೆ, ಇದು ಸುಧಾರಿತ ನಿಖರತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಇದು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಹೊಸ ಗಡಿಗಳನ್ನು ತೆರೆದಿದೆ, ಇದುವರೆಗೆ ಅನುಭವಿಸದ ಪ್ರಗತಿಯ ದರಗಳು. D ಇಇಪಿ ಕಲಿಕೆ ಸಾಮಾನ್ಯ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬೆಳೆಯುತ್ತಿರುವ ಪ್ರವೃತ್ತಿಯಾಗಿದೆ ಮತ್ತು ಇದನ್ನು 2013 ರ 10 ಅದ್ಭುತ ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ [1]. ಆಳವಾದ ಕಲಿಕೆ ಕೃತಕ ನರಮಂಡಲಗಳ ಸುಧಾರಣೆಯಾಗಿದ್ದು, ಹೆಚ್ಚಿನ ಪದರಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಅಮೂರ್ತತೆ ಮತ್ತು ಡೇಟಾದಿಂದ ಸುಧಾರಿತ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ [2]. ಇದು ಸಾಮಾನ್ಯ ಚಿತ್ರಣ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪ್ರಮುಖ ಯಂತ್ರ ಕಲಿಕೆ ಸಾಧನವಾಗಿ ಹೊರಹೊಮ್ಮುತ್ತಿದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕನ್ವೋಲ್ಯೂಷನಲ್ ನರ ಜಾಲಗಳು (ಸಿಎನ್ಎನ್ಗಳು) ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಕಾರ್ಯಗಳಿಗೆ ಪ್ರಬಲ ಸಾಧನಗಳಾಗಿವೆ ಎಂದು ಸಾಬೀತಾಗಿದೆ. ಆಳವಾದ ಸಿಎನ್ಎನ್ಗಳು ಕಚ್ಚಾ ಡೇಟಾದಿಂದ (ಉದಾ, ಚಿತ್ರಗಳು) ಪಡೆದ ಮಧ್ಯಮ ಮಟ್ಟದ ಮತ್ತು ಉನ್ನತ ಮಟ್ಟದ ಅಮೂರ್ತತೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕಲಿಯುತ್ತವೆ. ಇತ್ತೀಚಿನ ಫಲಿತಾಂಶಗಳು ಸಿಎನ್ಎನ್ಗಳಿಂದ ಹೊರತೆಗೆಯಲಾದ ಸಾರ್ವತ್ರಿಕ ವಿವರಣೆಗಳು ನೈಸರ್ಗಿಕ ಚಿತ್ರಗಳಲ್ಲಿ ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಸ್ಥಳೀಕರಣದಲ್ಲಿ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಪ್ರಪಂಚದಾದ್ಯಂತದ ವೈದ್ಯಕೀಯ ಚಿತ್ರ ವಿಶ್ಲೇಷಣಾ ಗುಂಪುಗಳು ತ್ವರಿತವಾಗಿ ಕ್ಷೇತ್ರಕ್ಕೆ ಪ್ರವೇಶಿಸುತ್ತಿವೆ ಮತ್ತು ಸಿಎನ್ಎನ್ಗಳು ಮತ್ತು ಇತರ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ವಿವಿಧ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತಿವೆ. ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳು ಹೊರಹೊಮ್ಮುತ್ತಿವೆ. ವೈದ್ಯಕೀಯ ಚಿತ್ರಣದಲ್ಲಿ, ರೋಗದ ನಿಖರವಾದ ರೋಗನಿರ್ಣಯ ಮತ್ತು / ಅಥವಾ ಮೌಲ್ಯಮಾಪನವು ಚಿತ್ರ ಸ್ವಾಧೀನ ಮತ್ತು ಚಿತ್ರ ವ್ಯಾಖ್ಯಾನ ಎರಡರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಚಿತ್ರ ಸ್ವಾಧೀನ ಗಣನೀಯವಾಗಿ ಸುಧಾರಿಸಿದೆ, ಸಾಧನಗಳು ಡೇಟಾವನ್ನು ವೇಗವಾಗಿ ದರದಲ್ಲಿ ಮತ್ತು ಹೆಚ್ಚಿದ ರೆಸಲ್ಯೂಶನ್ನಲ್ಲಿ ಪಡೆದುಕೊಳ್ಳುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಚಿತ್ರಗಳ ವ್ಯಾಖ್ಯಾನ ಪ್ರಕ್ರಿಯೆಯು ಇತ್ತೀಚೆಗೆ ಕಂಪ್ಯೂಟರ್ ತಂತ್ರಜ್ಞಾನದಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಲಾರಂಭಿಸಿದೆ. ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳ ಹೆಚ್ಚಿನ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ವೈದ್ಯರು ನಿರ್ವಹಿಸುತ್ತಾರೆ; ಆದಾಗ್ಯೂ, ಮಾನವರ ಚಿತ್ರ ವ್ಯಾಖ್ಯಾನವು ಅದರ ವ್ಯಕ್ತಿನಿಷ್ಠತೆ, ವ್ಯಾಖ್ಯಾನಕಾರರಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಆಯಾಸದಿಂದಾಗಿ ಸೀಮಿತವಾಗಿದೆ.

5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70

ಎರಡು ಸ್ವತಂತ್ರ ಚಿತ್ರಗಳ ಗುಂಪುಗಳನ್ನು ಭಾಷಾಂತರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಚಿತ್ರ ಅನುವಾದವು ಜೋಡಿಸಲಾದ ಡೇಟಾವಿಲ್ಲದೆ ಸರಿಯಾದ ಪತ್ರವ್ಯವಹಾರಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ ಸವಾಲಾಗಿದೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಿಗಳು ಜನರೇಟಿವ್ ಅಡ್ವೈಸರಿ ನೆಟ್ ವರ್ಕ್ (ಜಿಎಎನ್) ಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಲ್ಪಟ್ಟಿವೆ, ಇದರಿಂದಾಗಿ ಅನುವಾದಿತ ಚಿತ್ರಗಳ ವಿತರಣೆಯು ಗುರಿ ಸೆಟ್ನ ವಿತರಣೆಯಿಂದ ಪ್ರತ್ಯೇಕಿಸಲಾಗುವುದಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಇಂತಹ ಸೆಟ್-ಮಟ್ಟದ ನಿರ್ಬಂಧಗಳು ನಿದರ್ಶನ-ಮಟ್ಟದ ಪತ್ರವ್ಯವಹಾರಗಳನ್ನು ಕಲಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ (ಉದಾ. ವಸ್ತುವಿನ ರೂಪಾಂತರ ಕಾರ್ಯದಲ್ಲಿ ಜೋಡಿಸಲಾದ ಅರ್ಥಶಾಸ್ತ್ರದ ಭಾಗಗಳು). ಈ ಮಿತಿಯು ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪು ಧನಾತ್ಮಕ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ (ಉದಾ. ಜ್ಯಾಮಿತೀಯ ಅಥವಾ ಶಬ್ದಾರ್ಥದ ಕಲಾಕೃತಿಗಳು), ಮತ್ತು ಮತ್ತಷ್ಟು ಮೋಡ್ ಕುಸಿತದ ಸಮಸ್ಯೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಮೇಲಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು, ಡೀಪ್ ಅಟೆನ್ಷನ್ GAN (DA-GAN) ನಿಂದ ಉದಾಹರಣೆ-ಮಟ್ಟದ ಚಿತ್ರ ಅನುವಾದಕ್ಕಾಗಿ ನಾವು ಒಂದು ಹೊಸ ಚೌಕಟ್ಟನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಇಂತಹ ವಿನ್ಯಾಸವು DA-GAN ಅನ್ನು ಎರಡು ಸೆಟ್ಗಳಿಂದ ಮಾದರಿಗಳನ್ನು ಭಾಷಾಂತರಿಸುವ ಕಾರ್ಯವನ್ನು ಹೆಚ್ಚು ರಚನಾತ್ಮಕ ಸುಪ್ತ ಜಾಗದಲ್ಲಿ ಅನುವಾದಿಸುವ ನಿದರ್ಶನಗಳಾಗಿ ವಿಭಜಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ನಾವು ಆಳವಾದ ಗಮನ ಎನ್ಕೋಡರ್ ಅನ್ನು ಜಂಟಿಯಾಗಿ ಕಲಿಯುತ್ತೇವೆ, ಮತ್ತು ಕಲಿತ ನಿದರ್ಶನಗಳಿಗೆ ಹಾಜರಾಗುವ ಮೂಲಕ ನಿದರ್ಶನ-ಮಟ್ಟದ ಪತ್ರವ್ಯವಹಾರಗಳನ್ನು ಪರಿಣಾಮವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು. ಆದ್ದರಿಂದ, ಸೆಟ್ ಮಟ್ಟ ಮತ್ತು ನಿದರ್ಶನ ಮಟ್ಟದಲ್ಲಿ ನಿರ್ಬಂಧಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. ಹಲವಾರು ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನಗಳ ವಿರುದ್ಧದ ಹೋಲಿಕೆಗಳು ನಮ್ಮ ವಿಧಾನದ ಶ್ರೇಷ್ಠತೆಯನ್ನು ತೋರಿಸುತ್ತವೆ ಮತ್ತು ವಿಶಾಲವಾದ ಅನ್ವಯಿಕ ಸಾಮರ್ಥ್ಯ, ಉದಾಹರಣೆಗೆ, ಭಂಗಿ ಮಾರ್ಫಿಂಗ್, ಡೇಟಾ ವರ್ಧನೆ, ಇತ್ಯಾದಿ, ಡೊಮೇನ್ ಅನುವಾದ ಸಮಸ್ಯೆಯ ಅಂಚನ್ನು ತಳ್ಳುತ್ತದೆ.

f1526054914997591ffdb8cd523bea219ce7a26e

ಈ ವರ್ಷದ ಮಾರ್ಚ್ ನಲ್ಲಿ, ಅಮೇರಿಕನ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಅಸೋಸಿಯೇಷನ್ (ಎಎಸ್ಎ) ಪಿ-ಮೌಲ್ಯಗಳ ಸರಿಯಾದ ಬಳಕೆಯ ಬಗ್ಗೆ ಹೇಳಿಕೆಯನ್ನು ಪೋಸ್ಟ್ ಮಾಡಿತು, ಪಿ-ಮೌಲ್ಯವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಲಾಗುತ್ತದೆ ಎಂಬ ಆತಂಕಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ. ASA ನೀಡಿದ ಈ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಆಳವಾದ ಹಿನ್ನೆಲೆ ಇಲ್ಲದ ವೈದ್ಯಕೀಯ ವೈದ್ಯರು ಮತ್ತು ಸಂಶೋಧಕರು ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಭಾಷೆಗೆ ಅನುವಾದಿಸುವ ಗುರಿ ಹೊಂದಿದ್ದೇವೆ. ಇದಲ್ಲದೆ, ನಾವು ಪಿ-ಮೌಲ್ಯಗಳ ಮಿತಿಗಳನ್ನು ವಿವರಿಸಲು ಉದ್ದೇಶಿಸಿದ್ದೇವೆ, ಸರಿಯಾಗಿ ಬಳಸಿದಾಗ ಮತ್ತು ಸರಿಯಾಗಿ ಅರ್ಥೈಸಿಕೊಂಡಾಗಲೂ ಸಹ, ಮತ್ತು ಎರಡು ಇತ್ತೀಚೆಗೆ ವರದಿ ಮಾಡಿದ ಅಧ್ಯಯನಗಳನ್ನು ಉದಾಹರಣೆಗಳಾಗಿ ಬಳಸಿಕೊಂಡು ಅಧ್ಯಯನದ ಸಂಶೋಧನೆಗಳ ಪ್ರಾಯೋಗಿಕ ಪ್ರಸ್ತುತತೆಗೆ ಹೆಚ್ಚಿನ ಗಮನವನ್ನು ಸೆಳೆಯಲು ನಾವು ಉದ್ದೇಶಿಸಿದ್ದೇವೆ. ಪಿ-ಮೌಲ್ಯಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಲಾಗುತ್ತದೆ ಎಂದು ನಾವು ವಾದಿಸುತ್ತೇವೆ. ಒಂದು ಸಾಮಾನ್ಯ ತಪ್ಪು ಎಂದರೆ P < 0.05 ಎಂದರೆ ಶೂನ್ಯ ಸಿದ್ಧಾಂತವು ಸುಳ್ಳು, ಮತ್ತು P ≥0.05 ಎಂದರೆ ಶೂನ್ಯ ಸಿದ್ಧಾಂತವು ನಿಜ ಎಂದು ಹೇಳುವುದು. 0.05 ರ ಪಿ-ಮೌಲ್ಯದ ಸರಿಯಾದ ವ್ಯಾಖ್ಯಾನವೆಂದರೆ ಶೂನ್ಯ ಸಿದ್ಧಾಂತವು ನಿಜವಾಗಿದ್ದರೆ, ಇದೇ ರೀತಿಯ ಮಾದರಿಯಲ್ಲಿ ಅಧ್ಯಯನವನ್ನು ಪುನರಾವರ್ತಿಸುವಾಗ 5% ಬಾರಿ ಇದೇ ರೀತಿಯ ಅಥವಾ ಹೆಚ್ಚು ತೀವ್ರವಾದ ಫಲಿತಾಂಶವು ಸಂಭವಿಸುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, P- ಮೌಲ್ಯವು ಶೂನ್ಯ ಕಲ್ಪನೆ ನೀಡಿದ ಡೇಟಾದ ಸಂಭವನೀಯತೆಯ ಬಗ್ಗೆ ತಿಳಿಸುತ್ತದೆ ಮತ್ತು ಇತರ ಮಾರ್ಗಗಳಲ್ಲ. P- ಮೌಲ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಒಂದು ಸಂಭಾವ್ಯ ಪರ್ಯಾಯವೆಂದರೆ ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ (CI). ಇದು ಪರಿಣಾಮದ ಪ್ರಮಾಣ ಮತ್ತು ಅದರ ಅಂದಾಜು ಅಸ್ಪಷ್ಟತೆಯ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಆದರೆ, ಪಿ-ಮೌಲ್ಯಗಳನ್ನು ಬದಲಿಸಲು ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಫಲಿತಾಂಶಗಳ ತಪ್ಪಾದ ವ್ಯಾಖ್ಯಾನವನ್ನು ತಡೆಯಲು ಯಾವುದೇ ಮಾಂತ್ರಿಕ ಬುಲೆಟ್ ಇಲ್ಲ. ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಓದುಗರು ಒಂದೇ ರೀತಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಗಳು, ಪಿ-ಮೌಲ್ಯಗಳು ಮತ್ತು ಸಿಐಗಳ ಸರಿಯಾದ, ಸೂಕ್ಷ್ಮವಾದ ವ್ಯಾಖ್ಯಾನದೊಂದಿಗೆ ತಮ್ಮನ್ನು ಪರಿಚಯಿಸಿಕೊಳ್ಳಬೇಕು.

50ca90bc847694a7a2d9a291f0d903a15e408481

ನಾವು ಮಾನವ ಸನ್ನೆಗಳ ಗುರುತಿಸುವಿಕೆಗೆ ಸಾಮಾನ್ಯ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದು ಆಳವಾದ ವೀಡಿಯೊ, ಸಂಕ್ಷಿಪ್ತ ಭಂಗಿ ಮತ್ತು ಭಾಷಣದಂತಹ ಬಹು ಡೇಟಾ ವಿಧಾನಗಳನ್ನು ಆಧರಿಸಿದೆ. ನಮ್ಮ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಪ್ರತಿ ಸನ್ನೆಗಳು ದೊಡ್ಡ ಪ್ರಮಾಣದ ದೇಹ ಚಲನೆ ಮತ್ತು ಸ್ಥಳೀಯ ಸೂಕ್ಷ್ಮ ಚಲನೆಗಳಾದ ಕೈಗಳ ಜೋಡಣೆಗೆ ವಿಭಜನೆಯಾಗುತ್ತವೆ. ಬಹು ಪ್ರಮಾಣಗಳಲ್ಲಿ ಕಲಿಕೆಯ ಕಲ್ಪನೆಯನ್ನು ಕಾಲಾನುಕ್ರಮದ ಆಯಾಮಕ್ಕೂ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಅಂದರೆ ಒಂದು ಸನ್ನಿವೇಶವನ್ನು ವಿಶಿಷ್ಟ ಚಲನೆಯ ಪ್ರಚೋದನೆಗಳ ಒಂದು ಗುಂಪು ಅಥವಾ ಕ್ರಿಯಾತ್ಮಕ ಭಂಗಿಗಳೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ವಿಧಾನವನ್ನು ಮೊದಲು ಪ್ರತ್ಯೇಕವಾಗಿ ಸಣ್ಣ ಪ್ರಾದೇಶಿಕ-ಸಮಯದ ಬ್ಲಾಕ್ಗಳಲ್ಲಿ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಪ್ರತ್ಯೇಕ ಡೇಟಾ-ನಿರ್ದಿಷ್ಟ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕೈಯಾರೆ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ ಅಥವಾ ಕಲಿಯಲಾಗುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ನಾವು ಪುನರಾವರ್ತಿತ ನರ ಜಾಲವನ್ನು ಬಳಸುತ್ತೇವೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ತಾತ್ಕಾಲಿಕ ಅವಲಂಬನೆಗಳ ಮಾದರಿ, ಡೇಟಾ ಸಮ್ಮಿಳನ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಗೆಸ್ಚರ್ ವರ್ಗೀಕರಣ. ಬಹು ಮಾದರಿ ಗೆಸ್ಚರ್ ರೆಕಗ್ನಿಷನ್ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿನ 2013 ರ ಸವಾಲಿನ ನಮ್ಮ ಪ್ರಯೋಗಗಳು ಹಲವಾರು ಪ್ರಾದೇಶಿಕ ಮತ್ತು ಸಮಯದ ಪ್ರಮಾಣಗಳಲ್ಲಿ ಬಹು ವಿಧಾನಗಳನ್ನು ಬಳಸುವುದರಿಂದ ಕಾರ್ಯಕ್ಷಮತೆಯು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ, ಇದು ಪ್ರತ್ಯೇಕ ವರ್ಗೀಕರಣಕಾರರ ದೋಷಗಳನ್ನು ಮತ್ತು ಪ್ರತ್ಯೇಕ ಚಾನಲ್ಗಳಲ್ಲಿನ ಶಬ್ದವನ್ನು ಸರಿದೂಗಿಸಲು ಮಾದರಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6

ಸಣ್ಣ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಅಸ್ಪಷ್ಟತೆಗಳಿಗೆ ಸ್ಥಿರವಾಗಿರುವ ವಿರಳ ವೈಶಿಷ್ಟ್ಯ ಪತ್ತೆಕಾರಕಗಳ ಶ್ರೇಣಿಯನ್ನು ಕಲಿಯಲು ನಾವು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಪರಿಣಾಮವಾಗಿ ಬರುವ ಫೀಚರ್ ಎಕ್ಸ್ಟ್ರಾಕ್ಟರ್ ಅನೇಕ ಕನ್ವೋಲೇಶನ್ ಫಿಲ್ಟರ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ನಂತರ ಫೀಚರ್-ಪೂಲಿಂಗ್ ಲೇಯರ್ ಇರುತ್ತದೆ, ಅದು ಪಕ್ಕದ ವಿಂಡೋಗಳಲ್ಲಿ ಪ್ರತಿ ಫಿಲ್ಟರ್ ಔಟ್ಪುಟ್ನ ಗರಿಷ್ಠವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ ಮತ್ತು ಪಾಯಿಂಟ್-ವೈಸ್ ಸಿಗ್ಮೋಯ್ಡ್ ರೇಖಾತ್ಮಕವಲ್ಲದ. ಮೊದಲ ಹಂತದಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ಯಾಚ್ಗಳಲ್ಲಿ ಅದೇ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡುವ ಮೂಲಕ ದೊಡ್ಡ ಮತ್ತು ಹೆಚ್ಚು ಬದಲಾಗದ ವೈಶಿಷ್ಟ್ಯಗಳ ಎರಡನೇ ಹಂತವನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ಈ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೇಲೆ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿದ ವರ್ಗೀಕರಣಕಾರರಿಗೆ ತರಬೇತಿ ನೀಡುವುದು MNIST ನಲ್ಲಿ 0.64% ದೋಷವನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಕ್ಯಾಲ್ಟೆಕ್ 101 ನಲ್ಲಿ ಪ್ರತಿ ವರ್ಗಕ್ಕೆ 30 ತರಬೇತಿ ಮಾದರಿಗಳೊಂದಿಗೆ 54% ಸರಾಸರಿ ಗುರುತಿಸುವಿಕೆಯ ದರವನ್ನು ನೀಡುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ ಬರುವ ವಾಸ್ತುಶಿಲ್ಪವು ಕನ್ವೋಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಹೋಲುತ್ತದೆ, ಆದರೆ ಪದರ-ಬುದ್ಧಿವಂತ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ತರಬೇತಿ ಕಾರ್ಯವಿಧಾನವು ಸಂಪೂರ್ಣವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾದ ಕಲಿಕೆಯ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಪೀಡಿಸುವ ಅತಿಯಾದ-ಪ್ಯಾರಾಮೀಟರೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ನಿವಾರಿಸುತ್ತದೆ ಮತ್ತು ಕೆಲವೇ ಲೇಬಲ್ ಮಾಡಿದ ತರಬೇತಿ ಮಾದರಿಗಳೊಂದಿಗೆ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ.

80bcfbb1a30149e636ff1a08aeb715dad6dd9285

0.15μm GaN HEMT ಪ್ರಕ್ರಿಯೆ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡು ಉನ್ನತ ದಕ್ಷತೆಯ Ka-ಬ್ಯಾಂಡ್ ಪವರ್ ಆಂಪ್ಲಿಫಯರ್ MMIC ಗಳ ವಿನ್ಯಾಸ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಮೂರು ಹಂತದ ಸಮತೋಲಿತ ವರ್ಧಕಕ್ಕಾಗಿ ಅಳತೆ ಮಾಡಲಾದ ಇನ್-ಫಿಕ್ಚರ್ ನಿರಂತರ ತರಂಗ (ಸಿಡಬ್ಲ್ಯೂ) ಫಲಿತಾಂಶಗಳು 11W ವರೆಗಿನ output ಟ್ಪುಟ್ ಶಕ್ತಿಯನ್ನು ಮತ್ತು 30GHz ನಲ್ಲಿ 30% ವಿದ್ಯುತ್ ವರ್ಧಿತ ದಕ್ಷತೆಯನ್ನು (ಪಿಎಇ) ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಮೂರು ಹಂತದ ಏಕ-ಅಂತ್ಯದ ವಿನ್ಯಾಸವು 6W ಗಿಂತ ಹೆಚ್ಚಿನ ಔಟ್ಪುಟ್ ಪವರ್ ಮತ್ತು 34% PAE ವರೆಗೆ ಉತ್ಪಾದಿಸಿತು. ಸಮತೋಲಿತ ಮತ್ತು ಏಕ-ಅಂತ್ಯದ MMIC ಗಳ ಡೈ ಗಾತ್ರಗಳು ಕ್ರಮವಾಗಿ 3.24 × 3.60mm2 ಮತ್ತು 1.74 × 3.24mm2 ಆಗಿದೆ.

284de726e700a6c52f9f8fb9f3de4d4b0ff778bb

ಪುನರಾವರ್ತಿತ ನರಮಂಡಲಗಳು (ಆರ್ಎನ್ಎನ್ಗಳು) ಭಾಷಣ ಗುರುತಿಸುವಿಕೆಗೆ ನೈಸರ್ಗಿಕವಾಗಿ ಸೂಕ್ತವಾಗಿವೆ ಏಕೆಂದರೆ ಅವುಗಳು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಬದಲಾಗುವ ತಾತ್ಕಾಲಿಕ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿವೆ. ಆಳವಾದ ಆರ್ಎನ್ಎನ್ಗಳು ವಿಭಿನ್ನ ಸಮಯ ಕಣವಿಜ್ಞಾನಗಳಲ್ಲಿ ತಾತ್ಕಾಲಿಕ ಸಂಬಂಧಗಳನ್ನು ರೂಪಿಸಲು ಸಮರ್ಥವಾಗಿವೆ ಎಂದು ವಾದಿಸಲಾಗಿದೆ, ಆದರೆ ಕಣ್ಮರೆಯಾಗುವ ಗ್ರೇಡಿಯಂಟ್ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸುತ್ತವೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಈ ಸಮಸ್ಯೆಯನ್ನು ನಿವಾರಿಸಲು, ಕೇವಲ ಸಮಯದ ಆಯಾಮದ ಜೊತೆಗೆ, ಆಳದ ಆಯಾಮದ ಉದ್ದಕ್ಕೂ ಲೆಕ್ಕಾಚಾರವನ್ನು ರೂಪಿಸುವ ಗ್ರಿಡ್ LSTM ಬ್ಲಾಕ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ಟ್ಯಾಕ್ಡ್ ಲಾಂಗ್ ಶಾರ್ಟ್ ಟರ್ಮ್ ಮೆಮೊರಿ (LSTM) RNNs ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತೇವೆ. ಇದಲ್ಲದೆ, ಆಳದ ಆಯಾಮವನ್ನು ಹೆಚ್ಚು ನವೀಕೃತ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಲು ನಾವು ಸಮಯದ ಆಯಾಮಕ್ಕಿಂತ ಆಳದ ಆಯಾಮಕ್ಕೆ ಆದ್ಯತೆ ನೀಡುತ್ತೇವೆ, ಏಕೆಂದರೆ ಅದರಿಂದ ಹೊರಬರುವ ಮಾಹಿತಿಯನ್ನು ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ನಾವು ಈ ಮಾದರಿಯನ್ನು ಆದ್ಯತೆಯ ಗ್ರಿಡ್ ಎಲ್ ಎಸ್ ಟಿಎಂ (ಪಿಜಿಎಲ್ ಎಸ್ ಟಿಎಂ) ಎಂದು ಕರೆಯುತ್ತೇವೆ. ನಾಲ್ಕು ದೊಡ್ಡ ದತ್ತಾಂಶಗಳ ಮೇಲೆ (ಎಎಂಐ, ಎಚ್ಕೆಯುಎಸ್ಟಿ, ಗೇಲ್ ಮತ್ತು ಎಂಜಿಬಿ) ನಡೆಸಿದ ವ್ಯಾಪಕ ಪ್ರಯೋಗಗಳು ಪಿಜಿಎಲ್ಎಸ್ ಟಿಎಂ ಪರ್ಯಾಯ ಆಳವಾದ ಎಲ್ಎಸ್ ಟಿಎಂ ಮಾದರಿಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ, 4% ರಿಂದ 7% ನಷ್ಟು ಸಾಪೇಕ್ಷ ಸುಧಾರಣೆಯೊಂದಿಗೆ ಜೋಡಿಸಲಾದ ಎಲ್ಎಸ್ ಟಿಎಂಗಳನ್ನು ಸೋಲಿಸುತ್ತದೆ ಮತ್ತು ಎಲ್ಲಾ ದತ್ತಾಂಶಗಳ ಮೇಲೆ ಏಕ-ದಿಕ್ಕಿನ ಮಾದರಿಗಳಲ್ಲಿ ಹೊಸ ಮಾನದಂಡಗಳನ್ನು ಸಾಧಿಸುತ್ತದೆ.