Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_mr

_id stringlengths 40 40	text stringlengths 0 9.56k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	पदानुक्रमित पिटमन-योर प्रक्रिया प्राधान्ये भाषा मॉडेल शिकण्यासाठी आकर्षक पद्धती आहेत, ज्यात पॉईंट-अंदाज आधारित पद्धती आहेत. तथापि, हे मॉडेल संगणकीय आणि सांख्यिकीय अनुमान समस्यांमुळे लोकप्रिय नाहीत, जसे की मेमरी आणि वेळ वापर, तसेच सॅम्पलरचे खराब मिश्रण. या कामात आम्ही एक नवीन फ्रेमवर्क प्रस्तावित करतो जे संकुचित प्रत्यय झाडे वापरून एचपीवायपी मॉडेलचे कॉम्पॅक्ट प्रतिनिधित्व करते. मग, आम्ही या फ्रेमवर्कमध्ये एक कार्यक्षम अंदाजे अनुमान योजना विकसित करतो ज्यात पूर्ण एचपीवायपीच्या तुलनेत खूप कमी मेमरी पदचिन्ह आहे आणि अनुमान वेळेत वेगवान आहे. प्रयोगात्मक परिणामांनी हे स्पष्ट केले आहे की आमचे मॉडेल मागील एचपीवायपी मॉडेलच्या तुलनेत लक्षणीय मोठ्या डेटासेटवर तयार केले जाऊ शकते, तर प्रशिक्षण आणि निष्कर्षासाठी वेगवान, वेगवान आणि वेगवान आहे. अत्याधुनिक सुधारित केनेसर-नेय गणना आधारित एलएम सरळतेवर 15%.
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	या लेखात, वास्तविक जगाच्या परिस्थितीचे वर्णन करणारे घटना आणि सिमेंटिक भूमिका यांचे एक नवीन भाषिक स्त्रोत वर्णन केले आहे. कथा योजनांमध्ये संबंधित घटनांचा संच (संपादन आणि प्रकाशित), घटनांची काळाची क्रमवारी (प्रकाशित करण्यापूर्वी संपादित करा) आणि सहभागींची सिमेंटिक भूमिका (लेखक पुस्तके प्रकाशित करतात) समाविष्ट आहेत. या प्रकारचे जागतिक ज्ञान नैसर्गिक भाषेच्या समजुतीच्या सुरुवातीच्या संशोधनासाठी केंद्रस्थानी होते. जगातील घटनांच्या सामान्य अनुक्रमाचे प्रतिनिधित्व करणारी स्क्रिप्ट ही मुख्य औपचारिकता होती. दुर्दैवाने, हे ज्ञान हातातून कोड केले गेले होते आणि ते तयार करण्यासाठी वेळ लागला. सध्याच्या मशीन लर्निंग तंत्रज्ञानामुळे तसेच कोररेफरन्स चेनच्या माध्यमातून शिकण्याच्या नवीन पद्धतीमुळे आपल्याला मुक्त डोमेन मजकूरातून कथा योजनांच्या स्वरूपात स्वयंचलितपणे समृद्ध घटना रचना काढण्याची परवानगी मिळाली आहे. या पेपरमध्ये वर्णन केलेल्या कथा स्कीमा संसाधनात अंदाजे 5000 अद्वितीय घटना आहेत ज्या वेगवेगळ्या आकाराच्या स्कीमामध्ये एकत्रित केल्या आहेत. आम्ही संसाधनाचे वर्णन करतो, ते कसे शिकले जाते आणि या योजनांच्या कव्हरेजचे नवीन मूल्यांकन अदृश्य दस्तऐवजांवर केले जाते.
8e508720cdb495b7821bf6e43c740eeb5f3a444a	भाषण, रोबोटिक्स, वित्त आणि जीवशास्त्रातील अनेक अनुप्रयोग अनुक्रमांकित डेटाशी संबंधित आहेत, जिथे ऑर्डर करणारी वस्तू आणि पुनरावृत्ती संरचना सामान्य आहेत. तथापि, ही रचना मानक कर्नल फंक्शन्सद्वारे सहजपणे कॅप्चर केली जाऊ शकत नाही. अशा रचनांचे मॉडेलिंग करण्यासाठी, आम्ही गॉसियन प्रक्रियेसाठी अभिव्यक्तीपूर्ण बंद-रूप कर्नल फंक्शन्सचा प्रस्ताव ठेवतो. परिणामी मॉडेल, जीपी-एलएसटीएम, गॉसीयन प्रक्रियेचे नॉन-पॅरामेट्रिक संभाव्य फायदे राखून ठेवून दीर्घकालीन स्मृती (एलएसटीएम) पुनरावृत्ती नेटवर्कचे अनुप्रेरक पूर्वग्रह पूर्णपणे समाविष्ट करते. आम्ही प्रस्तावित कर्नलची गुणधर्म शिकतो गॉसियन प्रक्रियेची सीमांत संभाव्यता अनुकूलित करून नवीन सिद्धपणे अभिसरण अर्ध-स्टोकास्टिक ग्रेडियंट प्रक्रिया वापरून आणि स्केलेबल प्रशिक्षण आणि अंदाज लावण्यासाठी या कर्नलची रचना शोधा. या पद्धतीने बेयझियन एलएसटीएमचे व्यावहारिक प्रतिनिधित्व केले जाते. आम्ही अनेक बेंचमार्कवर अत्याधुनिक कामगिरी दाखवतो आणि त्यानंतरच्या स्वायत्त ड्रायव्हिंग अनुप्रयोगाची सखोल चौकशी करतो, जिथे जीपी-एलएसटीएमद्वारे प्रदान केलेली भविष्यवाणीची अनिश्चितता अद्वितीय मूल्यवान आहे.
033b62167e7358c429738092109311af696e9137	या पेपरमध्ये पुनरावलोकनांना शिफारस केलेले (थंब अप) किंवा शिफारस केलेले नाही (थंब डाउन) म्हणून वर्गीकृत करण्यासाठी एक सोपा अनसुप्रिव्हिएटेड लर्निंग अल्गोरिदम सादर केला आहे. पुनरावलोकनाचे वर्गीकरण पुनरावलोकनातील वाक्ये ज्यात विशेषण किंवा adverbs असतात त्या सरासरी सिमेंटिक अभिमुखतेद्वारे अंदाज केला जातो. एखाद्या वाक्याला सकारात्मक अर्थपूर्ण अभिमुखता असते जेव्हा त्यात चांगले संबंध असतात (उदाहरणार्थ, सूक्ष्म सूक्ष्म ) आणि नकारात्मक अर्थपूर्ण अभिमुखता असते जेव्हा त्यात वाईट संबंध असतात (उदाहरणार्थ, खूप कॅव्हॅलियर). या लेखात, एखाद्या वाक्याची सिमेंटिक अभिमुखता ही दिलेल्या वाक्याची आणि उत्कृष्ट शब्दाची परस्पर माहिती वजा करून दिलेल्या वाक्याची आणि गरीब शब्दाची परस्पर माहिती म्हणून गणना केली जाते. जर एखाद्या वाक्याची सरासरी सिमेंटिक ओरिएंटेशन सकारात्मक असेल तर पुनरावलोकन शिफारस म्हणून वर्गीकृत केले जाते. चार वेगवेगळ्या डोमेन (ऑटोमोबाईल, बँका, चित्रपट आणि प्रवास स्थळांचे पुनरावलोकन) पासून नमुने घेतलेल्या एपिनिओन्सच्या 410 पुनरावलोकनांवर मूल्यांकन केल्यावर अल्गोरिदम 74% ची सरासरी अचूकता प्राप्त करतो. कारच्या पुनरावलोकनासाठी 84% ते चित्रपटाच्या पुनरावलोकनासाठी 66% पर्यंत अचूकता असते.
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	इंटिग्रेटेड सर्किट (आयसी) डिझाईनमध्ये इंटरकनेक्ट विश्वसनीयतेसाठी पुढे जाणाऱ्या प्रमुख समस्यांपैकी एक म्हणजे इलेक्ट्रोमिग्रेशन (ईएम). जरी एनालॉग डिझाइनर्सला काही काळापासून ईएम समस्येची जाणीव असली तरी डिजिटल सर्किटही आता प्रभावित होत आहेत. या व्याख्यानात मूलभूत डिझाईन समस्या आणि इंटरकनेक्ट फिजिकल डिझाईन दरम्यान इलेक्ट्रोमिग्रेशनवर त्यांचे परिणाम यावर चर्चा केली जाईल. विद्युतप्रवासाला प्रतिबंध करणाऱ्या उपाययोजना जसे की शॉर्ट-लेंथ आणि रिझर्व्हर इफेक्ट्सचा अवलंब करून इंटरकनेक्टमध्ये चालू घनतेची मर्यादा वाढवण्याचा हेतू आहे. या प्रभावांचा वापर करून लेआउटच्या टप्प्यातून भविष्यात आयसी डिझाईन प्रवाहामध्ये ईएमच्या समस्यांना आंशिक आराम मिळू शकतो.
45e2e2a327ea696411b212492b053fd328963cc3	पार्श्वभूमी आरोग्य सुधारण्यासाठी आणि तीव्र आजारांना कमी करण्यासाठी सार्वजनिक आरोग्यामध्ये जीवनशैली हस्तक्षेप म्हणून मोबाईल अॅप्सची सेवा देण्याचे आश्वासन दिले जाते, परंतु तीव्र आजारांनी ग्रस्त व्यक्ती मोबाईल अॅप्सचा कसा वापर करतात किंवा ते कसे पाहतात याबद्दल फारच कमी माहिती आहे. या अभ्यासाचे उद्दीष्ट म्हणजे दीर्घकालीन आजार असलेल्या लोकांमध्ये आरोग्यासाठी मोबाइल फोनवर आधारित अॅप्सबद्दल वर्तन आणि समज शोधणे. पद्धती अमेरिकेतील 1604 मोबाईल फोन वापरकर्त्यांच्या राष्ट्रीय क्रॉस-सेक्शनल सर्वेक्षणामधून डेटा गोळा करण्यात आला ज्यामध्ये एमहेल्थ वापर, विश्वास आणि प्राधान्ये यांचे मूल्यांकन केले गेले. या अभ्यासात आरोग्य अॅप वापर, डाउनलोड करण्याचे कारण आणि तीव्र स्थितीनुसार समजलेली कार्यक्षमता यांचा अभ्यास करण्यात आला. परिणाम सहभागींमध्ये, 38.9% (314/807) प्रतिसादकर्त्यांनी आणि उच्च रक्तदाबाच्या 6.6% (24/364) प्रतिसादकर्त्यांनी 1 ते 5 अॅप्स असल्याची नोंद केली. आरोग्य अॅप्सचा वापर दररोज 2 किंवा त्यापेक्षा जास्त वेळा 21.3% (172/807) प्रतिसादकर्त्यांनी नोंदवले, 2.7% (10/364) उच्च रक्तदाबासह, 13.1% (26/198) लठ्ठपणासह, 12.3% (20/163) मधुमेह, 12.0% (32/267) नैराश्य आणि 16.6% (53/319) उच्च कोलेस्ट्रॉलसह. लॉजिस्टिक रेग्रेशनच्या परिणामांमध्ये दीर्घकालीन आजार असलेल्या आणि नसलेल्या व्यक्तींमध्ये आरोग्य अॅप डाउनलोडमध्ये महत्त्वपूर्ण फरक असल्याचे दर्शविले गेले नाही (पी>.05). आरोग्यविषयक अॅप डाउनलोड करण्याची शक्यता कमी आरोग्य असलेल्या व्यक्तींच्या तुलनेत, स्वतःहून खूप चांगले आरोग्य (असमानता प्रमाण [OR] 3.80, 95% आयसी 2.38-6.09, पी <.001) आणि उत्कृष्ट आरोग्य (OR 4.77, 95% आयसी 2.70-8.42, पी <.001) असलेल्या लोकांमध्ये अधिक होती. त्याचप्रमाणे, जे व्यक्ती कधीही किंवा क्वचितच शारीरिक हालचाली करत असल्याचे सांगतात त्यांच्या तुलनेत, आठवड्यातून 1 दिवस व्यायाम (OR 2. 47, 95% CI 1. 6- 3. 83, P<. 001), आठवड्यातून 2 दिवस (OR 4. 77, 95% CI 3. 27- 6. 94, P<. 001), आठवड्यातून 3 ते 4 दिवस (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001) आणि आठवड्यातून 5 ते 7 दिवस (OR 4. 64, 95% CI 3. 11- 6. 92, P<. 001) व्यायाम करणाऱ्यांमध्ये हेल्थ अॅप डाउनलोड होण्याची शक्यता जास्त होती. सर्व लॉजिस्टिक रिग्रेशनचे निकाल वय, लिंग आणि वंश किंवा जातीयतेसाठी नियंत्रित केले जातात. निष्कर्ष या अभ्यासातील निष्कर्ष असे दर्शवतात की ज्या व्यक्तींनी स्वतः ची अहवाल दिली आहे ते खराब आरोग्य आणि कमी शारीरिक क्रियाकलाप आहेत, ज्यांना आरोग्य अॅप्सचा सर्वात जास्त फायदा होईल, त्यांनी हे आरोग्य साधने डाउनलोड करण्याची आणि वापरण्याची शक्यता कमी नोंदवली.
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	मध्यम-भिन्नता पोर्टफोलिओ विश्लेषणाने नफा आणि जोखीम यांच्यातील तडजोडीचा पहिला संख्यात्मक उपचार प्रदान केला. आम्ही अर्ध-भिन्नता मॉडेलसह अनेक एकल-काळातील प्रकारांमध्ये उद्दीष्ट आणि निर्बंधांमधील परस्परसंवादाचे तपशीलवार वर्णन करतो. अतिप्रदर्शन करणाऱ्यांना दंड आकारण्यापासून परावृत्त करण्यावर विशेष भर दिला जातो. परिणामांचा उपयोग नंतर सिरीयल ट्रीवर आधारित मल्टीपीरियड मॉडेलच्या विकास आणि सैद्धांतिक विश्लेषणासाठी बिल्डिंग ब्लॉक्स म्हणून केला जातो. एक महत्त्वाचा गुणधर्म म्हणजे भविष्यातील निर्णयांमध्ये अतिरिक्त पैसे काढण्याची शक्यता, अंदाजे डाउनसाइड जोखीम कमी करणे.
0e1431fa42d76c44911b07078610d4b9254bd4ce	मुख्य घटकांचे विश्लेषण करण्यासाठी एक नवीन पद्धत प्रस्तावित केली आहे. एकात्मिक ऑपरेटर कर्नल फंक्शन्सचा वापर करून, एखादा उच्च-आयामी वैशिष्ट्यीकृत जागेतील मुख्य घटकांची कार्यक्षमतेने गणना करू शकतो, काही नॉनलाइनर नकाशाद्वारे इनपुट स्पेसशी संबंधित, उदाहरणार्थ, 16 16 प्रतिमांमध्ये सर्व संभाव्य पाच-पिक्सेल उत्पादनांची जागा. आम्ही पद्धतीचे व्युत्पन्न करतो आणि नमुना ओळखण्यासाठी बहुपद वैशिष्ट्य काढणीवरील प्रयोगात्मक परिणाम सादर करतो.
292eee24017356768f1f50b72701ea636dba7982	आम्ही 3 डी बिंदू ढगात स्वयंचलित ऑब्जेक्ट स्थानिकीकरण आणि ओळखण्याची एक पद्धत सादर करतो जी बाह्य शहरी दृश्यांचे प्रतिनिधित्व करते. ही पद्धत अंतर्निहित आकार मॉडेल (आयएसएम) फ्रेमवर्कवर आधारित आहे, जी त्यांच्या मध्यस्थ स्थानासाठी मतदान करून वस्तू ओळखते. यामध्ये प्रत्येक वर्गात केवळ काही प्रशिक्षण उदाहरणांची आवश्यकता असते, जे व्यावहारिक वापरासाठी एक महत्त्वाचे गुणधर्म आहे. आम्ही स्पिन इमेज डिस्क्रिप्टरची सुधारित आवृत्ती देखील सादर करतो आणि त्याचे मूल्यांकन करतो, सामान्य दिशेच्या अंदाजानुसार पॉईंट डेन्सिटी व्हेरिएशन आणि अनिश्चितता अधिक मजबूत आहे. आमच्या प्रयोगांमधून हे दिसून आले आहे की, या बदलांचा ओळखण्याच्या कामगिरीवर मोठा परिणाम होतो. आम्ही आमच्या परिणामांची तुलना अत्याधुनिक पद्धतीशी करतो आणि ओहायो डेटासेटवर अचूकता आणि आठवणी दोन्हीमध्ये लक्षणीय सुधारणा मिळतो, ज्यात एकूण 150,000 मीटर शहरी क्षेत्राच्या एकत्रित हवाई आणि जमिनीवरील लीडर स्कॅनचा समावेश आहे.
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	दळणवळण आणि नियंत्रणातील सैद्धांतिक आणि व्यावहारिक समस्यांची एक महत्त्वाची श्रेणी सांख्यिकीय स्वरूपाची आहे. अशा समस्या म्हणजे: (i) यादृच्छिक सिग्नलचा अंदाज; (ii) यादृच्छिक सिग्नलला यादृच्छिक आवाजापासून वेगळे करणे; (iii) यादृच्छिक आवाजाच्या उपस्थितीत ज्ञात स्वरूपाचे सिग्नल (पल्सेस, सिनसॉइड्स) शोधणे. आपल्या अग्रगण्य कामात, विनेर [1]3 यांनी दाखवून दिले की समस्या (i) आणि (ii) तथाकथित विनेर-हॉफ इंटिग्रल समीकरणाकडे नेतात; त्यांनी स्थिर आकडेवारी आणि तर्कसंगत स्पेक्ट्राच्या व्यावहारिकदृष्ट्या महत्त्वपूर्ण विशेष प्रकरणात या इंटिग्रल समीकरणाच्या समाधानासाठी एक पद्धत (स्पेक्ट्रल फॅक्टरायझेशन) देखील दिली. अनेक विस्तार आणि सामान्यीकरण विनेरच्या मूलभूत कार्याचे अनुसरण करतात. झाडे आणि रागाझिनी यांनी मर्यादित-स्मृती प्रकरण सोडवले. बोडे आणि शॅनन [3] च्या समकालीन आणि स्वतंत्रपणे त्यांनी सोप्या पद्धतीने [२] समाधान दिले. बूटन यांनी नॉनस्टेशनरी विनेर-हॉफ समीकरणाबद्दल चर्चा केली. हे परिणाम आता मानक मजकूरांमध्ये आहेत [5-6]. या मुख्य मार्गांवर काहीसे वेगळे दृष्टिकोन अलीकडेच डार्लिंग्टन [7] यांनी दिले आहे. नमुना सिग्नलच्या विस्तारासाठी, उदा. फ्रँकलिन [8], लीस [9]. वायनेरहॉफ समीकरणाच्या स्वतः च्या फंक्शन्सवर आधारित आणखी एक दृष्टिकोन (जे नॉनस्टेशनरी समस्यांवर देखील लागू होते तर मागील पद्धती सामान्यतः नाहीत), डेव्हिस [10] यांनी प्रारंभी वापरले गेले आहे आणि इतर बर्याच जणांनी लागू केले आहे, उदा. शिन्ब्रोट [11], ब्लूम [12], पुगाचेव्ह [13], सोलोडोव्नीकोव्ह [14]. या सर्व कामांमध्ये, हेतू एक रेषेचा डायनॅमिक सिस्टम (विएनर फिल्टर) ची वैशिष्ट्य प्राप्त करणे आहे जे यादृच्छिक सिग्नलची भविष्यवाणी, वेगळे करणे किंवा शोधणे पूर्ण करते. 2 7212 बेलोना एव्हे. 3 कंसात दिलेली संख्या कागदाच्या शेवटी संदर्भ दर्शवते. अर्थात, सर्वसाधारणपणे ही कामे नॉन-लाइनर फिल्टरद्वारे अधिक चांगल्या प्रकारे केली जाऊ शकतात. पण सध्या या नॉन-लाइनर फिल्टर्सच्या निर्मितीबद्दल थोडीशी माहिती आहे. यंत्र आणि नियामक विभागाकडून योगदान दिले गेले आणि द अमेरिकन सोसायटी ऑफ मेकॅनिकल इंजिनिअर्सच्या यंत्र आणि नियामक परिषदेत मार्च २९- एप्रिल १२, १९५९ मध्ये सादर केले गेले. टीपः लेखात मांडलेले वक्तव्य आणि मते लेखकांची वैयक्तिक अभिव्यक्ती म्हणून समजली पाहिजेत सोसायटीची नाहीत. 24 फेब्रुवारी 1959 रोजी एएसएमई मुख्यालयात प्राप्त झालेली हस्तलिखित. कागद क्र. ५९-आयआरडी-११. रेषेचा फिल्टरिंग आणि भविष्यवाणी समस्यांसाठी एक नवीन दृष्टीकोन
e50a316f97c9a405aa000d883a633bd5707f1a34	गेल्या 20 वर्षांत जमा झालेले प्रयोगात्मक पुरावे दर्शवतात की योग्य प्रकारे वजन असलेल्या एकल अटींच्या असाइनमेंटवर आधारित मजकूर अनुक्रमणिका प्रणाली पुनर्प्राप्ती परिणाम तयार करतात जे इतर अधिक विस्तृत मजकूर प्रतिनिधित्वाने मिळू शकतात. या परिणामांवर प्रभावी टर्मवेटिंग सिस्टिमची निवड अवलंबून असते. या लेखात स्वयंचलित टर्म वेटिंगमध्ये मिळवलेल्या अंतर्दृष्टीचा सारांश दिला आहे आणि बेसलाइन सिंगल-टर्म-इंडेक्सिंग मॉडेल प्रदान केले आहेत ज्याशी इतर अधिक विस्तृत सामग्री विश्लेषण प्रक्रियेची तुलना केली जाऊ शकते. १. १९५० च्या दशकाच्या उत्तरार्धात लुहान यांनी प्रथम सुचवले की, संग्रहित मजकूराशी आणि वापरकर्त्यांच्या माहितीच्या क्वेरीशी जोडलेल्या सामग्री अभिज्ञापकांच्या तुलनेवर आधारित स्वयंचलित मजकूर पुनर्प्राप्ती प्रणाली तयार केल्या जाऊ शकतात. कागदपत्रे आणि क्वेरीच्या मजकूरातून काढलेले काही शब्द सामग्री ओळखण्यासाठी वापरले जातात; वैकल्पिकरित्या, सामग्रीचे प्रतिनिधित्व प्रशिक्षित अनुक्रमणिकाकारांद्वारे विचारात घेतलेल्या विषयांच्या क्षेत्राशी आणि दस्तऐवज संग्रहातील सामग्रीशी परिचित असलेल्या व्यक्तिंद्वारे निवडले जाऊ शकते. दोन्ही प्रकरणांमध्ये, दस्तऐवज D= (ti,tj,...ytp) (1) या फॉर्मच्या टर्म वेक्टरद्वारे दर्शविले जातील जेथे प्रत्येक tk काही नमुना दस्तऐवजाला नियुक्त केलेला सामग्री टर्म ओळखतो. त्याचप्रमाणे, माहिती विनंत्या किंवा क्वेरी, एकतर वेक्टर स्वरूपात किंवा बूलियन स्टेटमेंटच्या स्वरूपात दर्शविल्या जातील. अशा प्रकारे, एक सामान्य क्वेरी Q Q = (qa,qbr . . . (४) (२)
6ac15e819701cd0d077d8157711c4c402106722c	या तांत्रिक अहवालात टीम एमआयटीचा डीएआरपीए शहरी आव्हानाचा दृष्टिकोन वर्णन केला आहे. आम्ही वाहनाच्या परिघावर बसविलेल्या आणि नवीन क्रॉस-मोडल कॅलिब्रेशन तंत्रज्ञानाद्वारे कॅलिब्रेट केलेल्या अनेक स्वस्त सेन्सर वापरण्यासाठी एक नवीन धोरण विकसित केले आहे. Lidar, कॅमेरा आणि रडार डेटा प्रवाहावर एक नाविन्यपूर्ण, स्थानिक पातळीवर गुळगुळीत राज्य प्रतिनिधित्व वापरून प्रक्रिया केली जाते जी रिअल-टाइम स्वायत्त नियंत्रणासाठी मजबूत धारणा प्रदान करते. या मार्गावर वाहतुकीसाठी एक लवचिक नियोजन आणि नियंत्रण आर्किटेक्चर विकसित केले गेले आहे, ज्यामध्ये मिशन नियोजन, परिस्थिती नियोजन, परिस्थिती व्याख्या आणि ट्रॅजेक्टरी नियंत्रण यासाठी सिद्ध अल्गोरिदम यांचा एक अभिनव संयोजन आहे. या नवकल्पना शहरी वातावरणात स्वायत्त वाहन चालविण्यासाठी सुसज्ज दोन नवीन रोबोटिक वाहनांमध्ये समाविष्ट केल्या जात आहेत, ज्याची व्यापक चाचणी डीएआरपीए साइट भेटी कोर्समध्ये केली जात आहे. प्रायोगिक परिणामांमध्ये सर्व मूलभूत नेव्हिगेशन आणि काही मूलभूत वाहतूक वर्तन दर्शविले गेले आहे, ज्यात रिक्त स्वायत्त ड्रायव्हिंग, शुद्ध-अनुशंसा नियंत्रण आणि आमच्या स्थानिक फ्रेम धारणा धोरणाचा वापर करून लेन अनुसरण, किनो-डायनॅमिक आरटी मार्ग नियोजन, वळण आणि परिस्थितीतील इंटरप्रिटरचा वापर करून क्रॉसिंगवर इतर कारमध्ये प्राधान्य मूल्यांकन. या पद्धतींचा वापर प्रगत नेव्हिगेशन आणि वाहतूक परिस्थितीत करण्यासाठी आम्ही प्रयत्नशील आहोत. कार्यकारी सारांश हा तांत्रिक अहवाल टीम एमआयटीचा डीएआरपीए शहरी आव्हानाकडे पाहण्याचा दृष्टिकोन वर्णन करतो. आम्ही अनेक स्वस्त सेन्सर वापरण्याची एक नवीन रणनीती विकसित केली आहे, जी वाहनाच्या परिघावर बसविली जाते आणि एका नवीन क्रॉस-मोडल कॅलिब्रेशन तंत्रज्ञानासह कॅलिब्रेट केली जाते. लीडर, कॅमेरा आणि रडार डेटा प्रवाहावर नाविन्यपूर्ण, स्थानिक पातळीवर गुळगुळीत राज्य प्रतिनिधित्व वापरून प्रक्रिया केली जाते जी रिअल-टाइम स्वायत्त नियंत्रणासाठी मजबूत धारणा प्रदान करते. या मोहिमेसाठी प्रवासी नियोजन, परिस्थिती नियोजन, परिस्थिती व्याख्या आणि प्रवासाचे नियंत्रण यांसाठी प्रमाणीत अल्गोरिदम यांचा एक अभिनव संयोजन तयार करून वाहतुकीसाठी एक लवचिक नियोजन आणि नियंत्रण आर्किटेक्चर विकसित केले गेले आहे. या नवकल्पना शहरी वातावरणात स्वायत्त वाहन चालविण्यासाठी सुसज्ज दोन नवीन रोबोटिक वाहनांमध्ये समाविष्ट केल्या जात आहेत, ज्याची व्यापक चाचणी डीएआरपीए साइट भेटी कोर्समध्ये केली जात आहे. प्रायोगिक परिणामांमध्ये सर्व मूलभूत नेव्हिगेशन आणि काही मूलभूत वाहतूक वर्तन दर्शविले गेले आहे, ज्यात रिक्त स्वायत्त ड्रायव्हिंग, शुद्ध-अनुशंसा नियंत्रण आणि आमच्या स्थानिक फ्रेम धारणा धोरणाचा वापर करून लेन अनुसरण, किनो-डायनॅमिक आरआरटी मार्गाचे नियोजन, यू-टर्न आणि आमच्या परिस्थितीतील दुभाषेचा वापर करून क्रॉसिंगवर इतर कारमध्ये प्राधान्य मूल्यांकन. या पद्धतींचा वापर प्रगत नेव्हिगेशन आणि वाहतूक परिस्थितीत करण्यासाठी आम्ही प्रयत्नशील आहोत. अस्वीकरण: या कागदपत्रामध्ये असलेली माहिती संरक्षण प्रगत संशोधन प्रकल्प एजन्सी (डीएआरपीए) किंवा संरक्षण विभागाच्या अधिकृत धोरणांचे प्रतिनिधित्व करत नाही. या कागदपत्रामध्ये असलेल्या माहितीच्या अचूकतेची किंवा विश्वासार्हतेची गॅरंटी डार्पा देत नाही. अतिरिक्त समर्थन . . .
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	आम्ही स्थिर भौतिक लांबीचे विश्लेषण आणि डिझाइन सादर करतो, टेराहर्ट्झ वारंवारतेवर समायोज्य विलंबाने स्पूफ पृष्ठभाग प्लाझ्मन पोलरिटन आधारित वेव्हगाईड्स. तरंगमार्गची एकूण भौतिक लांबी न बदलता त्याच्या तरंगविभागाची खोली बदलून नाडीयुक्त प्लॅनर गॉबॉउ लाइन (सीपीजीएल) वापरून समायोज्य विलंब मिळवला जातो. आमच्या सिमुलेशनच्या परिणामांनुसार, 237.9°, 220.6° आणि 310.6° या विद्युत लांबी 250 μm आणि 200 μm या भौतिक लांबीने 0.25, 0.275, आणि 0.3 THz, अनुक्रमे, प्रात्यक्षिक हेतूंसाठी प्राप्त केल्या जाऊ शकतात. या अनुकरण परिणाम देखील भौतिक घटक आणि साहित्य गुणधर्म वापरून आमच्या विश्लेषणात्मक गणिते सुसंगत आहेत. जेव्हा आपण त्याच लांबीच्या विलंब रेषांच्या जोड्या एकत्र करतो जसे की ते टेराहर्ट्झ फेज शिफ्टरच्या दोन शाखा आहेत, तेव्हा आम्ही 5.8% पेक्षा जास्त संबंधित फेज शिफ्ट अंदाजातील त्रुटी दर प्राप्त केला. आमच्या माहितीनुसार, हे प्रथमच सरफेस प्लाझ्मन पोलॅरिटन आधारित सीपीजीएल विलंब रेषांचे समायोज्य स्पूफचे प्रदर्शन आहे. या कल्पनेचा उपयोग टेराहर्ट्झ बँड सर्किटसाठी निश्चित लांबी आणि फेज शिफ्टर्ससह ट्यून करण्यायोग्य विलंब रेषा मिळविण्यासाठी केला जाऊ शकतो.
325d145af5f38943e469da6369ab26883a3fd69e	ग्रेस्केल फोटो इनपुट म्हणून दिलेला, हा पेपर छायाचित्राच्या संभाव्य रंग आवृत्तीच्या भ्रमणाच्या समस्येवर हल्ला करतो. ही समस्या स्पष्टपणे कमी मर्यादित आहे, म्हणून मागील दृष्टिकोन एकतर महत्त्वपूर्ण वापरकर्ता परस्परसंवादावर अवलंबून आहेत किंवा परिणामी डिसॅच्युरेटेड कलरिझेशन झाले आहेत. आम्ही एक पूर्णपणे स्वयंचलित पद्धत सुचवितो जी सजीव आणि वास्तववादी रंग तयार करते. आम्ही या समस्येच्या मूळ अनिश्चिततेचा स्वीकार करून त्याला वर्गीकरण करण्याचे काम म्हणून मांडतो आणि परिणामी रंगांची विविधता वाढवण्यासाठी प्रशिक्षण वेळेत वर्ग-पुनर्-संतुलन वापरतो. या प्रणालीला चाचणीच्या वेळी सीएनएनमध्ये फीड-फॉरवर्ड पास म्हणून अंमलात आणले जाते आणि एक दशलक्षाहून अधिक रंगीत प्रतिमांवर प्रशिक्षण दिले जाते. आम्ही आमच्या अल्गोरिदमचे मूल्यांकन करतो एक रंगोचित ट्युरिंग चाचणी, मानवी सहभागींना व्युत्पन्न आणि ग्राउंड सत्य रंग प्रतिमेमध्ये निवडण्यास सांगत आहे. आमची पद्धत ३२% चाचण्यांमध्ये मानवांना फसवण्यात यशस्वी ठरते, ही मागील पद्धतींपेक्षा लक्षणीयरीत्या जास्त आहे. याव्यतिरिक्त, आम्ही दर्शवितो की रंगविणणे हे स्व-पर्यवेक्षित वैशिष्ट्य शिकण्यासाठी एक शक्तिशाली निमित्त असू शकते, क्रॉस-चॅनेल एन्कोडर म्हणून कार्य करते. या दृष्टिकोनामुळे अनेक वैशिष्ट्यांच्या शिक्षणाच्या निकषांवरील अत्याधुनिक कामगिरी होते.
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	पहिल्यांदाच, 10 GHz पेक्षा जास्त अंतरावर एक लवचिक, सेंद्रिय सब्सट्रेटवर रेडिओ फ्रिक्वेन्सी मायक्रोइलेक्ट्रोमेकॅनिकल सिस्टीम (आरएफ एमईएमएस) स्विचसह पूर्णपणे समाकलित केलेले फेज अॅरे अँटेना दर्शविले गेले आहे. कमी आवाज वर्धक (एलएनए), एमईएमएस फेज शिफ्टर, आणि 2 वेळा 2 पॅच अँटेना अॅरे एक लिक्विड क्रिस्टल पॉलिमर सब्सट्रेटवर सिस्टम-ऑन-पॅकेज (एसओपी) मध्ये समाकलित केले आहेत. दोन अँटेना अॅरेची तुलना केली जाते; एक सिंगल लेयर एसओपी वापरून अंमलात आणले जाते आणि दुसरे मल्टीलेयर एसओपीसह. दोन्ही अंमलबजावणी कमी नुकसान आणि 12 डिग्री बीम स्टीयरिंग सक्षम आहेत. डिझाईन वारंवारता १४ गीगाहर्ट्झ आहे आणि मोजलेल्या रिटर्न लॉस १२ डीबीपेक्षा जास्त आहे. एलएनएचा वापर केल्याने जास्त उर्जा पातळी मिळते. या अँटेना जवळजवळ कोणत्याही आकार, वारंवारता आणि आवश्यक कार्यक्षमतेस अनुकूल करण्यासाठी सानुकूलित केल्या जाऊ शकतात. या संशोधनामुळे सेंद्रिय एसओपी उपकरणांच्या अत्याधुनिकतेला चालना मिळते.
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	उच्च-व्होल्टेज रेट केलेले सॉलिड-स्टेट स्विच जसे की इन्सुलेटेड-गेट बायपोलर ट्रान्झिस्टर (आयजीबीटी) 6.5 केव्ही पर्यंत व्यावसायिकपणे उपलब्ध आहेत. अशा व्होल्टेज रेटिंग्स पल्स पॉवर आणि हाय-व्होल्टेज स्विच-मोड कन्व्हर्टर अनुप्रयोगांसाठी आकर्षक आहेत. तथापि, आयजीबीटी व्होल्टेज रेटिंग वाढत असताना, चालू वाढ आणि घट दर सामान्यतः कमी होतो. आयजीबीटीला एपिटॅक्सियल किंवा ड्रिफ्ट रीजन लेयरमध्ये कमी प्रतिकार राखणे आवश्यक असल्याने हा व्यापार टाळणे कठीण आहे. उच्च-व्होल्टेज रेट केलेल्या आयजीबीटीसाठी रिव्हर्स व्होल्टेजला समर्थन देण्यासाठी जाड ड्रिफ्ट क्षेत्रासह, आवश्यक उच्च वाहक सांद्रता चालू झाल्यावर इंजेक्ट केली जातात आणि बंद झाल्यावर काढली जातात, ज्यामुळे स्विचिंग गती कमी होते. वेगवान स्विचिंगसाठी एक पर्याय म्हणजे एकाधिक, कमी व्होल्टेज रेट केलेल्या आयजीबीटीची मालिका करणे. आयजीबीटी-स्टॅक प्रोटोटाइप सहा, 1200 व्ही रेट केलेल्या आयजीबीटीसह प्रयोगात्मकपणे चाचणी केली गेली आहे. सहा-मालिका आयजीबीटी स्टॅकमध्ये वैयक्तिक, ऑप्टिकल-अलगाव, गेट ड्रायव्हर्स आणि सक्तीचे हवा थंड करण्यासाठी अॅल्युमिनियम कूलिंग प्लेट्स असतात ज्यामुळे कॉम्पॅक्ट पॅकेज होते. प्रत्येक आयजीबीटी ट्रान्झिअर व्होल्टेज सप्लायरद्वारे संरक्षित आहे. सहा-मालिका आयजीबीटी स्टॅकचा चालू चालू वाढीचा वेळ आणि 6.5 केव्ही रेट केलेल्या आयजीबीटीचा प्रयोगात्मकपणे दाबलेल्या प्रतिरोधक-लोड, कॅपेसिटर डिस्चार्ज सर्किटमध्ये मोजला गेला आहे. आयजीबीटी स्टॅकची तुलना सीरीजमध्ये दोन आयजीबीटी मॉड्यूलशी केली गेली आहे, प्रत्येक 3.3 केव्ही रेट केलेले आहे, 9 केएचझेडवर स्विचिंग बूस्ट सर्किट अॅप्लिकेशनमध्ये आणि 5 केव्ही आउटपुट तयार करते. सहा-मालिकेच्या आयजीबीटी स्टॅकमुळे चालू होण्याच्या स्विचिंग गतीमध्ये सुधारणा होते आणि बंद होण्याच्या वेळी कमी चालू शेपूटमुळे लक्षणीयरीत्या उच्च पॉवर बूस्ट कनवर्टर कार्यक्षमता मिळते. प्रयोगात्मक चाचणी मापदंड आणि तुलनात्मक चाचण्यांचे निकाल पुढील कागदपत्रात चर्चा केली आहेत
20f5b475effb8fd0bf26bc72b4490b033ac25129	आम्ही शहरी रस्त्यांवर लेन मार्कर शोधण्यासाठी एक मजबूत आणि रिअल टाइम दृष्टिकोन सादर करतो. हे रस्त्याचे वरचे दृश्य तयार करण्यावर आधारित आहे, निवडक अभिमुख गॉशियन फिल्टर वापरुन फिल्टरिंग, बेझियर स्प्लिन्स बसविण्यासाठी नवीन आणि वेगवान रॅन्साक अल्गोरिदमला प्रारंभिक अंदाज देण्यासाठी आरएएनएसएसी लाइन फिटिंगचा वापर करून, त्यानंतर पोस्ट-प्रोसेसिंग चरण. आमचा अल्गोरिदम रस्त्याच्या विविध परिस्थितीतील स्थिर प्रतिमांमध्ये सर्व लेन शोधू शकतो, तर 50 हर्ट्झच्या दराने कार्यरत आहे आणि मागील तंत्राशी तुलना करता परिणाम प्राप्त करतो.
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	ऑनलाईन आढावा आणि शिफारसींच्या उपलब्धतेत होणारी वाढ शैक्षणिक आणि औद्योगिक संशोधनात भावना वर्गीकरण हा एक मनोरंजक विषय बनवते. पुनरावलोकने इतक्या वेगवेगळ्या क्षेत्रांमध्ये येऊ शकतात की त्या सर्वांसाठी एनोटेटेड प्रशिक्षण डेटा एकत्र करणे कठीण आहे. त्यामुळे, या पेपरमध्ये भावना वर्गीकरणासाठी डोमेन अनुकूलन समस्येचा अभ्यास केला गेला आहे, याद्वारे एका स्त्रोत डोमेनमधील लेबल केलेल्या पुनरावलोकनांवर एक प्रणाली प्रशिक्षित केली जाते परंतु दुसर्यावर तैनात केली जाण्याची शक्यता आहे. आम्ही एक खोल शिक्षण पद्धत प्रस्तावित करतो जी प्रत्येक पुनरावलोकनासाठी एक अर्थपूर्ण प्रतिनिधित्व अनियंत्रित पद्धतीने काढण्यास शिकते. Amazon ने त्यांच्या सर्व उत्पादनांच्या पुनरावलोकनावर आधारित एक बेंचमार्क तयार केला आहे. याव्यतिरिक्त, ही पद्धत चांगली आहे आणि आम्हाला 22 डोमेनच्या मोठ्या औद्योगिक-शक्ती डेटासेटवर डोमेन अनुकूलन यशस्वीरित्या करण्यास अनुमती दिली.
7cbbe0025b71a265c6bee195b5595cfad397a734	लोक खुर्च्यांशी वारंवार संवाद साधतात, ज्यामुळे ते वापरकर्त्यांकडून अतिरिक्त प्रयत्नांची आवश्यकता नसलेल्या अस्पष्ट आरोग्य संवेदना करण्यासाठी संभाव्य स्थान बनतात. आम्ही ५५० सहभागींना सर्वेक्षण केले. लोक खुर्चीवर कसे बसतात हे समजून घेण्यासाठी आणि खुर्चीची रचना तयार करण्यासाठी. जे हृदय व श्वसनाचा दर ओळखते. अनुक्रमे खुर्चीच्या आर्मरेस्ट व बॅकरेस्टवरून. 18 सहभागींसह प्रयोगशाळेच्या अभ्यासात, आम्ही हृदय गती आणि श्वसन गती शोधणे शक्य होते तेव्हा (32% वेळ हृदय गतीसाठी, 52% श्वसन गतीसाठी) आणि शोधलेल्या गतीची अचूकता (83% हृदय गतीसाठी, 73% श्वसन गतीसाठी) मूल्यांकन करण्यासाठी सामान्य बसण्याच्या स्थितीची श्रेणी मूल्यांकन केली. आम्ही या संवेदनाला वन्य प्राण्यांमध्ये नेण्याच्या आव्हानांबद्दल चर्चा करतो. एकूण ४० तासांच्या अभ्यासात ११ सहभागी सहभागी होते. आम्ही दाखवतो की, एक अंतर्निहित सेन्सर म्हणून, खुर्ची त्याच्या उपस्थितांकडून जीवनातील लक्षणांची माहिती गोळा करू शकते खुर्चीशी नैसर्गिक संवाद साधून.
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	या स्वयंचलित वाहनामध्ये मल्टी-सेन्सर नेव्हिगेशन आणि पोजिशनिंग, बुद्धिमान निर्णय आणि नियंत्रण तंत्रज्ञान समाविष्ट असलेले एक मोबाइल रोबोट आहे. या लेखात इंटेलिजेंट पायनियर नावाच्या स्वायत्त वाहनाच्या नियंत्रण प्रणालीचे आर्किटेक्चर सादर केले आहे आणि अज्ञात वातावरणात प्रभावीपणे नेव्हिगेट करण्यासाठी मार्ग ट्रॅकिंग आणि हालचालीच्या स्थिरतेवर चर्चा केली आहे. या पद्धतीमध्ये, दोन-डिग्री-ऑफ-फ्रीडम डायनॅमिक मॉडेल विकसित केले जाते जेणेकरून राज्य-जागा स्वरूपात पथ-ट्रॅकिंग समस्या तयार केली जाऊ शकते. क्षणी पथ त्रुटी नियंत्रित करण्यासाठी, पारंपारिक नियंत्रकांना पॅरामीटर बदल आणि व्यत्ययांच्या विस्तृत श्रेणीवर कार्यप्रदर्शन आणि स्थिरता सुनिश्चित करण्यात अडचण येते. म्हणून, नव्याने विकसित केलेला अनुकूली-पीआयडी नियंत्रक वापरला जाईल. या पद्धतीचा वापर करून वाहनाच्या नियंत्रण प्रणालीची लवचिकता वाढेल आणि मोठे फायदे मिळतील. आम्ही इंटेलिजेंट पायनियर आणि या पद्धतीचा वापर करणारे स्वायत्त वाहन याचे उदाहरण आणि परिणाम प्रदान करतो. 2010 आणि 2011 च्या चीनच्या भविष्यातील आव्हानात स्पर्धा केली. इंटेलिजेंट पायनियरने सर्व स्पर्धा कार्यक्रम पूर्ण केले आणि 2010 मध्ये प्रथम स्थान आणि 2011 मध्ये तिसरे स्थान मिळविले.
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	स्पर्धात्मक एमएनआयएसटी हस्तलिखित अंकांच्या ओळख निकषाचा 1998 पासून विक्रम मोडण्याचा दीर्घ इतिहास आहे. इतरांनी केलेली सर्वात अलीकडील प्रगती 8 वर्षांपूर्वीची आहे (त्रुटी दर 0.4%). साध्या बहुस्तरीय पर्सेप्ट्रोन्ससाठी जुने ऑनलाईन बॅकप्रोपागॅशन अत्यंत कमी त्रुटी दर देते. 0.35% एक एमएलपी आणि 0.31% सात एमएलपीच्या समितीसह एमएनआयएसटी हस्तलिखित अंकांच्या बेंचमार्कवर. २०११ पर्यंत हे सर्वोत्तम परिणाम साध्य करण्यासाठी आपल्याला फक्त अनेक लपवलेले स्तर, प्रत्येक लेयरमध्ये अनेक न्यूरॉन्स, अनेक विकृत प्रशिक्षण प्रतिमा आवश्यक आहेत जेणेकरून अति-फिट टाळता येईल, आणि ग्राफिक्स कार्ड जेणेकरून शिकणे खूप वेगवान होईल.
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	बिटकॉइन हे एक वितरित डिजिटल चलन आहे ज्याने मोठ्या संख्येने वापरकर्त्यांना आकर्षित केले आहे. बिटकॉइनला इतका यशस्वी का बनवले, हे समजून घेण्यासाठी आम्ही सखोल तपासणी केली. क्रिप्टोग्राफिक ई-कॅशवर दशकांपासून संशोधन केल्याने मोठ्या प्रमाणावर वापर होऊ शकला नाही. आम्ही असेही विचारतो की बिटकॉइन दीर्घकाळ टिकणारे स्थिर चलन कसे बनू शकते. असे करताना, आम्ही बिटकॉइनच्या अनेक समस्या आणि हल्ले ओळखतो आणि त्यांना संबोधित करण्यासाठी योग्य तंत्रांचा प्रस्ताव ठेवतो.
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	या पेपरमध्ये पाचव्या पिढीच्या (5G) पूर्ण आयामी मल्टीपल इनपुट मल्टीपल आउटपुट (एफडी-एमआयएमओ) प्रणालीसाठी 29 जीएचझेड वारंवारतेवर डब्ल्यूआर 28 वेव्हगाइडवर आधारित बीम स्टेरेबल हाय गेन फेज्ड अॅरे अँटेनाची नवीन डिझाइन संकल्पना सादर केली आहे. 8×8 प्लॅनर फेज अॅरेला त्रि-आयामी बीमफॉर्मरद्वारे पोसले जाते जेणेकरून अजिमुथ आणि उंचीच्या दिशेने दोन्ही -60 ते +60 अंशांपर्यंत व्हॉल्यूमेट्रिक बीम स्कॅनिंग मिळते. बीमफॉर्मिंग नेटवर्क (बीएफएन) हे 64 बीम स्टेट मिळविण्यासाठी 8 × 8 बटलर मॅट्रिक्स बीमफॉर्मरच्या 16 सेटचा वापर करून डिझाइन केलेले आहे, जे क्षैतिज आणि अनुलंब कोन नियंत्रित करते. 5 जी अनुप्रयोगासाठी का बँडमध्ये व्हॉल्यूमेट्रिक मल्टीबीमसाठी वेव्हगाइड आधारित उच्च-शक्तीचे त्रि-आयामी बीमफॉर्मर डिझाइन करण्यासाठी ही एक नवीन संकल्पना आहे. फेज्ड अॅरेची कमाल वाढ २८.५ डीबीआय आहे जी २८.९ गिगाहर्ट्झ ते २९.४ गिगाहर्ट्झ या वारंवारता श्रेणीमध्ये येते.
34feeafb5ff7757b67cf5c46da0869ffb9655310	कमी उर्जा वापरणाऱ्या वायरलेस सेन्सर नेटवर्कसाठी पर्यावरणीय ऊर्जा हा एक आकर्षक उर्जा स्त्रोत आहे. आम्ही तुम्हाला प्रोमेथियसची ओळख करून देतो, ही एक अशी प्रणाली आहे जी मानवी हस्तक्षेप किंवा देखभाल न करता सतत कार्य करण्यासाठी ऊर्जा हस्तांतरण व्यवस्थापित करते. विविध ऊर्जा साठवण घटक सकारात्मक गुणधर्म एकत्र आणि मायक्रोप्रोसेसर बुद्धिमत्ता लाभ, आम्ही कार्यक्षम मल्टी-स्टेज ऊर्जा हस्तांतरण प्रणाली सादर एकाच ऊर्जा साठवण प्रणाली सामान्य मर्यादा कमी जवळजवळ सतत ऑपरेशन साध्य करण्यासाठी. आम्ही आमच्या डिझाईन निवडी, व्यापार, सर्किट मूल्यांकन, कामगिरी विश्लेषण आणि मॉडेल सादर करतो. आम्ही प्रणाली घटकांच्या संबंधांबद्दल चर्चा करतो आणि अनुप्रयोगांच्या गरजा पूर्ण करण्यासाठी इष्टतम हार्डवेअर निवडी ओळखतो. शेवटी आम्ही बर्कलेच्या टेलोस मोटेला सौर ऊर्जेने चालवणाऱ्या वास्तविक प्रणालीची अंमलबजावणी सादर करतो. आमच्या विश्लेषणाच्या अंदाजानुसार ही यंत्रणा ४३ वर्षे १% भाराने, ४ वर्षे १०% भाराने आणि १ वर्ष १००% भाराने काम करेल. आमच्या अंमलबजावणीमध्ये दोन टप्प्यातील स्टोरेज सिस्टम वापरली जाते ज्यात सुपरकॅपेसिटर (प्राथमिक बफर) आणि लिथियम रीचार्जेबल बॅटरी (दुय्यम बफर) असतात. या मोटला शक्ती पातळीची पूर्ण माहिती आहे आणि ते जास्तीत जास्त आयुष्य जगण्यासाठी ऊर्जा हस्तांतरण बुद्धिमानपणे व्यवस्थापित करते.
3689220c58f89e9e19cc0df51c0a573884486708	अॅम्बीमॅक्स हा एक ऊर्जा संकलन सर्किट आहे आणि वायरलेस सेन्सर नोड्स (डब्ल्यूएसएन) साठी सुपरकॅपेसिटर आधारित ऊर्जा संचय प्रणाली आहे. पूर्वीच्या डब्ल्यूएसएन विविध स्त्रोतांकडून ऊर्जा मिळवण्याचा प्रयत्न करतात आणि काही बॅटरीच्या वृद्धीच्या समस्येवर उपाय म्हणून बॅटरीऐवजी सुपरकॅपेसिटर वापरतात. तथापि, इम्पॅडन्स मिसमॅचमुळे ते एकतर जास्त उपलब्ध ऊर्जा वाया घालवतात, किंवा त्यांना सक्रिय डिजिटल नियंत्रणाची आवश्यकता असते जे ओव्हरहेडमध्ये येते, किंवा ते केवळ एका विशिष्ट प्रकारच्या स्त्रोतासह कार्य करतात. एम्बीमॅक्स या समस्यांना प्रथम जास्तीत जास्त पॉवर पॉईंट ट्रॅकिंग (एमपीपीटी) स्वायत्तपणे पार पाडत आहे आणि नंतर जास्तीत जास्त कार्यक्षमतेने सुपरकॅपेसिटर चार्ज करते. याव्यतिरिक्त, अॅम्बिकॅक्स मॉड्यूलर आहे आणि सौर, पवन, थर्मल आणि कंपन यासह एकाधिक उर्जा संकलन स्त्रोतांची रचना करण्यास सक्षम करते, प्रत्येक भिन्न चांगल्या आकारासह. प्रत्यक्ष डब्ल्यूएसएन प्लॅटफॉर्म, इकोवर प्रयोगात्मक परिणाम दर्शवितो की एम्बीमॅक्स डब्ल्यूएसएनसाठी सध्याच्या अत्याधुनिक कार्यक्षमतेच्या कार्यक्षमतेच्या अनेक वेळा एकाच वेळी आणि स्वायत्तपणे एकाधिक उर्जा स्त्रोतांचे यशस्वीरित्या व्यवस्थापन करते
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	कमी शक्तीचा कमी किमतीचा अत्यंत कार्यक्षम कमाल पॉवर पॉईंट ट्रॅकर (एमपीपीटी) फोटोव्होल्टिक (पीव्ही) पॅनेलमध्ये समाकलित करण्याचा प्रस्ताव आहे. यामुळे मानक फोटोव्होल्टिक पॅनेलच्या तुलनेत २५% उर्जा वाढू शकते, तर बॅटरी व्होल्टेज नियमन आणि पीव्ही अॅरेला भारानुसार जुळवून घेण्यासारख्या कार्ये देखील करतात. बाह्यरित्या जोडलेल्या एमपीपीटीऐवजी, पीव्ही पॅनेलचा भाग म्हणून एकात्मिक एमपीपीटी कनवर्टर वापरण्याचा प्रस्ताव आहे. या एकात्मिक एमपीपीटीला किफायतशीर होण्यासाठी एक साधा कंट्रोलर वापरण्याचा प्रस्ताव आहे. याव्यतिरिक्त, थेट जोडलेल्या प्रणालीपेक्षा जास्त ऊर्जा भारात हस्तांतरित करण्यासाठी, कनवर्टरला खूप कार्यक्षम असणे आवश्यक आहे. हे साध्या सॉफ्ट-स्विच टोपोलॉजीचा वापर करून साध्य केले जाते. यामुळे कमी किंमतीत रूपांतरणाची कार्यक्षमता जास्त होईल, ज्यामुळे एमपीपीटी लहान पीव्ही ऊर्जा प्रणालींसाठी परवडणारा उपाय बनतो.
61c1d66defb225eda47462d1bc393906772c9196	वायरलेस सेन्सर नेटवर्कचा आपल्या समाजावर सकारात्मक परिणाम होण्याची प्रचंड क्षमता या विषयावर मोठ्या प्रमाणात संशोधन केले आहे आणि हे संशोधन आता पर्यावरणास तयार प्रणाली तयार करीत आहे. सध्याच्या तंत्रज्ञानाच्या मर्यादा आणि मोठ्या प्रमाणात बदलणार्या अनुप्रयोग आवश्यकतांमुळे डिझाइन स्पेसच्या वेगवेगळ्या भागांसाठी विविध हार्डवेअर प्लॅटफॉर्म तयार होतात. याव्यतिरिक्त, मानवी हस्तक्षेपाशिवाय एका वेळी अनेक महिने कार्य करणारी प्रणालीची अनन्य ऊर्जा आणि विश्वासार्हता मर्यादा म्हणजे सेन्सर नेटवर्क हार्डवेअरवरील मागणी मानक एकात्मिक सर्किटवरील मागणीपेक्षा भिन्न आहे. या पेपरमध्ये सेन्सर नोड्स आणि त्यांना नियंत्रित करण्यासाठी कमी स्तरीय सॉफ्टवेअर डिझाइन करण्याच्या आमच्या अनुभवांचे वर्णन केले आहे. झेब्रानेट प्रणालीमध्ये आम्ही जीपीएस तंत्रज्ञानाचा वापर करून, दीर्घकालीन प्राणी स्थलांतरणाचा मागोवा घेण्यासाठी बारीक-कणयुक्त स्थिती डेटा रेकॉर्ड करतो [14]. झेब्रानेट हार्डवेअरमध्ये 16-बिट टीआय मायक्रोकंट्रोलर, 4 एमबीटी ऑफ-चिप फ्लॅश मेमरी, 900 मेगाहर्ट्झ रेडिओ आणि कमी-शक्ती जीपीएस चिप आहे. या पेपरमध्ये, आम्ही सेन्सर नेटवर्कसाठी कार्यक्षम वीज पुरवठा तयार करण्याच्या आमच्या तंत्रांवर चर्चा करतो, नोड्सच्या उर्जा वापराचे व्यवस्थापन करण्याच्या पद्धती आणि रेडिओ, फ्लॅश आणि सेन्सरसह परिधीय उपकरणांचे व्यवस्थापन करण्याच्या पद्धती. झेब्रानेट नोड्सच्या डिझाइनचे मूल्यांकन करून आणि त्यात सुधारणा कशी करता येईल यावर चर्चा करून आम्ही निष्कर्ष काढतो. या हार्डवेअरच्या विकासात आपण जे काही शिकलो ते भविष्यातील सेन्सर नोड्सच्या डिझाइनसाठी आणि वास्तविक प्रणालींमध्ये त्यांचा वापर करण्यासाठी उपयुक्त ठरू शकते.
146da74cd886acbd4a593a55f0caacefa99714a6	तंत्रज्ञानाच्या क्षेत्रात कृत्रिम बुद्धिमत्तेच्या उत्क्रांतीमुळे उत्प्रेरक म्हणून काम केले आहे. आपण आता अशा गोष्टी विकसित करू शकतो ज्या पूर्वी केवळ कल्पनाशक्ती होत्या. अशाच एका निर्मितीचा जन्म आहे सेल्फ ड्रायव्हिंग कारचा. आता असे दिवस आले आहेत की, आपण आपले काम करू शकतो किंवा गाडीत झोपू शकतो आणि स्टीयरिंग व्हील, एक्सेलेटरला स्पर्श न करताही आपण आपल्या गंतव्यस्थानापर्यंत सुरक्षितपणे पोहोचू शकतो. या पेपरमध्ये सेल्फ ड्रायव्हिंग कारचे एक कार्यरत मॉडेल प्रस्तावित केले आहे जे एका ठिकाणाहून दुसर्या ठिकाणी किंवा वक्र ट्रॅक, सरळ ट्रॅक आणि सरळ त्यानंतर वक्र ट्रॅक यासारख्या वेगवेगळ्या प्रकारच्या ट्रॅकवर चालण्यास सक्षम आहे. कारच्या वरच्या बाजूला कॅमेरा मॉड्यूल बसवले आहे आणि रास्पबेरी पाई वास्तविक जगातील प्रतिमा कॉन्वॉल्यूशनल न्यूरल नेटवर्कला पाठवते जे नंतर पुढील दिशानिर्देशांपैकी एक अंदाज लावते. म्हणजेच उजवीकडे, डावीकडे, पुढे किंवा थांबवा ज्यानंतर आरड्यूइनोकडून रिमोट कंट्रोल कारच्या कंट्रोलरला सिग्नल पाठविला जातो आणि परिणामी कार कोणत्याही मानवी हस्तक्षेपाशिवाय इच्छित दिशेने जाते.
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	आम्ही विरळ कॅनॉनिकल सहसंबंध विश्लेषण (सीसीए) च्या समस्येचा विचार करतो, म्हणजेच, दोन रेषेच्या कॉम्बि राष्ट्रांचा शोध, प्रत्येक बहु-परिवर्तकसाठी एक, जे निर्दिष्ट संख्येच्या चलनांचा वापर करून जास्तीत जास्त सहसंबंध मिळवतात. आम्ही एक प्रभावी संख्यात्मक अंदाजे प्रस्तावित करतो जो थेट लोभी दृष्टिकोनावर आधारित आहे जो प्रत्येक टप्प्यावर संबंध जोडतो. ही पद्धत मोठ्या प्रमाणात डेटा सेटचा सामना करण्यासाठी डिझाइन केली गेली आहे आणि त्याची संगणकीय जटिलता केवळ विरळतेच्या पातळीवर अवलंबून असते. आम्ही अल्गोरिदमच्या कामगिरीचे विश्लेषण करतो. अंकीय अनुकरण परिणाम सूचित करतात की संबंधाचा एक महत्त्वपूर्ण भाग तुलनेने कमी संख्येने चलनांचा वापर करून कॅप्चर केला जाऊ शकतो. याव्यतिरिक्त, आम्ही बहुविध वैशिष्ट्यांच्या परिमाणांच्या तुलनेत उपलब्ध नमुन्यांची संख्या कमी असताना नियमित पद्धत म्हणून विरळ सीसीएचा वापर करण्याचा विचार केला. कॅनॉनिकल सहसंबंध विश्लेषण (सीसीए), हॅरोल डी हॉटेलिंग [1] द्वारे सादर केलेले, एका जोडी डेटा स्रोतांमधून सामान्य वैशिष्ट्ये काढण्यासाठी बहु-परिवर्तनशील डेटा एन लिसीसमध्ये एक मानक तंत्र आहे. यापैकी प्रत्येक डेटा स्रोत एक यादृच्छिक वेक्टर r निर्माण करतो ज्याला आपण बहुपरिवर्ती म्हणतो. क्लासिक परिमाणवाचक कमी करण्याच्या पद्धतींप्रमाणे ज्या एका बहुपरिवर्तकला संबोधित करतात, सीसीए दोन संभाव्य भिन्न परिमाण आणि संरचनेच्या जागांमधील नमुन्यामधील सांख्यिकीय संबंधांना विचारात घेते. विशेषतः, ते दोन रेषेचा जोड शोधतात, प्रत्येक बहुपरिवर्तीसाठी एक, त्यांच्या सहसंबंधास जास्तीत जास्त वाढविण्यासाठी. याचा वापर वेगवेगळ्या शाखेत स्वतंत्र साधन म्हणून किंवा इतर सांख्यिकीय पद्धतींसाठी पूर्व-प्रक्रिया चरण म्हणून केला जातो. याव्यतिरिक्त, सीसीए एक सामान्यीकृत फ्रेमवर्क आहे ज्यामध्ये आकडेवारीतील असंख्य शास्त्रीय पद्धतींचा समावेश आहे, उदाहरणार्थ, मुख्य घटक विश्लेषण (पीसीए), अंशतः किमान स्क्वेअर (पीएलएस) आणि एकाधिक रेषेचा उलटा (एमएलआर) [4]. कोर सीसीए आणि स्वतंत्र घटक विश्लेषण [5] [6] मध्ये त्याचा वापर करून सीसीएने अलीकडेच लक्ष वेधले आहे. गेल्या दशकात सिग्नलचे विरळ प्रतिनिधित्व आणि विरळ संख्यात्मक पद्धतींचा शोध घेण्यात वाढती रस दिसून आला आहे. अशा प्रकारे, आम्ही विरळ सीसीएच्या समस्येचा विचार करतो, म्हणजेच, कमी संख्येने चलनांचा वापर करून जास्तीत जास्त सहसंबंध असलेल्या रेषेच्या जोड्यांचा शोध. कमी खर्च करण्याच्या प्रयत्नांना विविध कारणांनी प्रेरित केले जाऊ शकते. प्रथम परिणाम समजावून सांगण्याची आणि दृश्यमान करण्याची क्षमता. थोड्याशा संख्येने बदलणारे आपल्याला "मोठा चित्र" मिळविण्यास परवानगी देतात, तर काही लहान तपशीलांचा त्याग करतात. याव्यतिरिक्त, स्पायर्स ई प्रतिनिधित्व संगणकीयदृष्ट्या कार्यक्षमतेचा वापर करण्यास सक्षम करते. पहिल्या दोन लेखकांनी या हस्तलिखितात समान योगदान दिले. या कामाला अंशतः एफए 9550-06-1-0 324 च्या अनुदान अंतर्गत एएफओएसआर मुरीने पाठिंबा दिला. दुर्मिळतेची दुसरी प्रेरणा म्हणजे नियमितपणा आणि स्थिरता. सीसीएचे मुख्य कमकुवतपणा म्हणजे थोड्या संख्येने निरीक्षणांना त्याची संवेदनशीलता. तथापि, रेज सीसीए [7] सारख्या नियमित पद्धतींचा वापर केला पाहिजे. या संदर्भात, विरळ सीसीए ही एक उपसंच निवड योजना आहे जी आम्हाला वेक्टरचे परिमाण कमी करण्यास आणि स्थिर समाधान मिळविण्यास अनुमती देते. आपल्या माहितीनुसार, विरळ सीसीएचा पहिला संदर्भ [2] मध्ये आला होता, जिथे मागास आणि चरणबद्ध उपसंच निवड प्रस्तावित केली गेली होती. या चर्चेचा विषय गुणात्मक होता आणि कोणताही विशिष्ट संख्यात्मक अल्गोरिदम प्रस्तावित केला गेला नाही. अलीकडे, बहुआयामी डेटा प्रॅसेसिंगची वाढती मागणी आणि संगणकीय खर्च कमी झाल्यामुळे या विषयाला पुन्हा एकदा महत्त्व प्राप्त झाले आहे [1]- [13]. या सध्याच्या सोल्यूशन्सचे मुख्य नुकसान म्हणजे त्यांच्यावर थेट नियंत्रण नसते आणि त्यांचे इष्टतम हायपरपॅरामीटर निवडणे कठीण (आणि गैर-सहज) असते. याव्यतिरिक्त, यापैकी बहुतेक पद्धतींची संगणकीय जटिलता उच्च आयामी डेटा सेटसह व्यावहारिक अनुप्रयोगांसाठी खूप जास्त आहे. थोड्या सीसीएचा देखील अप्रत्यक्षपणे उल्लेख केला गेला आहे [९], [१४] आणि डी हा अलीकडील पीसीएच्या नुकत्याच झालेल्या परिणामांशी जवळून संबंधित आहे [९], [१५] - [१७]. खरंच, आमचा प्रस्तावित उपाय म्हणजे [17] मधील परिणामांचा सीसीएला विस्तार आहे. या कामाचे मुख्य योगदान दोन प्रकारे आहे. प्रथम, आम्ही सीसीए अल्गोरिदम काढतो ज्यामध्ये प्रत्येक मल्टिव्हॅरिएट्समध्ये स्परसिटीवर थेट नियंत्रण असते आणि त्यांची कार्यक्षमता तपासली जाते. आमच्या संगणकीयदृष्ट्या कार्यक्षम पद्धती विशेषतः मोठ्या आकाराच्या दोन डेटा सेटमधील संबंध समजून घेण्यास मदत करतात. आपण एक अग्रेषित (किंवा मागे) लोभी दृष्टिकोन अवलंबतो जो अनुक्रमे निवड (किंवा ड्रॉप) चलनावर आधारित असतो. प्रत्येक टप्प्यावर आम्ही सीसीएचे सर्वोत्तम उपाय शोधून काढले आणि संपूर्ण समस्या सोडवण्याची गरज टाळली. याव्यतिरिक्त, फॉरवर्ड लोभी पद्धतीची संगणकीय जटिलता डेटाच्या परिमाणांवर अवलंबून नसते तर केवळ विरळता मापदंडांवर अवलंबून असते. अंकीय अनुकरण परिणामांनुसार, सहसंबंधाचा एक महत्त्वपूर्ण भाग, शून्य-असून भिन्न गुणांक वापरून कार्यक्षमतेने मर्यादित केला जाऊ शकतो. आमचे दुसरे योगदान म्हणजे नियमित पद्धती म्हणून विरळ सीसीएचे संशोधन. प्रायोगिक अनुकरण वापरून आम्ही विविध अल्गोरिदम वापरून तपासणी करतो जेव्हा बहु-परिवर्तनांचे परिमाण नमुन्यांच्या संख्येपेक्षा (किंवा समान क्रमांकाचे) मोठे असतात आणि विरळ सीसीएचा फायदा दर्शवितो. या संदर्भात, लोभी दृष्टिकोनाचा एक फायदा म्हणजे तो एकाच रनमध्ये संपूर्ण स्परसिटी पथ तयार करतो आणि वापरून कार्यक्षम पॅरामीटर ट्यूनिंगला अनुमती देतो
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	पुनरावृत्तीच्या बॅकप्रोपागॅशनद्वारे माहिती दीर्घ कालावधीत साठवायला शिकणे खूप वेळ घेते, मुख्यतः अपुरा, क्षयशील त्रुटी बॅकफ्लोमुळे. आम्ही थोडक्यात या समस्येचे होखरिएटर (१९९१) चे विश्लेषण पुनरावलोकन करतो, नंतर दीर्घकालीन स्मृती (एलएसटीएम) नावाची एक नवीन, कार्यक्षम, ग्रेडियंट आधारित पद्धत सादर करून त्यावर लक्ष केंद्रित करतो. ज्या ठिकाणी याचा त्रास होत नाही, तेथे ग्रेडियंट कमी करून, एलएसटीएम 1000 पेक्षा जास्त वेगळ्या-वेळच्या चरणांमध्ये कमीतकमी वेळ विलंब कमी करण्यास शिकू शकते. गुणाकार गेट युनिट्स सतत त्रुटी प्रवाहासाठी प्रवेश उघडण्यास आणि बंद करण्यास शिकतात. एलएसटीएम स्थानिक आणि वेळेत आहे; त्याची संगणकीय जटिलता प्रति वेळ चरण आणि वजन ओ आहे. १. कृत्रिम डेटाच्या प्रयोगांमध्ये स्थानिक, वितरित, वास्तविक मूल्य आणि गोंगाटपूर्ण नमुन्यांचे प्रतिनिधित्व समाविष्ट आहे. रिअल-टाइम रिकर्सिव्ह लर्निंग, वेळेत परत प्रसार, रिकर्सिव्ह कॅस्केड सहसंबंध, एल्मन नेट आणि न्यूरल सीक्वेंस चंकिंगच्या तुलनेत, एलएसटीएम बर्याच यशस्वी चालीकडे नेते आणि बरेच जलद शिकते. एलएसटीएम जटिल, कृत्रिम दीर्घ-वेळ-विलंब कार्ये देखील सोडवते जी पूर्वीच्या पुनरावृत्ती नेटवर्क अल्गोरिदमद्वारे कधीही सोडविली गेली नाहीत.
9eb67ca57fecc691853636507e2b852de3f56fac	यापूर्वीच्या अभ्यासातून हे दिसून आले आहे की मज्जासंस्थेच्या एम्बेडिंग मॉडेलद्वारे शब्द आणि मजकूराचे अर्थपूर्ण अर्थपूर्ण प्रतिनिधित्व मिळवता येते. विशेषतः, परिच्छेद वेक्टर (पीव्ही) मॉडेलने दस्तऐवज (विषय) स्तरावरील भाषा मॉडेलचा अंदाज लावून काही नैसर्गिक भाषा प्रक्रियेच्या कार्यांमध्ये प्रभावी कामगिरी दर्शविली आहे. पीव्ही मॉडेलला पारंपारिक भाषा मॉडेल पद्धतींसह एकत्रित केल्यास, अस्थिर कामगिरी आणि मर्यादित सुधारणा होते. या पेपरमध्ये, आम्ही मूळ पीव्ही मॉडेलच्या तीन अंतर्निहित समस्यांवर औपचारिकपणे चर्चा करतो जे पुनर्प्राप्ती कार्यात त्याची कार्यक्षमता मर्यादित करते. आम्ही मॉडेलमध्ये सुधारणांचे वर्णन देखील करतो जे ते आयआर कार्यासाठी अधिक योग्य बनवतात आणि प्रयोग आणि केस स्टडीद्वारे त्यांचा प्रभाव दर्शवतात. आम्ही ज्या तीन मुद्द्यांवर लक्ष देतो ते म्हणजे (1) पीव्हीची अनियमित प्रशिक्षण प्रक्रिया लहान दस्तऐवजाच्या अति-फिटिंगसाठी असुरक्षित आहे जी अंतिम पुनर्प्राप्ती मॉडेलमध्ये लांबीची पूर्वाग्रह निर्माण करते; (2) पीव्हीच्या कॉर्पस-आधारित नकारात्मक नमुना घेतल्याने शब्दांसाठी वजन योजना उद्भवते जी वारंवार शब्दांचे महत्त्व दडपते; आणि (3) शब्द-संदर्भ माहितीचा अभाव पीव्हीला शब्द-बदल संबंधांना पकडण्यास असमर्थ बनवते.
4df321947a2ac4365584a01d78a780913b171cf5	पैलू आधारित भावना विश्लेषण (एबीएसए) हे विशिष्ट संस्था आणि त्यांच्या पैलूंबद्दल मजकूरातून मते काढणे आणि सारांशित करणे हे कार्य आहे. या लेखात फ्रेंच भाषेसाठी एबीएसए प्रणालीच्या विकासासाठी आणि चाचणीसाठी दोन डेटासेटचे वर्णन केले आहे ज्यात संबंधित संस्था, पैलू आणि ध्रुवीयता मूल्यांसह वापरकर्त्याच्या पुनरावलोकनांचा समावेश आहे. पहिल्या डेटासेटमध्ये एबीएसए प्रणालीचे प्रशिक्षण आणि चाचणीसाठी 457 रेस्टॉरंट पुनरावलोकने (2365 वाक्ये) आहेत, तर दुसऱ्यामध्ये 162 संग्रहालय पुनरावलोकने (655 वाक्ये) आहेत जे डोमेनच्या बाहेर मूल्यांकन करण्यासाठी समर्पित आहेत. दोन्ही डेटासेट सेमएवल-2016 टास्क 5 आस्पेक्ट-बेस्ड सेन्टिमेंट विश्लेषण च्या भाग म्हणून तयार करण्यात आले होते, जिथे सात वेगवेगळ्या भाषांचे प्रतिनिधित्व केले गेले होते आणि संशोधन हेतूंसाठी सार्वजनिकपणे उपलब्ध आहेत. या लेखात उदाहरण आणि आकडेवारी प्रदान केली आहे, एनोटेशन मार्गदर्शक तत्त्वांचा सारांश दिला आहे आणि त्यांच्या क्रॉस-भाषिक लागू करण्याबद्दल चर्चा केली आहे. यामध्ये सेमएव्हल एबीएसएच्या कामासाठी डेटा कसा वापरला गेला याचे स्पष्टीकरण दिले आहे आणि फ्रेंचसाठी प्राप्त झालेल्या परिणामांचे संक्षिप्त सादरीकरण केले आहे.
2445089d4277ccbec3727fecfe73eaa4cc57e414	या पेपरमध्ये 8 भाषांच्या जोड्यांसाठी मशीन भाषांतर प्रणालीच्या भाषांतर गुणवत्तेचे मूल्यांकन केले गेले आहेः फ्रेंच, जर्मन, स्पॅनिश आणि चेकचे इंग्रजीमध्ये आणि त्याउलट भाषांतर करणे. आम्ही एक व्यापक मानवी मूल्यांकन केले ज्यामुळे आम्हाला केवळ वेगवेगळ्या एमटी प्रणालींचे क्रमवारी लावण्याची परवानगी मिळाली नाही तर मूल्यांकन प्रक्रियेचे उच्च स्तरीय विश्लेषण देखील केले. आम्ही तीन प्रकारच्या व्यक्तिपरक मूल्यांकनासाठी वेळेची आणि आंतर- आणि आंतर-अॅनोटेटरची सहमती मोजली. आम्ही मानवी निर्णयाशी स्वयंचलित मूल्यांकनाची मेट्रिक्सची सहसंबंध मोजली. या मेटा-मूल्यांकनाने सर्वात सामान्यपणे वापरल्या जाणाऱ्या पद्धतींबद्दल आश्चर्यकारक तथ्ये उघड केली आहेत.
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	एका एका थराच्या यू स्लॉट मायक्रो स्ट्रिप पॅच अँटेनाचा प्रस्ताव मांडण्यात आला आहे. सुचवलेल्या असममित यू-स्लॉटद्वारे, प्रोब-फेड स्क्वेअर पॅच मायक्रोस्ट्रिप अँटेनाच्या कोणत्याही कोपऱ्यात चक्राकार ध्रुवीकरणासाठी दोन ऑर्थोगोनल मोड तयार केले जाऊ शकतात. यू स्लॉटच्या वेगवेगळ्या बाजूंच्या लांबीमुळे होणाऱ्या प्रभावांची तपासणी करण्यासाठी पॅरामीटर अभ्यास केला गेला आहे. फोम सब्सट्रेटची जाडी ऑपरेटिंग वारंवारतेच्या वेव्हलांबीच्या सुमारे 8.5% आहे. 3 डीबी अक्षीय प्रमाणात अँटेनाची बँडविड्थ 4% आहे. या उपकरणाचे प्रयोगात्मक आणि सैद्धांतिक परिणाम सादर केले गेले आणि त्यावर चर्चा केली गेली. चक्रीय ध्रुवीकरण, छापील अँटेना, यू-स्लॉट.
9462cd1ec2e404b22f76c88b6149d1e84683acb7	या पत्रात, एक ब्रॉडबँड कॉम्पॅक्ट सर्कुलरली पोलराइज्ड (सीपी) पॅच अँटेना प्रस्तावित आहे. या पॅच अँटेनामध्ये एक मुद्रित मिररिंग प्रोब (एम-प्रोब) आणि ट्रंक केलेले पॅचेस असतात जे ब्रॉडबँड सीपी ऑपरेशन तयार करण्यासाठी ऑर्थोगोनल रेझोनंट मोड उत्तेजित करतात. 5G वाय-फाय अनुप्रयोगास अनुकूल करण्यासाठी अक्षीय-अनुपात (एआर) बँडविड्थमध्ये आणखी सुधारणा करण्यासाठी स्टॅक्ड पॅचचा वापर केला जातो. प्रस्तावित अँटेना 42.3 टक्के प्रतिबाधा बँडविड्थ आणि 16.8 टक्के एआर बँडविड्थ मिळवते. एआर बँडविड्थमध्ये सरासरी लाभ 6.6 डीबीआयसी आहे ज्यामध्ये 0.5 डीबीआयसीपेक्षा कमी फरक आहे. या कामात एम-सोंडद्वारे पुरविलेल्या सीपी पॅच अँटेनाच्या बँडविड्थ विस्ताराची पद्धत दर्शविली गेली आहे. एम-सोंड हे डायलेक्ट्रिक लोडेड पॅच अँटेनामध्ये ब्रॉडबँड वैशिष्ट्ये देखील प्रदान करू शकते हे तपासण्यासाठी आणि प्रदर्शित करण्यासाठी हा पहिला अभ्यास आहे. या उपग्रहाचे संभाव्य अनुप्रयोग 5 जी वाय-फाय आणि उपग्रह संप्रेषण प्रणाली आहेत.
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	या लेखात आम्ही रिअल टाइममध्ये अनेक विशिष्ट 3D वस्तू शोधण्यासाठी एक नवीन पद्धत प्रस्तावित करतो. आम्ही नुकतेच Hinterstoisser et al. द्वारे सादर केलेल्या LINE2D/LINEMOD प्रतिनिधित्व आधारित टेम्पलेट-आधारित दृष्टिकोनातून प्रारंभ करतो, परंतु दोन प्रकारे त्याचा विस्तार करतो. प्रथम, आम्ही टेम्पलेट्स एक भेदभावपूर्ण रीतीने जाणून घेण्याचा प्रस्ताव ठेवतो. आम्ही दाखवतो की हे ऑनलाईन केले जाऊ शकते उदाहरणाच्या प्रतिमा गोळा करताना, काही मिलीसेकंदांमध्ये, आणि त्याचा डिटेक्टरच्या अचूकतेवर मोठा परिणाम होतो. दुसरे म्हणजे, आम्ही एक योजना प्रस्तावित करतो जी कॅस्केडवर आधारित आहे जी शोध वेगवान करते. एखाद्या वस्तूचा शोध घेणे जलद असल्याने, नवीन वस्तू अगदी कमी खर्चात जोडल्या जाऊ शकतात, ज्यामुळे आपला दृष्टीकोन चांगला होतो. आमच्या प्रयोगांमध्ये, आम्ही 10-30 3D वस्तू सहजपणे हाताळतो 10fps पेक्षा जास्त फ्रेम रेटवर एका CPU कोरचा वापर करून. आम्ही वेगाने आणि अचूकतेच्या दृष्टीने अत्याधुनिक तंत्रज्ञानापेक्षा अधिक कार्य करतो, जसे की 3 वेगवेगळ्या डेटा सेटवर सत्यापित केले आहे. LINE2D सह एकतर्फी रंगीत प्रतिमा वापरताना आणि RGBD प्रतिमा वापरताना (LINEEMOD सह) हे दोन्ही लागू होते. याशिवाय, आम्ही 12 वस्तूंचा एक आव्हानात्मक डेटासेट प्रस्तावित करतो, ज्यामुळे भविष्यात मोनोक्युलर रंगीत प्रतिमांवर स्पर्धा पद्धती तयार होतील.
41d103f751d47f0c140d21c5baa4981b3d4c9a76	इंटरनेटवर लोक त्यांच्या ब्लॉगमध्ये लिहित असलेल्या वैयक्तिक कथांमध्ये दररोजच्या घटनांमधील संबंधांबद्दल बरीच माहिती असते. या लेखात आम्ही लाखो अशा कथांचा वापर करून स्वयंचलित सामान्य विवेकाच्या कारणास्तव तर्क करण्याच्या प्रयत्नांचे वर्णन करतो. कॉमन सेन्स कॉज्युअल रीजनिंग प्रॉब्लेमला पब्लिसिबल अल्टरनेटिव्हची निवड म्हणून टाकून, आम्ही चार प्रयोगांचे वर्णन करतो जे कथा कॉर्पोरामध्ये कॉज्युअल माहितीचा फायदा घेण्यासाठी विविध सांख्यिकीय आणि माहिती पुनर्प्राप्ती दृष्टिकोनांची तुलना करतात. या प्रयोगांमध्ये सर्वाधिक कामगिरी करणारी प्रणाली कारणपूर्व आणि परिणामी शब्दांमधील साध्या सह-उपस्थितीची आकडेवारी वापरते, जी लाखो वैयक्तिक कथांच्या शरीरातील शब्दांमधील पॉईंटवाइज म्युच्युअल माहिती म्हणून गणना केली जाते.
c9d1bcdb95aa748940b85508fd7277622f74c0a4	केस रिसर्चने माहिती प्रणाली (आयएस) शिस्तात कमीतकमी एक दशकात आदर मिळविला आहे. केस स्टडीचे महत्त्व आणि संभाव्य मूल्य असूनही, हा पद्धतशीर दृष्टिकोन एकेकाळी सर्वात कमी पद्धतशीर मानला जात होता. १९८० च्या दशकाच्या अखेरीस, आयएस प्रकरणांचा अभ्यास काटेकोरपणे केला गेला होता हा प्रश्न प्रथमच उपस्थित करण्यात आला. आमच्या क्षेत्रातील संशोधक (उदा. १९८७; ली १९८९) आणि इतर विषयांतील (उदा. आयझेंहार्ट १९८९; यिन १९९४) संशोधकांनी केस रिसर्चमध्ये अधिक कडकतेची मागणी केली आणि त्यांच्या शिफारसींद्वारे केस स्टडी पद्धतीच्या प्रगतीमध्ये योगदान दिले. या योगदानाचा विचार करून, सध्याच्या अभ्यासात हे ठरवण्याचा प्रयत्न केला गेला आहे की, केस स्टडी पद्धतीच्या ऑपरेशनल वापरामध्ये आयएसच्या क्षेत्रात किती प्रगती झाली आहे. यामध्ये गेल्या दशकात झालेल्या सकारात्मकवादी आयएस प्रकरणांच्या संशोधनातील पद्धतशीरतेची तपासणी केली आहे. या उद्दिष्टाला पूर्ण करण्यासाठी आम्ही सात प्रमुख आयएस जर्नल्समधील 183 केस आर्टिकल्सची ओळख करून दिली. या पुनरावलोकनात विचारात घेतलेले मूल्यांकन गुणधर्म किंवा निकष तीन मुख्य क्षेत्रांवर लक्ष केंद्रित करतात, म्हणजेच डिझाइनचे मुद्दे, डेटा संकलन आणि डेटा विश्लेषण. पद्धतीच्या कठोरतेच्या पातळीवर काही विशिष्ट गुणधर्मांच्या संदर्भात थोडीशी प्रगती झाली असली तरी, एकूणच मूल्यांकन केलेली कठोरता काही प्रमाणात अस्पष्ट आहे आणि अद्याप सुधारणा करण्याचे महत्त्वपूर्ण क्षेत्र आहेत. यामध्ये डेटा संकलन आणि डेटाच्या वापराशी संबंधित विषयांसंदर्भात अधिक चांगले दस्तऐवजीकरण समाविष्ट करणे हा एक महत्त्वाचा मुद्दा आहे.
025cdba37d191dc73859c51503e91b0dcf466741	फिंगरप्रिंट इमेज एन्हांसमेंट हा फिंगरप्रिंट रिकग्निशन अॅप्लिकेशन्समध्ये आवश्यक प्रीप्रोसेसिंग टप्पा आहे. या लेखात आम्ही एक पद्धत सादर करतो जी एकाच वेळी गॅबोर वेव्हलेट फिल्टर बँकद्वारे फिंगरप्रिंट इमेजमधील स्थानिक रिजचे अभिमुखता आणि वारंवारता काढते आणि त्यांना गॅबोर फिल्टरिंग ऑफ इमेजमध्ये वापरते. याव्यतिरिक्त, आम्ही फिंगरप्रिंट प्रतिमा वर्धित करण्यासाठी एक मजबूत दृष्टिकोन वर्णन करतो, जे गॅबोर फिल्टर आणि दिशात्मक मध्यम फिल्टर ((डीएमएफ) च्या एकत्रीकरणावर आधारित आहे. गॅबोर फिल्टरद्वारे गॉस्शियन वितरित ध्वनी प्रभावीपणे कमी होतात आणि डीएमएफद्वारे आवेग ध्वनी कमी होतात. प्रस्तावित डीएमएफ केवळ आपले मूळ कार्य पूर्ण करू शकत नाही तर तो तुटलेल्या फिंगरप्रिंट रीड्सला जोडू शकतो, फिंगरप्रिंट प्रतिमांची छिद्र भरू शकतो, अनियमित रीड्स गुळगुळीत करू शकतो तसेच काही त्रासदायक लहान कलाकृती काढू शकतो. प्रयोगात्मक परिणामांनी आमची पद्धत साहित्यात वर्णन केलेल्यापेक्षा श्रेष्ठ असल्याचे दर्शविले आहे.
3dfce4601c3f413605399267b3314b90dc4b3362	आजच्या जागतिक पातळीवर जाळेबद्ध समाजात माहितीचे प्रसार आणि सामायिकरण करण्यावर मोठी मागणी आहे. पूर्वी जाहीर केलेली माहिती बहुधा सारणीबद्ध आणि सांख्यिकीय स्वरुपात होती, तर आज अनेक परिस्थितींमध्ये विशिष्ट डेटा (मायक्रोडेटा) जाहीर करण्याची आवश्यकता आहे. ज्यांना माहिती संदर्भित करते अशा संस्थांची (ज्यांना प्रतिसादकर्ते म्हणतात) अनामिकता संरक्षित करण्यासाठी, डेटा धारक अनेकदा नावे, पत्ते आणि फोन नंबर सारख्या स्पष्ट अभिज्ञापक काढून टाकतात किंवा एन्क्रिप्ट करतात. तथापि, ओळख रद्द करणारी माहिती अनामिकतेची हमी देत नाही. प्रसिद्ध केलेल्या माहितीमध्ये अनेकदा इतर डेटा असतो, जसे की वंश, जन्मतारीख, लिंग आणि पिन कोड, जे उत्तरदात्यांची पुन्हा ओळख पटविण्यासाठी आणि माहिती उघड करण्यासाठी उद्देश नसलेली माहिती काढण्यासाठी सार्वजनिकरित्या उपलब्ध असलेल्या माहितीशी जोडले जाऊ शकते. या लेखात आम्ही सूक्ष्म माहिती जाहीर करण्याच्या समस्येवर चर्चा केली आहे. हा दृष्टिकोन k-अनामिकतेच्या परिभाषेवर आधारित आहे. एक टेबल k-अनामिकता प्रदान करते जर स्पष्टपणे ओळखणारी माहिती त्याच्या सामग्रीशी जोडण्याचा प्रयत्न केला तर माहिती कमीतकमी k घटकांशी नकाशा बनवते. आम्ही सामान्यीकरण आणि दडपशाही तंत्रज्ञानाचा वापर करून जारी केलेल्या माहितीची अखंडता (किंवा सत्यता) तडजोड न करता के-अनामिकता कशी प्रदान केली जाऊ शकते हे आम्ही स्पष्ट करतो. आम्ही किमान सामान्यीकरण संकल्पना सादर करतो जी रिलीझ प्रक्रियेच्या मालमत्तेला कॅप्चर करते की के-अनामिकता प्राप्त करण्यासाठी आवश्यकतेपेक्षा जास्त डेटा विकृत करू नये आणि अशा सामान्यीकरणच्या संगणनासाठी एक अल्गोरिदम सादर करतो. आम्ही विविध किमान दरात निवडण्यासाठी शक्य प्राधान्य धोरणांची चर्चा देखील करतो
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	वायरलेस सेन्सर नेटवर्कसाठी स्मार्ट कार्डवर आधारित यूजर ऑथेंटिकेशन स्कीम (थोडक्यात, एसयूए-डब्ल्यूएसएन स्कीम) ही सेन्सर डेटामध्ये केवळ अशा वापरकर्त्यांना प्रवेश प्रतिबंधित करण्यासाठी डिझाइन केली गेली आहे ज्यांच्याकडे स्मार्ट कार्ड आणि संबंधित संकेतशब्द दोन्ही आहेत. अलिकडच्या वर्षांत एसयूए-डब्ल्यूएसएन योजनांची लक्षणीय संख्या सुचविली गेली असली तरी त्यांच्या उद्देशित सुरक्षा गुणधर्मांना व्यापक स्वीकृत मॉडेलमध्ये औपचारिक व्याख्या आणि पुरावा नाही. याचा एक परिणाम म्हणजे विविध हल्ल्यांपासून असुरक्षित एसयूए-डब्ल्यूएसएन योजनांचा प्रसार झाला आहे. या लेखात आम्ही एसयूए-डब्ल्यूएसएन योजनांच्या विश्लेषणासाठी सुरक्षा मॉडेल तयार करतो, ज्यामध्ये बेलारे, पॉइंटचेव्हल आणि रोगावे (2000) यांचे व्यापकपणे स्वीकारलेले मॉडेल विस्तारित केले आहे. आमचे मॉडेल साइड-चॅनेल हल्ले तसेच इतर सामान्य हल्ले पकडताना प्रमाणित की एक्सचेंज आणि वापरकर्त्याची अनामिकता यांची औपचारिक व्याख्या प्रदान करते. आम्ही दीर्घवृत्ताकार वक्र क्रिप्टोग्राफी (ईसीसी) वर आधारित नवीन एसयूए-डब्ल्यूएसएन योजना देखील प्रस्तावित करतो आणि आमच्या विस्तारित मॉडेलमध्ये त्याचे सुरक्षा गुणधर्म सिद्ध करतो. आमच्या माहितीनुसार, आमची प्रस्तावित योजना ही पहिली एसयूए-डब्ल्यूएसएन योजना आहे जी प्रमाणित की एक्सचेंज आणि वापरकर्त्याची अनामिकता दोन्ही सिद्ध करते. आमची योजना इतर ईसीसी-आधारित (प्रमाणितपणे सुरक्षित नसलेल्या) योजनांशी संगणकीयदृष्ट्या स्पर्धात्मक आहे.
3973e14770350ed54ba1272aa3e19b4d21f5dad3	या लेखात बॉससाठी विकसित केलेल्या अडथळे शोधणे आणि ट्रॅकिंग अल्गोरिदमचे वर्णन केले आहे, जे 2007 च्या डार्पा अर्बन चॅलेंजमध्ये कार्नेगी मेलन युनिव्हर्सिटीची विजेती नोंद आहे. आम्ही ट्रॅकिंग उपप्रणालीचे वर्णन करतो आणि मोठ्या समज प्रणालीच्या संदर्भात ते कसे कार्य करते हे दर्शवितो. ट्रॅकिंग उपप्रणाली रोबोटला शहरी वाहतुकीच्या जटिल परिस्थिती समजून घेण्याची क्षमता देते जेणेकरून इतर वाहनांच्या जवळपास सुरक्षितपणे ऑपरेट करता येईल. ट्रॅकिंग सिस्टम एका डझनपेक्षा जास्त सेन्सरच्या सेन्सर डेटाला पर्यावरणाबद्दल अतिरिक्त माहितीसह एकत्र करते जेणेकरून सुसंगत परिस्थिती मॉडेल तयार होईल. सेन्सरच्या डेटाच्या गुणवत्तेवर आधारित वस्तू ट्रॅक करण्यासाठी एका नवीन मल्टीपल-मॉडेल पद्धतीचा वापर केला जातो. शेवटी, ट्रॅकिंग सबसिस्टमची रचना स्पष्टपणे प्रक्रिया करण्याच्या प्रत्येक स्तरावर स्पष्टपणे सारांशित करते. नवीन सेन्सर आणि वैधता अल्गोरिदम जोडून उपप्रणाली सहजपणे वाढवता येते.
6a694487451957937adddbd682d3851fabd45626	अत्याधुनिक प्रश्न-उत्तर प्रणाली (क्यूए) उत्तर परिच्छेद पुनर्प्राप्त करण्यासाठी शब्द-घनता क्रमवारी वापरतात. अशा पद्धती अनेकदा चुकीच्या परिच्छेदांना पुनर्प्राप्त करतात कारण प्रश्न शब्दांमधील संबंधांचा विचार केला जात नाही. यापूर्वीच्या अभ्यासात प्रश्न आणि उत्तरे यांच्यातील अवलंबित्व संबंध जुळवून या समस्येचे निराकरण करण्याचा प्रयत्न केला गेला होता. त्यांनी कडक जुळणी वापरली, जी जेव्हा सिमेंटिकली समतुल्य संबंध वेगवेगळ्या प्रकारे मांडली जातात तेव्हा अयशस्वी होते. आम्ही सांख्यिकीय मॉडेलवर आधारित फजी रिलेशन मॅचिंगचा प्रस्ताव ठेवतो. आम्ही मागील क्यूए जोड्यांकडून संबंध मॅपिंग स्कोअर शिकण्यासाठी दोन पद्धती सादर करतोः एक परस्पर माहितीवर आधारित आणि दुसरी अपेक्षा जास्तीत जास्त करण्यावर आधारित. प्रयोगात्मक परिणामांमध्ये असे दिसून आले आहे की, आमची पद्धत अत्याधुनिक घनता-आधारित मार्ग पुनर्प्राप्ती पद्धतींपेक्षा सरासरी परस्पर रँकमध्ये 78% जास्त कामगिरी करते. संबंध जुळवणीमुळे क्वेरीच्या विस्ताराद्वारे सुधारित प्रणालीमध्ये सुमारे 50% सुधारणा होते.
2538e3eb24d26f31482c479d95d2e26c0e79b990	आम्ही एक युनिफाइड न्यूरल नेटवर्क आर्किटेक्चर आणि लर्निंग अल्गोरिदम प्रस्तावित करतो ज्याचा वापर विविध नैसर्गिक भाषा प्रक्रियेच्या कामांसाठी केला जाऊ शकतो. ज्यात भाषेच्या भागाचे टॅगिंग, खंडित करणे, नावाची ओळख आणि सिमेंटिक भूमिका लेबलिंग यांचा समावेश आहे. हे बहुमुखीपणा टास्क-विशिष्ट अभियांत्रिकी टाळण्याचा प्रयत्न करून आणि म्हणूनच पुष्कळ मागील ज्ञानाचा अवलंब न करता साध्य केले जाते. प्रत्येक कामासाठी काळजीपूर्वक अनुकूलित केलेल्या मानवनिर्मित इनपुट वैशिष्ट्यांचा वापर करण्याऐवजी, आमची प्रणाली मोठ्या प्रमाणात बहुधा लेबल नसलेल्या प्रशिक्षण डेटाच्या आधारे अंतर्गत प्रतिनिधित्व शिकते. या कामाचा उपयोग चांगल्या कामगिरीसह आणि कमीतकमी संगणकीय आवश्यकतांसह मुक्तपणे उपलब्ध टॅगिंग सिस्टम तयार करण्यासाठी आधार म्हणून केला जातो.
317deb87586baa4ee7c7b5dfc603ebed94d1da07	आम्ही एक नवीन वेगवान शुद्ध भेदभाव करणारा अल्गोरिदम प्रस्तावित करतो नैसर्गिक भाषा विश्लेषणासाठी, deep पुनरावृत्ती करणारा कन्वॉल्युशनल ग्राफ ट्रान्सफॉर्मर नेटवर्क (जीटीएन) वर आधारित. पार्स ट्रीचे levels च्या स्टॅकमध्ये विघटन गृहीत धरून, नेटवर्क मागील स्तरांच्या अंदाजानुसार झाडाच्या स्तराचा अंदाज लावते. कोलोबर्ट आणि वेस्टन (2008) मधील शब्द प्रतिनिधित्व वापरणार्या केवळ काही मूलभूत मजकूर वैशिष्ट्यांचा वापर करून, आम्ही वेगवान वेगाने समान कार्यक्षमता (एफ 1 स्कोअरमध्ये) विद्यमान शुद्ध भेदभाव करणारे पार्सर आणि विद्यमान बेंचमार्क पार्सर (कॉलिन्स पार्सर, संभाव्य संदर्भ-मुक्त व्याकरण आधारित) सारख्या कार्यक्षमतेसह दर्शवितो.
04cc04457e09e17897f9256c86b45b92d70a401f	अनेक डेटा जसे की सोशल नेटवर्क्स, चित्रपट प्राधान्ये किंवा ज्ञान तळ हे बहु-संबंधित आहेत, ज्यात ते संस्थांमधील अनेक संबंधांचे वर्णन करतात. या डेटाचे मॉडेलिंग करण्यावर लक्ष केंद्रित केलेले मोठे काम असले तरी, या एकाधिक प्रकारच्या संबंधांचे मॉडेलिंग संयुक्तपणे आव्हानात्मक आहे. या प्रकारांची संख्या वाढत असताना विद्यमान पद्धतींमध्ये बिघाड होत असतो. या लेखात, आम्ही मोठ्या बहु-संबंधी डेटासेटचे मॉडेलिंग करण्याची पद्धत प्रस्तावित करतो, शक्यतो हजारो संबंधांसह. आमचे मॉडेल एक द्विरेखीय रचना वर आधारित आहे, जी डेटाच्या परस्परसंवादाच्या विविध क्रमवारीत पकडते, आणि वेगवेगळ्या संबंधांमध्ये विरळ लॅटेंट घटकांची देखील शेअर करते. आम्ही आमच्या पद्धतीची कार्यक्षमता मानक टेंसर-फॅक्टरायझेशन डेटासेटवर दर्शवितो जिथे आम्ही अत्याधुनिक परिणाम प्राप्त करतो किंवा त्यापेक्षा अधिक कार्य करतो. शेवटी, एनएलपीचा उपयोग करून आपली स्केलेबिलिटी आणि आपल्या मॉडेलची कार्यक्षम आणि सिमेंटिक अर्थपूर्ण क्रियापद प्रतिनिधित्व शिकण्याची क्षमता दाखवली जाते.
052b1d8ce63b07fec3de9dbb583772d860b7c769	आम्ही न्यूरॉन सारख्या युनिट्सच्या नेटवर्कसाठी एक नवीन शिकण्याची प्रक्रिया, बॅक-प्रोपायलेशन, वर्णन करतो. या प्रक्रियेमध्ये नेटवर्कमधील कनेक्शनचे वजन वारंवार समायोजित केले जाते जेणेकरून जाळ्याच्या वास्तविक आउटपुट वेक्टर आणि इच्छित आउटपुट वेक्टरमधील फरकाचे मोजमाप कमी केले जाऊ शकते. वजन समायोजनाच्या परिणामी, इनपुट किंवा आउटपुटचा भाग नसलेल्या अंतर्गत छुपे युनिट्स टास्क डोमेनची महत्वाची वैशिष्ट्ये दर्शवितात आणि टास्कमधील नियमितता या युनिट्सच्या परस्परसंवादाद्वारे कॅप्चर केली जातात. उपयुक्त नवीन वैशिष्ट्ये तयार करण्याची क्षमता, पूर्वीच्या, साध्या पद्धतींपासून जसे की पेर्सेप्ट्रॉन-कन्व्हरजेन्स प्रक्रिया1 पासून उलट-प्रसार वेगळे करते.
07f3f736d90125cb2b04e7408782af411c67dd5a	अनेक नैसर्गिक भाषांच्या कामांमध्ये सिमेंटिक जुळवणीला केंद्रस्थानी महत्व आहे [2, 28]. एक यशस्वी जुळणारे अल्गोरिदम भाषा ऑब्जेक्ट्सच्या अंतर्गत संरचना आणि त्यांच्यातील परस्परसंवादाचे योग्यरित्या मॉडेल करणे आवश्यक आहे. या ध्येयाकडे एक पाऊल म्हणून, आम्ही दोन वाक्ये जुळवण्यासाठी संकुचित तंत्रिका नेटवर्क मॉडेल प्रस्तावित करतो, दृष्टी आणि भाषणात संकुचित धोरण अनुकूल करून. प्रस्तावित मॉडेल केवळ वाक्ये यांच्या पदानुक्रमित रचनांचे त्यांच्या थर-दर-थर रचना आणि पूलिंगसह सुंदरपणे प्रतिनिधित्व करत नाहीत, तर विविध स्तरांवर समृद्ध जुळणारे नमुने देखील पकडतात. आमचे मॉडेल सर्वसामान्य आहेत, त्यांना भाषेचे कोणतेही पूर्व ज्ञान आवश्यक नाही, आणि म्हणून ते वेगवेगळ्या निसर्गाच्या आणि वेगवेगळ्या भाषांमधील कार्ये जुळवण्यासाठी लागू केले जाऊ शकतात. अनेक प्रकारच्या जुळवणीच्या कामांवर केलेल्या प्रायोगिक अभ्यासातून विविध प्रकारच्या जुळवणीच्या कामांवर प्रस्तावित मॉडेलची कार्यक्षमता आणि प्रतिस्पर्धी मॉडेलपेक्षा त्याचे श्रेष्ठत्व दिसून येते.
0af737eae02032e66e035dfed7f853ccb095d6f5	उत्तर निवड (एएस), परिभाषेची ओळख (पीआय) आणि मजकूर समाविष्ट करणे (टीई) यासारख्या अनेक एनएलपी कार्यांमध्ये वाक्ये जोडण्याची पद्धत एक गंभीर समस्या आहे. बहुतेक आधीची कामे (i) विशिष्ट प्रणालीला बारीक ट्यून करून एका स्वतंत्र कार्याशी संबंधित असतात; (ii) प्रत्येक वाक्याचे प्रतिनिधित्व स्वतंत्रपणे मॉडेल करते, क्वचितच इतर वाक्याचा प्रभाव विचारात घेते; किंवा (iii) पूर्णपणे हाताने डिझाइन केलेल्या, कार्य-विशिष्ट भाषिक वैशिष्ट्यांवर अवलंबून असते. हे काम एक सामान्य लक्ष आधारित संक्रमणीय न्यूरल नेटवर्क (एबीसीएनएन) सादर करते जे वाक्ये जोडण्यासाठी मॉडेल करते. आम्ही तीन योगदान देतो. (i) ABCNN हा वाक्य जोड्यांचे मॉडेलिंग आवश्यक असलेल्या विविध प्रकारच्या कामांसाठी लागू केला जाऊ शकतो. (ii) आम्ही तीन लक्ष योजना प्रस्तावित करतो ज्यामध्ये सीएनएनमध्ये वाक्यांमधील परस्पर प्रभाव समाविष्ट होतो; अशा प्रकारे, प्रत्येक वाक्याचे प्रतिनिधित्व त्याच्या समकक्षाचा विचार करते. हे परस्पर अवलंबून वाक्य जोडीचे प्रतिनिधित्व वेगळ्या वाक्यांच्या प्रतिनिधित्वपेक्षा अधिक शक्तिशाली आहेत. (iii) एबीसीएनएनने आ.स. , आय.पी. आणि टी.ई. कार्यांवर अत्याधुनिक कामगिरी साध्य केली. आम्ही हा कोड https://github.com/yinwenpeng/Answer_Selection येथे जारी करतो.
1c059493904b2244d2280b8b4c0c7d3ca115be73	नेटवर्कमधील नोड्स आणि एजवरच्या भविष्यवाणी कार्ये शिकण्याच्या अल्गोरिदमद्वारे वापरल्या जाणार्या अभियांत्रिकी वैशिष्ट्यांमध्ये काळजीपूर्वक प्रयत्न करणे आवश्यक आहे. प्रतिनिधीत्व शिकण्याच्या व्यापक क्षेत्रात अलीकडील संशोधनामुळे स्वतःची वैशिष्ट्ये शिकून अंदाज स्वयंचलित करण्यात लक्षणीय प्रगती झाली आहे. तथापि, सध्याचे वैशिष्ट्य शिक्षण दृष्टिकोन नेटवर्कमध्ये दिसणार्या कनेक्टिव्हिटी नमुन्यांची विविधता पकडण्यासाठी पुरेसे अभिव्यक्तीपूर्ण नाहीत. येथे आम्ही नोड२व्हेक, नेटवर्कमधील नोड्ससाठी सतत वैशिष्ट्य प्रतिनिधित्व शिकण्यासाठी एक अल्गोरिदम फ्रेमवर्क प्रस्तावित करतो. नोड २ व्हेक मध्ये, आपण नोड्सचे मॅपिंग कमी-आयामी स्पेसमध्ये शिकतो जे नोड्सच्या नेटवर्क शेजारच्या भागांचे जतन करण्याची शक्यता वाढवते. आम्ही नोडच्या नेटवर्क शेजारच्या लवचिक संकल्पना परिभाषित करतो आणि एक पक्षपाती यादृच्छिक चाला प्रक्रिया डिझाइन करतो, जी विविध शेजारी कार्यक्षमतेने अन्वेषण करते. आमचा अल्गोरिदम पूर्वीच्या कामाचा सर्वसाधारणीकरण करतो जो नेटवर्क शेजारच्या कठोर संकल्पनांवर आधारित आहे, आणि आम्ही असा युक्तिवाद करतो की शेजारच्या भागांचा शोध घेण्यात जोडलेली लवचिकता ही समृद्ध प्रतिनिधित्व शिकण्याची गुरुकिल्ली आहे. आम्ही विविध डोमेनमधील अनेक वास्तविक-जागतिक नेटवर्कमध्ये मल्टी-लेबल वर्गीकरण आणि दुवा अंदाज वर विद्यमान अत्याधुनिक तंत्रज्ञानावर नोड 2 व्हेकची कार्यक्षमता दर्शवितो. एकत्रितपणे, आमचे काम जटिल नेटवर्कमध्ये अत्याधुनिक कार्य-स्वतंत्र प्रतिनिधित्व कार्यक्षमतेने शिकण्याचा एक नवीन मार्ग दर्शविते.
de93c4f886bdf55bfc1bcaefad648d5996ed3302	या अध्यायात आधुनिक घुसखोरी शोधण्याच्या स्थितीची तपासणी केली जाते, ज्यामध्ये डेटा खननच्या उदयोन्मुख दृष्टिकोनावर विशेष भर दिला जातो. घुसखोरी शोधण्याच्या दोन महत्त्वाच्या बाबींवर चर्चा केली गेली: सामान्य शोध धोरण (दुरुपयोग शोधणे विरूद्ध विसंगती शोधणे) आणि डेटा स्रोत (वैयक्तिक यजमान विरूद्ध नेटवर्क ट्रॅफिक). गैरवापर शोधणे हे घुसखोरीच्या ज्ञात पद्धतीशी जुळण्याचा प्रयत्न करते , तर विसंगती शोधणे हे सामान्य वर्तनापासून विचलनाचा शोध घेते . दोन पद्धतींमध्ये, केवळ विसंगती शोधणे ही अज्ञात हल्ले शोधण्याची क्षमता आहे. अपवाद शोधण्यासाठी एक विशेषतः आशादायक दृष्टिकोन म्हणजे वर्गीकरण सारख्या मशीन लर्निंगच्या इतर प्रकारांसह असोसिएशन खनन एकत्र करणे. याव्यतिरिक्त, घुसखोरी शोध प्रणाली वापरत असलेल्या डेटा स्त्रोताचा तो शोधू शकणार्या हल्ल्यांच्या प्रकारावर महत्त्वपूर्ण परिणाम होतो. उपलब्ध असलेल्या सविस्तर माहितीच्या पातळीवर एक तडजोड आहे. बार्बरा व इतर. (संपादक . ), डेटा मायनिंगचे संगणक सुरक्षेतील अनुप्रयोग © क्लुवर शैक्षणिक प्रकाशक 2002
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	आम्ही एका मोठ्या लेबल केलेल्या ऑब्जेक्ट रेकग्निशन डेटासेटवर प्रशिक्षित डीप कन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) च्या फीचर एक्सट्रॅक्शन लेयर्सचा वापर करून संगणित केलेल्या व्हिज्युअल कॉन्सेप्ट रेप्रिझेन्टेशन वेक्टरसह स्किप-ग्राम भाषिक प्रतिनिधित्व वेक्टरची जोडणी करून मल्टी-मोडल संकल्पना प्रतिनिधित्व तयार करतो. या हस्तांतरण शिक्षण दृष्टिकोन पारंपारिक बॅग-ऑफ-व्हिज्युअल-वर्ड दृष्टिकोन आधारित वैशिष्ट्यांपेक्षा स्पष्ट कामगिरी मिळवते. वर्डसिम ३५३ आणि एमईएन सिमेंटिक संबंध मूल्यांकन कार्यावर प्रयोगात्मक परिणाम नोंदवले आहेत. आम्ही इमेजनेट किंवा ईएसपी गेम इमेजचा वापर करून संगणकीय वैशिष्ट्ये वापरतो.
a65e815895bed510c0549957ce6baa129c909813	आम्ही नॉन-कॅटेनेटिव्ह मॉर्फोलॉजी शिकण्यासाठी एक अनसुपरव्हेटेड दृष्टिकोन प्रस्तावित करतो, जो आम्ही अरबी मुळे आणि नमुना टेम्पलेट्सचे शब्दकोश निर्माण करण्यासाठी लागू करतो. हा दृष्टिकोन हा विचारावर आधारित आहे की मुळे आणि नमुने परिकल्पना केलेल्या नमुना आणि मूळ वारंवारतेवर आधारित परस्पर पुनरावृत्ती स्कोअरिंगद्वारे प्रकट केले जाऊ शकतात. पुढील पुनरावृत्ती परिष्कृत करण्याच्या टप्प्यानंतर, प्रेरित शब्दकोशाने मॉर्फोलॉजिकल विश्लेषण 94% पेक्षा जास्त मूळ ओळख अचूकता प्राप्त करते. अरबी भाषेतले शब्दकोष शिकवण्याच्या बाबतीत पूर्वीच्या कामापेक्षा आमचा दृष्टिकोन वेगळा आहे कारण तो नैसर्गिकरित्या लिहिलेल्या, स्वरहीन मजकूरावर लागू आहे.
3f4e71d715fce70c89e4503d747aad11fcac8a43	या प्रकरणात आम्ही तीन वेगवेगळ्या डिजिटल नाविन्यपूर्ण प्रकल्पांचा अभ्यास करतो ऑटो इंक मध्ये -- एक मोठी युरोपियन वाहन निर्माता. प्रतिस्पर्धी मूल्यांची चौकट एक सैद्धांतिक दृष्टीकोन म्हणून वापरून आम्ही डिजिटलकरणापासून उत्पत्ती आणि नाविन्यपूर्णतेच्या वाढत्या मागण्या पूर्ण करण्याचा प्रयत्न करीत असलेल्या फर्ममध्ये डायनॅमिक क्षमता कशा घडतात याचा शोध घेतो. या डिजिटलायझेशन प्रक्रियेत, आमच्या अभ्यासानुसार, प्रस्थापित सामाजिक-तांत्रिक समरूपतेला आव्हान दिले जात आहे. त्यापेक्षा, आम्ही संस्थांना डिजिटलायझेशनच्या युगात नवीन प्रायोगिक शिक्षण प्रक्रिया स्वीकारण्याचे मार्ग शोधण्याची गरज असल्याचे स्पष्ट करतो. अशा बदलासाठी दीर्घकालीन बांधिलकी आणि दृष्टी आवश्यक असली तरी, या अभ्यासात अशा प्रायोगिक प्रक्रियेसाठी तीन अनौपचारिक सक्षम करणारे घटक सादर केले आहेत. हे सक्षम करणारे घटक म्हणजे वेळ, चिकाटी आणि संपर्क.
c22366074e3b243f2caaeb2f78a2c8d56072905e	एक अनुलंब-स्लॉट कडा वेव्हगाइड अँटेना अॅरे एक संक्षिप्त आडव्या आकारासह सादर केले आहे. अॅरेची बँडविड्थ वाढवण्यासाठी, हे दोन उप-अॅरेमध्ये विभागले जाते जे एका नवीन कॉम्पॅक्ट उत्तल वेव्हगाइड विभाजकाने दिले जाते. एक्स-बँडमध्ये 16 घटकांची एकसमान रेषेचा अॅरे तयार करण्यात आला आणि डिझाइनची वैधता सत्यापित करण्यासाठी मोजली गेली. S11les-15 dB ची मोजलेली बँडविड्थ 14.9% आहे आणि मोजलेल्या क्रॉस- ध्रुवीकरण पातळी संपूर्ण बँडविड्थवर -36 dB पेक्षा कमी आहे. या अॅरेला एज-स्लॉटेड वेव्हगाइड अॅरेसह एकत्रित केले जाऊ शकते जेणेकरून सिंथेटिक एपर्चर रडार (एसएआर) अनुप्रयोगासाठी द्वि-आयामी दुहेरी-ध्रुवीकरण अँटेना अॅरे तयार करता येईल
0d57ba12a6d958e178d83be4c84513f7e42b24e5	खोल शिक्षण हे मोठ्या तंत्रिका नेटवर्क आणि मोठ्या डेटासेटसह विकसित होते. मात्र, मोठे नेटवर्क आणि मोठ्या प्रमाणात डेटामुळे प्रशिक्षण कालावधी वाढतो, ज्यामुळे संशोधन आणि विकास प्रगतीला बाधा येते. वितरित समकालिक एसजीडी समानांतर कामगारांच्या पूलवर एसजीडी मिनीबॅचेस विभाजित करून या समस्येचे संभाव्य समाधान देते. मात्र ही योजना कार्यक्षम करण्यासाठी प्रति कामगार कामाचा भार मोठा असणे आवश्यक आहे, ज्यामुळे एसजीडी मिनी-बॅच आकारात महत्त्वपूर्ण वाढ होते. या पेपरमध्ये, आम्ही अनुभवजन्यपणे दर्शवितो की इमेजनेट डेटासेटवर मोठ्या मिनीबॅचेसमुळे ऑप्टिमायझेशन अडचणी उद्भवतात, परंतु जेव्हा याकडे लक्ष दिले जाते तेव्हा प्रशिक्षित नेटवर्क चांगले सामान्यीकरण दर्शवतात. विशेषतः, आम्ही 8192 प्रतिमांपर्यंत मोठ्या मिनीबॅच आकारासह प्रशिक्षण देताना अचूकतेचा कोणताही तोटा दर्शवत नाही. या परिणामापर्यंत पोहोचण्यासाठी, आम्ही मिनी बॅच आकाराच्या फंक्शन म्हणून शिक्षण दर समायोजित करण्यासाठी रेषेचा स्केलिंग नियम स्वीकारतो आणि नवीन वार्मअप योजना विकसित करतो जी प्रशिक्षणात लवकर ऑप्टिमायझेशन आव्हानांना मात करते. या सोप्या पद्धतींमुळे, आमची कॅफे २ आधारित प्रणाली रेझनेट ५० ला एक तासात ८१९२ च्या मिनी बॅच आकारासह २५६ जीपीयूवर प्रशिक्षित करते, तर लहान मिनी बॅच अचूकतेशी जुळते. कमोडिटी हार्डवेअरचा वापर करून, आमची अंमलबजावणी 8 ते 256 GPU वर जाताना ∼90% स्केलिंग कार्यक्षमता प्राप्त करते. या प्रणालीमुळे आम्हाला इंटरनेटच्या डेटावर उच्च कार्यक्षमतेसह व्हिज्युअल रिकग्निशन मॉडेल प्रशिक्षित करण्यास सक्षम करते.
2bbe9735b81e0978125dad005656503fca567902	कर्नल रूटकिट्स संगणक प्रणालीसाठी एक मोठा धोका आहे. ते गुप्त आहेत आणि सिस्टम स्त्रोतांवर अमर्यादित प्रवेश करू शकतात. या पेपरमध्ये NumChecker, एक नवीन व्हर्च्युअल मशीन (VM) मॉनिटर आधारित फ्रेमवर्क सादर केले आहे जे अतिथी VM मध्ये कंट्रोल-फ्लो मॉडिफाइंग कर्नेल रूटकिट्स शोधण्यासाठी आणि ओळखण्यासाठी आहे. न्युमचेकर सिस्टम कॉलच्या अंमलबजावणीदरम्यान होणाऱ्या काही हार्डवेअर इव्हेंटची संख्या मोजून गेस्ट व्हीएममध्ये सिस्टम कॉलमध्ये दुर्भावनायुक्त सुधारणा शोधते आणि ओळखते. या घटनांची स्वयंचलितपणे गणना करण्यासाठी, न्युमचेकर हार्डवेअर परफॉर्मन्स काउंटर (एचपीसी) चा लाभ घेते, जे आधुनिक प्रोसेसरमध्ये अस्तित्वात आहेत. एचपीसीचा वापर केल्याने तपासणीचा खर्च लक्षणीयरीत्या कमी होतो आणि छेडछाड रोखता येतो. आम्ही लिनक्सवर न्युमचेकरचा एक नमुना कर्नल-आधारित व्हीएमसह लागू करतो. एचपीसी आधारित दोन टप्प्यातील कर्नल रूटकिट शोध आणि ओळख तंत्र सादर केले आहे आणि वास्तविक जगातील अनेक कर्नल रूटकिटवर त्याचे मूल्यांकन केले आहे. याचे परिणाम त्याची व्यवहार्यता आणि परिणामकारकता दर्शवतात.
a3d638ab304d3ef3862d37987c3a258a24339e05	सायकलगॅन [झू व इतर, २०१७] हे दोन प्रतिमा वितरण दरम्यान परिवर्तन शिकण्यासाठी अलीकडील यशस्वी दृष्टिकोन आहे. प्रयोगांच्या मालिकेत, आम्ही मॉडेलची एक मनोरंजक मालमत्ता दर्शवितो: सायकलगॅनने स्त्रोत प्रतिमेबद्दल माहिती जवळजवळ अदृश्य, उच्च-वारंवारता सिग्नलमध्ये तयार केलेल्या प्रतिमांमध्ये "लपविणे" शिकले. या युक्तीमुळे जनरेटर मूळ नमुना पुनर्प्राप्त करू शकतो आणि अशा प्रकारे चक्रीय सुसंगततेची आवश्यकता पूर्ण करू शकतो, तर व्युत्पन्न प्रतिमा वास्तववादी राहते. आम्ही या घटनेला विरोधी हल्ल्यांशी जोडतो. सायकलगॅनच्या प्रशिक्षण प्रक्रियेला विरोधी उदाहरणांच्या जनरेटरला प्रशिक्षण देण्यासारखे पाहतो आणि हे दर्शवितो की चक्रीय सुसंगतता गमावल्यामुळे सायकलगॅन विरोधी हल्ल्यांना विशेषतः असुरक्षित बनते.
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	या अंकातील लेखांची निवड अँथनी जी. हॉपवूड, जे लंडन ग्रॅज्युएट स्कूल ऑफ बिझनेस स्टडीजमध्ये अकाउंटिंग आणि फायनान्शियल रिपोर्टिंगचे प्राध्यापक आहेत. या लेखांमध्ये महत्वाची कल्पना आहेत, असे प्राध्यापक हॉपवूड यांनी लिहिले, माहिती प्रणालीमध्ये रस असलेल्या सर्व लोकांसाठी, ते व्यावसायिक असोत किंवा शैक्षणिक असोत. या लेखकांची नावं आणि त्या वेळी त्यांची व्यावसायिक संलग्नता अशी होती: क्रिस आर्गिरिस, ग्रॅज्युएट स्कूल ऑफ एज्युकेशन, हार्वर्ड युनिव्हर्सिटी; बो हेडबर्ग आणि स्टेन जॉन्सन, बिझनेस अॅडमिनिस्ट्रेशन, युनिव्हर्सिटी ऑफ गोथेनबर्ग; जे. फ्रिस्को डेन हर्टोग, एन. फिलिप्स ग्लोई लॅम्पफॅब्रिक, नेदरलँड्स आणि मायकल जे. अर्ल, ऑक्सफर्ड सेंटर फॉर मॅनेजमेंट स्टडीज. हे लेख मूलतः अकाउंटिंग, ऑर्गनायझेशन अँड सोसायटी या मासिकात प्रसिद्ध झाले होते. हा मासिक प्राध्यापक होपवूड यांचे मुख्य संपादक आहेत. एओएस उभरत्या घडामोडींचे निरीक्षण करण्यासाठी आणि नवीन दृष्टिकोन आणि दृष्टीकोनास सक्रियपणे प्रोत्साहित करण्यासाठी अस्तित्वात आहे .
02227c94dd41fe0b439e050d377b0beb5d427cda	नैसर्गिक प्रतिमांमधून मजकूर शोधणे आणि वाचणे हे एक कठीण संगणक दृष्टी कार्य आहे जे विविध उदयोन्मुख अनुप्रयोगांसाठी केंद्रीय आहे. कागदपत्रांच्या वर्ण ओळखण्यासारख्या संबंधित समस्यांचा संगणक दृष्टी आणि मशीन शिक्षण संशोधकांनी मोठ्या प्रमाणात अभ्यास केला आहे आणि हस्तलिखित अंक वाचण्यासारख्या व्यावहारिक अनुप्रयोगांसाठी अक्षरशः सोडविल्या आहेत. छायाचित्रांसारख्या अधिक जटिल दृश्यातील पात्र ओळखणे हे अधिक कठीण आहे: सध्याच्या सर्वोत्तम पद्धती त्याच कामांमध्ये मानवी कामगिरीच्या मागे आहेत. या लेखात आम्ही वास्तविक अनुप्रयोगामध्ये अंकांची ओळख पटवण्याच्या समस्येवर अनसुप्रिव्हिज्ड फीचर लर्निंग पद्धतींचा वापर करून हल्ला केला आहे: रस्त्याच्या पातळीवरील फोटोंमधून घर क्रमांक वाचणे. यासाठी आम्ही स्ट्रीट व्ह्यूच्या प्रतिमांवरून 600,000 पेक्षा जास्त लेबल केलेले अंक असलेल्या संशोधनासाठी वापरण्यासाठी एक नवीन बेंचमार्क डेटासेट सादर करतो. मग आम्ही हे दाखवतो की हा अंक ओळखणे किती कठीण आहे जेव्हा हातांनी बनवलेल्या वैशिष्ट्यांसह समस्येकडे पाहतो. शेवटी, आम्ही दोन अलीकडेच प्रस्तावित असुरक्षित वैशिष्ट्य शिक्षण पद्धतींचे रूप वापरतो आणि ते आमच्या बेंचमार्कवर विश्वासार्हपणे श्रेष्ठ असल्याचे आढळते.
081651b38ff7533550a3adfc1c00da333a8fe86c	नैसर्गिक प्रतिमांवर प्रशिक्षित अनेक खोल मज्जासंस्था एक विचित्र घटना दर्शवतात: पहिल्या थरावर ते गॅबोर फिल्टर आणि रंगीबेरंगी ब्लेड सारख्या वैशिष्ट्यांचा अभ्यास करतात. अशा पहिल्या लेयर वैशिष्ट्ये एका विशिष्ट डेटासेट किंवा कामासाठी विशिष्ट नसतात, परंतु सामान्य आहेत कारण ते अनेक डेटासेट आणि कामांसाठी लागू होतात. नेटवर्कच्या शेवटच्या थरापर्यंत वैशिष्ट्यांचा सामान्य ते विशिष्टतेपर्यंतचा संक्रमण होणे आवश्यक आहे, परंतु या संक्रमणाचा विस्तृत अभ्यास केला गेला नाही. या लेखात आम्ही प्रयोगात्मक पद्धतीने डीप कन्वॉल्युशनल न्यूरल नेटवर्कच्या प्रत्येक थरातील न्यूरॉन्सच्या विशिष्टतेच्या तुलनेत सामान्यतेची संख्या मोजली आहे आणि काही आश्चर्यकारक परिणामांची नोंद केली आहे. हस्तांतरणास दोन भिन्न समस्यांमुळे नकारात्मक परिणाम होतो: (1) उच्च स्तरावरील न्यूरॉन्सचे त्यांच्या मूळ कार्यासाठी लक्ष्य कार्यक्षमतेच्या खर्चावर विशेषीकरण, जे अपेक्षित होते आणि (2) सह-अनुकूलित न्यूरॉन्स दरम्यान नेटवर्क विभाजित करण्याशी संबंधित ऑप्टिमायझेशन अडचणी, जे अपेक्षित नव्हते. इमेजनेटवर प्रशिक्षित केलेल्या नेटवर्कच्या उदाहरणात, आम्ही हे दाखवतो की या दोनपैकी एक समस्या वर्चस्व गाजवू शकते, हे नेटवर्कच्या तळाशी, मध्यभागी किंवा वरच्या बाजूस वैशिष्ट्ये हस्तांतरित केली जातात यावर अवलंबून असते. आम्ही हेही नोंदवले आहे की वैशिष्ट्यांची हस्तांतरणीयता कमी होते कारण बेस टास्क आणि लक्ष्य टास्कमधील अंतर वाढते, परंतु दूरच्या टास्कमधून देखील वैशिष्ट्ये हस्तांतरित करणे यादृच्छिक वैशिष्ट्ये वापरण्यापेक्षा चांगले असू शकते. एक आश्चर्यकारक परिणाम असा आहे की जवळजवळ कोणत्याही लेयरमधून हस्तांतरित वैशिष्ट्यांसह नेटवर्कची सुरूवात करणे सामान्यीकरण वाढवू शकते जे लक्ष्य डेटासेटवर बारीक ट्यूनिंग केल्यानंतरही टिकते.
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	उच्च-प्रभावी अनुक्रमणिका केल्याने उच्च-गुणवत्तेचे डी नोवो एकत्रित जीनोम अनुक्रम मिळवणे सैद्धांतिकदृष्ट्या शक्य झाले आहे परंतु प्रत्यक्षात डीएनए अर्क इतर जीवांच्या अनुक्रमांनी दूषित होतात. सध्या युकेरियोटिक संकुलांना पूर्णपणे निर्जंतुकीकरण करण्यासाठी काही पद्धती आहेत. जे अस्तित्वात आहेत ते दूषित पदार्थांच्या न्यूक्लियोटाइड सारखेपणावर आधारित अनुक्रम फिल्टर करतात आणि लक्ष्य जीवनातून अनुक्रम काढून टाकण्याचा धोका असतो. आम्ही मशीन लर्निंग पद्धतीचा एक नवीन अनुप्रयोग सादर करतो, एक निर्णय वृक्ष, जे अनुक्रमांचे कठोरपणे वर्गीकरण करू शकते. निर्णय वृक्षाची मुख्य ताकद म्हणजे ते कोणत्याही मोजलेल्या वैशिष्ट्याचा इनपुट म्हणून घेऊ शकते आणि महत्त्वपूर्ण वर्णनकर्त्यांची पूर्वनिर्धारित ओळख आवश्यक नसते. आम्ही निर्णय झाडाचा वापर नव्याने एकत्रित केलेल्या अनुक्रमांचे वर्गीकरण करण्यासाठी करतो आणि प्रकाशित प्रोटोकॉलशी पद्धतीची तुलना करतो. युकेरियोटिक डी नोवो असेंब्लीमध्ये अनुक्रमांचे वर्गीकरण करताना निर्णय वृक्ष विद्यमान पद्धतींपेक्षा चांगले कार्य करते. हे कार्यक्षम आहे, सहजपणे अंमलात आणले जाते आणि लक्ष्य आणि दूषित अनुक्रमांची अचूक ओळख करते. महत्त्वाचे म्हणजे, मोजलेल्या वर्णनकर्त्यांनुसार अनुक्रमांचे वर्गीकरण करण्यासाठी निर्णय वृक्ष वापरला जाऊ शकतो आणि जैविक डेटासेट डिस्टिलिंगमध्ये संभाव्यतः बरेच उपयोग आहेत.
26433d86b9c215b5a6871c70197ff4081d63054a	बहु-पद्धती बायोमेट्रिक्सने बायोमेट्रिक ओळख प्रणालीमध्ये त्याच्या उच्च कार्यक्षमतेसाठी अलीकडेच लक्षणीय रस आकर्षित केला आहे. या लेखात आम्ही वैशिष्ट्य पातळीवर फ्यूजन तंत्रज्ञानाचा वापर करून चेहरा आणि हातीच्या छापांच्या प्रतिमांसाठी मल्टीमोडल बायोमेट्रिक्सची ओळख करून देतो. भेदभाव करणाऱ्या वैशिष्ट्यांचा शोध घेण्यासाठी गॅबोर आधारित प्रतिमा प्रक्रिया वापरली जाते, तर प्रत्येक पद्धतीचा आकार कमी करण्यासाठी मुख्य घटक विश्लेषण (पीसीए) आणि रेषेचा भेदभाव करणारा विश्लेषण (एलडीए) वापरला जातो. एलडीएचे आउटपुट वैशिष्ट्ये अनुक्रमे एकत्रित केली जातात आणि युक्लिडियन अंतर वर्गीकरणकर्त्याद्वारे वर्गीकृत केली जातात. ओआरएल चेहर्याचा आणि पॉली-यू हातीचा ठसा डेटाबेसवर आधारित प्रयोगात्मक परिणामांनी हे सिद्ध केले की हे फ्यूजन तंत्र सिंगल मोडल बायोमेट्रिक्सच्या तुलनेत बायोमेट्रिक ओळख दर वाढविण्यास सक्षम आहे.
1c01e44df70d6fde616de1ef90e485b23a3ea549	आम्ही मार्कोव्ह यादृच्छिक फील्ड (एमआरएफ) च्या लॉग विभाजन फंक्शनवर वरच्या मर्यादेचा एक नवीन वर्ग सादर करतो. हे प्रमाण विविध संदर्भात महत्वाची भूमिका बजावते, ज्यात मार्जिनल वितरण, पॅरामीटर अंदाज, संयोजक गणना, सांख्यिकीय निर्णय सिद्धांत आणि मोठ्या-अडथळा मर्यादांचा समावेश आहे. आमचे व्युत्पन्न हे उभ्या द्वैत आणि माहिती भूमितीच्या संकल्पनांवर आधारित आहे: विशेषतः, ते घातांक क्षेत्रात वितरण मिश्रणांचा आणि घातांक आणि सरासरी मापदंडांमधील लेजेन्ड्रे मॅपिंगचा वापर करते. झाडाच्या संरचनेत असलेल्या वितरणातील उत्तल जोड्यांच्या विशेष प्रकरणात, आम्ही बेथच्या भिन्नता समस्यांसारख्या भिन्नता समस्यांचे कुटुंब मिळवतो, परंतु खालील इच्छित गुणधर्मांद्वारे वेगळे केले जातेः i) ते उत्तल आहेत, आणि एक अद्वितीय जागतिक इष्टतम आहे; आणि ii) इष्टतम लॉग विभाजन फंक्शनवर एक वरची सीमा देते. हे ऑप्टिमम स्थिर अटींनी परिभाषित केले आहे जे बेथ वेरिएशनल समस्येचे स्थिर बिंदू परिभाषित करणारे किंवा अधिक सामान्यपणे, बेथ वेरिएशनल समस्येचे कोणतेही स्थानिक ऑप्टिमम. बेरीज-उत्पादने निश्चित बिंदूप्रमाणे, ऑप्टिमाइझिंग वितर्कचे घटक मूळ मॉडेलच्या मार्जिनलला जवळपास म्हणून वापरले जाऊ शकतात. विश्लेषण नैसर्गिकरित्या हायपरट्री-स्ट्रक्चर्ड वितरणच्या उत्तुंग जोड्यांपर्यंत विस्तारते, ज्यामुळे किकुची अंदाजे आणि रूपे यांच्याशी दुवे स्थापित होतात.
39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd	या पेपरमध्ये आम्ही व्हिडिओ किंवा 3 डी इमेजरी जसे की एमआरआय डेटासाठी 3-डी (3 डी) एसआयएफटी डिस्क्रिप्टर सादर करतो. आम्ही हे देखील दाखवतो की हा नवीन वर्णनकर्ता क्रिया ओळखण्याच्या अनुप्रयोगात व्हिडिओ डेटाच्या 3 डी स्वरूपाचे अधिक चांगले प्रतिनिधित्व करण्यास सक्षम आहे. या पेपरमध्ये हे दाखवण्यात येईल की 3 डी एसआयएफटी पूर्वी वापरल्या गेलेल्या वर्णन पद्धतींना मोहक आणि कार्यक्षम पद्धतीने कसे मागे टाकू शकते. आम्ही व्हिडिओचे प्रतिनिधित्व करण्यासाठी शब्दांच्या पिशवीचा वापर करतो आणि व्हिडिओ डेटाचे अधिक चांगले वर्णन करण्यासाठी अवकाशा-वेळ शब्दांमधील संबंध शोधण्याची पद्धत सादर करतो.
0a10d64beb0931efdc24a28edaa91d539194b2e2	आम्ही दोन नवीन मॉडेल आर्किटेक्चर प्रस्तावित करतो जे खूप मोठ्या डेटा सेटमधून शब्दांचे सतत वेक्टर प्रतिनिधित्व करतात. या प्रतिनिधित्व गुणवत्ता शब्द समानता कार्य मध्ये मोजली जाते, आणि परिणाम विविध प्रकारच्या मज्जासंस्थेच्या नेटवर्कवर आधारित पूर्वी सर्वोत्तम कामगिरी तंत्र तुलनेत आहेत. आम्ही कमी संगणकीय खर्चासह अचूकतेत मोठी सुधारणा पाहत आहोत, म्हणजे १.६ अब्ज शब्दांच्या डेटा सेटमधून उच्च दर्जाचे शब्द वेक्टर शिकण्यासाठी एका दिवसापेक्षा कमी वेळ लागतो. या व्यतिरिक्त, आम्ही हे दाखवतो की हे वेक्टर संश्लेषणात्मक आणि सिमेंटिक शब्द समानतेचे मोजमाप करण्यासाठी आमच्या चाचणी संचावर अत्याधुनिक कार्यक्षमता प्रदान करतात.
b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d	या पेपरमध्ये 5G मिलिमीटर वेव्ह अनुप्रयोगांसाठी 64-घटक 29-30GHz सक्रिय चरणबद्ध अॅरे सादर केले आहे. प्रस्तावित टप्प्याटप्प्याने बनवलेल्या अॅरेमध्ये ६४ एलिमेंट अँटेना, ६४ चॅनल टी/आर मॉड्यूल, ४ फ्रिक्वेन्सी कन्व्हर्शन लिंक्स, बीम कंट्रोलिंग सर्किट्री, पॉवर मॅनेजमेंट सर्किट आणि कूलिंग फॅन आहेत आणि ते अतिशय कॉम्पॅक्ट आकारात (१३५ मिमी× ७७ मिमी× ५६ मिमी) समाकलित आहेत. अधिक चांगले आरएफ कार्यक्षमता मिळविण्यासाठी गॅस आणि सियालियम सर्किटचे संकरित एकत्रीकरण वापरले जाते. प्रस्तावित टप्प्याटप्प्याने तयार होणाऱ्या अॅरेचे आर्किटेक्चर आणि टी/आर मॉड्यूल आणि अँटेनाचे तपशीलवार डिझाइनचे विश्लेषण केले जाते. ओटीए (ओव्हर एअर) मोजमापाद्वारे, प्रस्तावित चरणबद्ध अॅरे 29.5GHz च्या मध्यवर्ती वारंवारतेवर 1 जीएचझेडची बँडविड्थ प्राप्त करते आणि अझिमथ बीम-विड्थ 12 डिग्री आहे ज्यामध्ये ± 45 डिग्री स्कॅनिंग श्रेणी आहे. 800 मेगाहर्ट्झ 64 क्यूएएम सिग्नलच्या उत्तेजनासह, ट्रान्समीटर बीम 5.5% ची ईव्हीएम प्राप्त करते, पीए -10 डीबी बॅक ऑफवर काम करत असताना -30.5 डीबीसीची एसीएलआर आणि मोजलेले संतृप्त ईआयआरपी 63 डीबीएम आहे.
5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

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

Dataset Description

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

Usage

This dataset is designed for:

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

Dataset Structure

The dataset consists of three main components:

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

Citation

If you use this dataset, please cite:

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