_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | মোটর চালিত যন্ত্রের জন্য প্রচলিত দ্বি-স্তরের উচ্চ-ফ্রিকোয়েন্সি পালস প্রস্থ মডুলেশন (পিডব্লিউএম) ইনভার্টারগুলির উচ্চ-ফ্রিকোয়েন্সি স্যুইচিংয়ের সাথে সম্পর্কিত বেশ কয়েকটি সমস্যা রয়েছে যা মোটর ওয়াইন্ডিংগুলিতে সাধারণ-মোড ভোল্টেজ এবং উচ্চ ভোল্টেজ পরিবর্তন (ডিভি / ডিটি) হার উত্পাদন করে। মাল্টিলেভেল ইনভার্টার এই সমস্যাগুলি সমাধান করে কারণ তাদের ডিভাইসগুলি অনেক কম ফ্রিকোয়েন্সিতে স্যুইচ করতে পারে। বৈদ্যুতিক ড্রাইভের জন্য কনভার্টার হিসাবে ব্যবহারের জন্য দুটি ভিন্ন মাল্টিলেভেল টপোলজি চিহ্নিত করা হয়েছে, পৃথক ডিসি উত্স সহ একটি ক্যাসকেড ইনভার্টার এবং ব্যাক-টু-ব্যাক ডায়োড ক্ল্যাম্পড কনভার্টার। ক্যাসকেড ইনভার্টারটি বড় অটোমোবাইল অ্যালিলিক্ট্রিক ড্রাইভের জন্য একটি প্রাকৃতিক ফিট কারণ এটি উচ্চ ভ্যাটিকাল ভ্যাটিকাল রেটিংগুলি সম্ভব এবং কারণ এটি বিভিন্ন স্তরের ডিসি ভোল্টেজ উত্স ব্যবহার করে যা ব্যাটারি বা জ্বালানী কোষ থেকে পাওয়া যাবে। ব্যাক টু ব্যাক ডায়োড ক্ল্যাম্পড কনভার্টারটি আদর্শ যেখানে এসি ভোল্টেজের উৎস যেমন একটি হাইব্রিড বৈদ্যুতিক যানবাহন উপলব্ধ। সিমুলেশন এবং পরীক্ষামূলক ফলাফলগুলি পিডব্লিউএম ভিত্তিক ড্রাইভের তুলনায় এই দুটি রূপান্তরকারীর শ্রেষ্ঠত্ব দেখায়। |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | এই কাজের মাধ্যমে আমরা একটি নিরাপদ ইলেকট্রনিক ভোটিং প্রোটোকল প্রস্তাব করছি যা ইন্টারনেটের মাধ্যমে ব্যাপক আকারের ভোটিংয়ের জন্য উপযুক্ত। এই প্রোটোকল ভোটারকে অজ্ঞাতনামাভাবে ভোট দিতে দেয়, যার মাধ্যমে অজানা কিন্তু সত্যিকারের বার্তা বিনিময় করা যায়। প্রোটোকলটি নিশ্চিত করে যে (i) শুধুমাত্র যোগ্য ভোটাররা ভোট দিতে পারবেন, (ii) একজন ভোটার শুধুমাত্র একটি ভোট দিতে পারবেন, (iii) একজন ভোটার তার ভোটের চূড়ান্ত গণনায় গণনা করা হয়েছে কিনা তা যাচাই করতে পারবেন, (iv) ভোটার ছাড়া অন্য কেউ ভোটের সাথে ভোটের সাথে যুক্ত করতে পারবেন না, এবং (v) যদি একজন ভোটার ভোট না দেওয়ার সিদ্ধান্ত নেয়, তবে কেউ ভোটারের পরিবর্তে জালিয়াতি ভোট দিতে পারবে না। এই প্রোটোকলের জন্য সকল নিবন্ধিত ভোটারদের সহযোগিতা প্রয়োজন হয় না। ভোটদানের জন্য জটিল ক্রিপ্টোগ্রাফিক পদ্ধতি যেমন থ্রেশহোল্ড ক্রিপ্টোসিস্টেম বা বেনামী চ্যানেলের প্রয়োজন হয় না। এটি অন্যান্য ভোটদানের প্রোটোকলের বিপরীতে যা সাহিত্যে প্রস্তাবিত হয়েছে। প্রোটোকল সফল অপারেশনের জন্য ভোটারদের ছাড়া অন্য তিনজন এজেন্টকে ব্যবহার করে। তবে, আমরা এই এজেন্টদের কাউকে বিশ্বাস করতে চাই না। অর্থাৎ, এজেন্টরা শারীরিকভাবে একই স্থানে থাকতে পারে বা প্রতারণা করার চেষ্টা করার জন্য একে অপরের সাথে ষড়যন্ত্র করতে পারে। যদি কোন প্রতারণা হয়, তাহলে তা সহজেই সনাক্ত ও প্রমাণিত হতে পারে, যাতে ভোটকে অকার্যকর ঘোষণা করা যায়। যদিও আমরা ইলেকট্রনিক ভোটিংয়ের কথা মাথায় রেখে এই প্রোটোকলটির প্রস্তাব দিচ্ছি, তবে এই প্রোটোকলটি অন্যান্য অ্যাপ্লিকেশনেও ব্যবহার করা যেতে পারে যার মধ্যে একটি অ-ট্রেসযোগ্য কিন্তু সত্যিকারের বার্তা বিনিময় করা জড়িত। এই ধরনের অ্যাপ্লিকেশনের উদাহরণ হল গোপনীয় প্রশ্নাবলীর নাম প্রকাশ না করে উত্তর দেওয়া বা নাম প্রকাশ না করে আর্থিক লেনদেন করা। |
cf9145aa55da660a8d32bf628235c615318463bf | গত এক দশকে এটা স্পষ্ট হয়ে উঠেছে যে, এমবেডেড সিস্টেম আমাদের দৈনন্দিন জীবনের অবিচ্ছেদ্য অংশ। অনেক এমবেডেড অ্যাপ্লিকেশনের ওয়্যারলেস প্রকৃতি এবং তাদের সর্বত্র উপস্থিতি নিরাপত্তা এবং গোপনীয়তা সংরক্ষণের প্রক্রিয়াগুলির প্রয়োজনীয়তা বিশেষভাবে গুরুত্বপূর্ণ করে তুলেছে। এজন্য এফপিজিএগুলি এমবেডেড সিস্টেমের অবিচ্ছেদ্য অংশ হয়ে উঠছে, তাই তাদের নিরাপত্তা সামগ্রিকভাবে বিবেচনা করা জরুরি। এই অবদানটি সিস্টেম এবং বাস্তবায়ন উভয় দৃষ্টিকোণ থেকে এফপিজিএগুলির সুরক্ষা সংক্রান্ত সমস্যাগুলির একটি অত্যাধুনিক বর্ণনা সরবরাহ করে। আমরা ক্রিপ্টোগ্রাফিক অ্যাপ্লিকেশনের জন্য পুনরায় কনফিগারযোগ্য হার্ডওয়্যারের সুবিধাগুলি নিয়ে আলোচনা করি, এফপিজিএগুলির সম্ভাব্য সুরক্ষা সমস্যাগুলি দেখায় এবং উন্মুক্ত গবেষণা সমস্যার একটি তালিকা সরবরাহ করে। উপরন্তু, আমরা FPGA-তে পাবলিক এবং সিমট্রিক-কী অ্যালগরিদম বাস্তবায়ন উভয়ই সংক্ষিপ্ত করে তুলেছি। |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | টেক্সট মাইনিং হল কম্পিউটার বিজ্ঞানের একটি নতুন এবং উত্তেজনাপূর্ণ ক্ষেত্র যা তথ্যের ওভারলোডের সংকট সমাধানের চেষ্টা করে তথ্য খনির, মেশিন লার্নিং, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, তথ্য পুনরুদ্ধার এবং জ্ঞান পরিচালনার কৌশলগুলিকে একত্রিত করে। টেক্সট মাইনিং হ্যান্ডবুক পাঠ্য খনির সর্বশেষতম কৌশল এবং লিঙ্ক সনাক্তকরণের একটি বিস্তৃত আলোচনা উপস্থাপন করে। মূল পাঠ্য খনন এবং লিঙ্ক সনাক্তকরণ অ্যালগরিদম এবং ক্রিয়াকলাপগুলির গভীরতর পরীক্ষা প্রদানের পাশাপাশি বইটি উন্নত প্রাক-প্রক্রিয়াকরণ কৌশল, জ্ঞান উপস্থাপনা বিবেচনা এবং ভিজ্যুয়ালাইজেশন পদ্ধতিগুলি পরীক্ষা করে, বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলির সাথে শেষ করে। |
d044d399049bb9bc6df8cc2a5d72610a95611eed | উদ্দেশ্যঃ রোবট-সহায়তায় চলা প্রশিক্ষণের কার্যকারিতা তুলনা করা। পদ্ধতি মোট ৬৩ জন অংশগ্রহণকারী < ৬ মাস স্ট্রোকের পর ০. ১ থেকে ০. ৬ মিটার/ সেকেন্ডের মধ্যে প্রাথমিক হাঁটার গতি সহ মাল্টিসেন্টার, র্যান্ডমাইজড ক্লিনিকাল ট্রায়াল সম্পন্ন করেছেন। সব অংশগ্রহণকারী ২৪টি ১ ঘণ্টার সেশন পেয়েছেন, যেগুলোতে লোকম্যাট বা প্রচলিত হাঁটার প্রশিক্ষণ দেওয়া হয়েছে। ফলাফলের পরিমাপ প্রশিক্ষণের আগে, 12 এবং 24 সেশনের পরে এবং 3 মাসের ফলো-আপ পরীক্ষায় মূল্যায়ন করা হয়েছিল। স্ব-নির্বাচিত স্থলপথে হাঁটার গতি এবং ৬ মিনিটে হেঁটে যাওয়া দূরত্ব প্রাথমিক পরিণাম পরিমাপ ছিল, যখন মাধ্যমিক পরিণাম পরিমাপ সমতা, গতিশীলতা এবং ফাংশন, ক্যাডেন্স এবং সিম্যাট্রি, প্রতিবন্ধকতার স্তর এবং জীবনযাত্রার মানের পরিমাপ অন্তর্ভুক্ত। ফলাফলঃ যারা প্রচলিত হাঁটার প্রশিক্ষণ নিয়েছেন তাদের হাঁটার গতি (পি = .002) এবং দূরত্ব (পি = .03) লোকোম্যাট প্রশিক্ষিতদের তুলনায় উল্লেখযোগ্যভাবে বেশি। এই পার্থক্যগুলি 3 মাসের ফলো-আপ মূল্যায়নে বজায় ছিল। দ্বিতীয় পর্যায়ের পরিমাপগুলো দুই গ্রুপের মধ্যে আলাদা ছিল না, যদিও প্রচলিত ও লোকোমেট গ্রুপের তুলনায় ক্যাডেন্সির ক্ষেত্রে দ্বিগুণ উন্নতি দেখা গেছে। উপসংহারে বলা হয়েছে যে, মধ্যম থেকে গুরুতর হেঁটে চলা প্রতিবন্ধী ব্যক্তিদের ক্ষেত্রে রোবোটিক-অ্যাসিস্টেড হেঁটে চলা প্রশিক্ষণের চেয়ে প্রচলিত হেঁটে চলা প্রশিক্ষণের বিভিন্ন পদ্ধতি বেশি কার্যকর বলে মনে হয়। |
098cc8b16697307a241658d69c213954ede76d59 | দুটি প্ল্যাটফর্মের ৪৩ জন ব্যবহারকারীর তথ্য ব্যবহার করে আমরা স্মার্টফোন ট্রাফিকের একটি বিস্তারিত বর্ণনা উপস্থাপন করছি। আমরা দেখতে পাই যে ব্রাউজিং ট্রাফিকের অর্ধেকেরও বেশি অবদান রাখে, যখন ইমেইল, মিডিয়া এবং মানচিত্রের প্রতিটি প্রায় ১০% অবদান রাখে। আমরা আরও দেখতে পাই যে নিম্ন স্তরের প্রোটোকলগুলির ওভারহেড ছোট স্থানান্তর আকারের কারণে উচ্চ। অর্ধেক ট্রান্সফার যে পরিবহন স্তরের নিরাপত্তা ব্যবহার করে, হেডার বাইট মোটের 40% এর সাথে মিলে যায়। আমরা দেখিয়েছি যে প্যাকেট হ্রাস স্মার্টফোন ট্রাফিকের থ্রুপুটকে সীমাবদ্ধ করার প্রধান কারণ, ইন্টারনেট সার্ভারগুলিতে বৃহত্তর পাঠান বাফারগুলি স্থানান্তরগুলির এক চতুর্থাংশের থ্রুপুটকে উন্নত করতে পারে। পরিশেষে, স্মার্টফোন ট্রাফিক এবং রেডিও পাওয়ার ম্যানেজমেন্ট নীতির মধ্যে পারস্পরিক সম্পর্ক অধ্যয়ন করে আমরা দেখতে পাই যে প্যাকেট এক্সচেঞ্জের পারফরম্যান্সের উপর ন্যূনতম প্রভাব ফেলার সাথে রেডিওর বিদ্যুৎ খরচ 35% হ্রাস করা যেতে পারে। |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | এই কাগজ PowerBooter, একটি স্বয়ংক্রিয় শক্তি মডেল নির্মাণ কৌশল যে স্বতন্ত্র উপাদানগুলির শক্তি ব্যবস্থাপনা এবং কার্যকলাপের অবস্থা নিয়ন্ত্রণ করার সময় স্পষ্টভাবে শক্তি খরচ নিরীক্ষণ করতে ব্যাটারি ভোল্টেজ সেন্সর এবং ব্যাটারি স্রাব আচরণ জ্ঞান অন্তর্নির্মিত ব্যবহার করে বর্ণনা করে। এর জন্য কোন বাহ্যিক পরিমাপ যন্ত্রপাতি প্রয়োজন হয় না। আমরা পাওয়ার টিউটর, একটি কম্পোনেন্ট পাওয়ার ম্যানেজমেন্ট এবং অ্যাক্টিভিটি স্টেট ইনট্রোস্পেকশন ভিত্তিক টুলের বর্ণনা দিচ্ছি যা পাওয়ার বুটারের দ্বারা তৈরি মডেলটি ব্যবহার করে অনলাইন পাওয়ার অনুমানের জন্য। পাওয়ার বুটার অ্যাপ্লিকেশন ডেভেলপার এবং শেষ ব্যবহারকারীদের জন্য নতুন স্মার্টফোনের জন্য পাওয়ার মডেলগুলি দ্রুত এবং সহজ করে তোলার উদ্দেশ্যে তৈরি করা হয়েছে, যার প্রত্যেকটিরই বিভিন্ন বিদ্যুতের খরচ বৈশিষ্ট্য রয়েছে এবং তাই বিভিন্ন পাওয়ার মডেলের প্রয়োজন। পাওয়ার টিউটর এর উদ্দেশ্য হল এমবেডেড সিস্টেমের জন্য শক্তি দক্ষ সফটওয়্যার ডিজাইন এবং নির্বাচন সহজ করা। পাওয়ারবুটার এবং পাওয়ারটুটারের লক্ষ্য হচ্ছে আরও স্মার্টফোনের ভেরিয়েন্ট এবং তাদের ব্যবহারকারীদের জন্য পাওয়ার মডেলিং এবং বিশ্লেষণ খোলা। |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | আমরা ২৫৫ জন ব্যবহারকারীর বিস্তারিত তথ্য ব্যবহার করে স্মার্টফোন ব্যবহারের বিষয়ে একটি বিস্তৃত গবেষণা চালিয়েছি। আমরা ব্যবহারকারীর ইচ্ছাকৃত কার্যকলাপের বৈশিষ্ট্য বর্ণনা করি -- ডিভাইস এবং ব্যবহৃত অ্যাপ্লিকেশনগুলির সাথে ইন্টারঅ্যাকশন -- এবং সেই কার্যকলাপের প্রভাব নেটওয়ার্ক এবং শক্তি ব্যবহারের উপর। ব্যবহারকারীদের মধ্যে আমরা অনেক বৈচিত্র্য দেখতে পাই। আমরা যে সকল বিষয় নিয়ে গবেষণা করি, সেসব ক্ষেত্রে ব্যবহারকারীরা এক বা একাধিক মাত্রায় ভিন্ন। উদাহরণস্বরূপ, প্রতিদিনের ইন্টারঅ্যাকশনগুলির গড় সংখ্যা 10 থেকে 200 পর্যন্ত পরিবর্তিত হয় এবং প্রতিদিনের প্রাপ্ত ডেটা গড় পরিমাণ 1 থেকে 1000 এমবি পর্যন্ত পরিবর্তিত হয়। এই বৈচিত্র্যের মাত্রা থেকে বোঝা যায় যে ব্যবহারকারীর অভিজ্ঞতা বা শক্তি খরচ উন্নত করার জন্য যে যন্ত্রগুলি ব্যবহারকারীর আচরণে শিখতে এবং মানিয়ে নিতে পারে সেগুলি আরও কার্যকর হবে। আমরা দেখতে পাই যে ব্যবহারকারীদের মধ্যে গুণগত মিল রয়েছে যা ব্যবহারকারীর আচরণ শেখার কাজকে সহজ করে তোলে। উদাহরণস্বরূপ, অ্যাপ্লিকেশন জনপ্রিয়তার জন্য আপেক্ষিক জনপ্রিয়তা একটি সূচকীয় বন্টন ব্যবহার করে মডেল করা যেতে পারে, বিভিন্ন ব্যবহারকারীর জন্য বিভিন্ন বন্টন পরামিতি সহ। আমরা ব্যবহারকারীর আচরণের সাথে খাপ খাইয়ে নেওয়ার মূল্যকে ভবিষ্যতে শক্তির অপচয়ের পূর্বাভাস দেওয়ার জন্য একটি প্রক্রিয়া হিসাবে দেখিয়েছি। ব্যবহারকারীদের মধ্যম আচরণের উপর ভিত্তি করে ভবিষ্যদ্বাণীগুলির তুলনায় অভিযোজন সহ 90 তম শতকরা ত্রুটি অর্ধেকেরও কম। |
45654695f5cad20d2be36d45d280af5180004baf | এই নিবন্ধে আমরা ভবিষ্যতের ৫জি নেটওয়ার্কের জন্য একটি নতুন ফ্রন্টহোল ইন্টারফেসের নকশা নিয়ে আলোচনা করব। বর্তমান ফ্রন্টহোল সমাধানগুলির প্রধান ত্রুটিগুলি প্রথমে বিশ্লেষণ করা হয় এবং তারপরে পরবর্তী প্রজন্মের ফ্রন্টহোল ইন্টারফেস (এনজিএফআই) নামে একটি নতুন ফ্রন্টহোল ইন্টারফেস প্রস্তাব করা হয়। এনজিএফআই-এর নকশা নীতিগুলি উপস্থাপন করা হয়েছে, যার মধ্যে অ্যান্টেনার সংখ্যা থেকে ফ্রন্টহাল ব্যান্ডউইথকে বিচ্ছিন্ন করা, সেল এবং ব্যবহারকারীর সরঞ্জাম প্রক্রিয়াকরণকে বিচ্ছিন্ন করা এবং উচ্চ-পারফরম্যান্সের সহযোগিতামূলক প্রযুক্তিগুলিতে ফোকাস করা অন্তর্ভুক্ত রয়েছে। এনজিএফআই এর লক্ষ্য হল মূল ৫জি প্রযুক্তির উন্নততর সমর্থন, বিশেষ করে ক্লাউড আরএএন, নেটওয়ার্ক ফাংশন ভার্চুয়ালাইজেশন এবং বড় আকারের অ্যান্টেনা সিস্টেম। এনজিএফআই মোবাইল নেটওয়ার্ক ট্রাফিকের উপর জোয়ারের তরঙ্গের প্রভাবকে কাজে লাগিয়ে কম ব্যান্ডউইথ এবং উন্নত ট্রান্সমিশন দক্ষতার সুবিধাগুলি দাবি করে। নমনীয়তা ও নির্ভরযোগ্যতার সুবিধার জন্য এনজিএফআই এর সংক্রমণ ইথারনেটের উপর ভিত্তি করে করা হয়। ইথারনেট ভিত্তিক ফ্রন্টহোল নেটওয়ার্কগুলির প্রধান প্রভাব, চ্যালেঞ্জ এবং সম্ভাব্য সমাধানগুলিও বিশ্লেষণ করা হয়েছে। জিতার, লেটেন্সি, এবং সময় এবং ফ্রিকোয়েন্সি সিঙ্ক্রোনাইজেশন হল প্রধান সমস্যাগুলো। |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | আমরা একটি সিনট্যাক্স-ভিত্তিক অ্যালগরিদম বর্ণনা করি যা স্বয়ংক্রিয়ভাবে অর্থগতভাবে সমতুল্য অনুবাদ সেট থেকে ফিনিট স্টেট অটোমেটা (শব্দ গ্রিড) তৈরি করে। এই FSAs প্যারাফ্রেসের ভাল প্রতিনিধিত্ব করে। এগুলি ব্যবহার করে শব্দার্থিক এবং সিনট্যাক্সিক প্যারাফ্রেজ জোড়া বের করা যায় এবং নতুন, অদৃশ্য বাক্য তৈরি করা যায় যা ইনপুট সেটের বাক্যগুলির মতো একই অর্থ প্রকাশ করে। আমাদের এফএসএ বিকল্প অর্থগত রেন্ডারিংয়ের সঠিকতাও পূর্বাভাস দিতে পারে, যা অনুবাদের গুণমান মূল্যায়ন করতে ব্যবহার করা যেতে পারে। |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | ফাজিলগ একটি আংশিকভাবে অর্ডার করা শেয়ার্ড লগ বিমূর্তকরণ। বিতরণ করা অ্যাপ্লিকেশনগুলি একই সাথে আংশিক আদেশে সংযুক্ত করতে পারে এবং এটি পুনরায় প্লে করতে পারে। ফাজিলগ অ্যাপ্লিকেশনগুলি একটি অন্তর্নিহিত ভাগ করা লগের সুবিধা অর্জন করে - এর অসুবিধাগুলি ভোগ না করেই সহজ উপায়ে শক্তিশালী ধারাবাহিকতা, স্থায়িত্ব এবং ব্যর্থতা পরমাণুতা বের করে। একটি আংশিক আদেশ প্রকাশ করে, ফাজিলোগ অ্যাপ্লিকেশনগুলির জন্য তিনটি মূল ক্ষমতা সক্ষম করেঃ থ্রুপুট এবং ক্ষমতা (অ্যাটমিকতা ত্যাগ না করে) জন্য রৈখিক স্কেলিং, দুর্বল সামঞ্জস্য গ্যারান্টি এবং নেটওয়ার্ক পার্টিশনের জন্য সহনশীলতা। আমরা Dapple উপস্থাপন করছি, যা FuzzyLog বিমূর্তকরণের একটি বিতরণ করা বাস্তবায়ন যা আংশিক অর্ডারকে কম্প্যাক্টভাবে সংরক্ষণ করে এবং একটি নতুন অর্ডারিং প্রোটোকলের মাধ্যমে দক্ষ সংযোজন / প্লেব্যাককে সমর্থন করে। আমরা বেশ কয়েকটি ডেটা স্ট্রাকচার এবং অ্যাপ্লিকেশনগুলি ফাজিলগের মাধ্যমে বাস্তবায়ন করি, যার মধ্যে বেশ কয়েকটি মানচিত্রের বৈকল্পিক এবং একটি চিড়িয়াখানা রক্ষক বাস্তবায়ন রয়েছে। আমাদের মূল্যায়ন দেখায় যে এই অ্যাপ্লিকেশনগুলি কমপ্যাক্ট, দ্রুত এবং নমনীয়ঃ তারা একটি ভাগ করা লগ ডিজাইনের সরলতা (100 টি কোডের লাইন) এবং শক্তিশালী শব্দার্থ (দৈর্ঘ্য এবং ব্যর্থতা পরমাণু) বজায় রাখে যখন লিনিয়ার স্কেলিবিলিটির জন্য ফুজিলোগের আংশিক আদেশকে কাজে লাগায়, নমনীয় সামঞ্জস্যের গ্যারান্টি (যেমন, কারণীয় + সামঞ্জস্য) এবং নেটওয়ার্ক পার্টিশন সহনশীলতা। ৬-নড ড্যাপল স্থাপনার ক্ষেত্রে, আমাদের ফাজিলোগ ভিত্তিক জুকিপার ৩ এম/সেকেন্ড একক-কী লেখার এবং ১৫০ কে/সেকেন্ড পারমাণবিক ক্রস-শার্ড নামকরণ সমর্থন করে। |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | কানে শোনা যায় এমন বায়োসেন্সর (ডব্লিউবিএস) বিভিন্ন নতুন ক্ষেত্রে ক্রমাগত কার্ডিওভাসকুলার (সিভি) মনিটরিং করতে সক্ষম হবে। বিভিন্ন প্রধান রোগের নির্ণয় ও চিকিৎসার ক্ষেত্রে এই পদ্ধতির উপকারিতা পাওয়া যেতে পারে। WBS, উপযুক্ত অ্যালগরিদমের সাথে মিলিত হয়ে উচ্চ ঝুঁকিপূর্ণ বিষয়গুলির জন্য CV বিপর্যয়ের জন্য নজরদারি ক্ষমতা বাড়িয়ে তুলতে পারে। ডাব্লুবিএস দীর্ঘস্থায়ী রোগের চিকিৎসার ক্ষেত্রেও ভূমিকা রাখতে পারে, কারণ এটি এমন তথ্য প্রদান করে যা থেরাপির সঠিক মাত্রা নির্ধারণ বা রোগীর অনুগততার ত্রুটিগুলি সনাক্ত করতে সক্ষম করে। WBS বিপজ্জনক অপারেশন (সামরিক, অগ্নিনির্বাপক, ইত্যাদি) সময় মানুষের বেতার নজরদারি একটি গুরুত্বপূর্ণ ভূমিকা পালন করতে পারে। ), অথবা এই ধরনের সেন্সরগুলি একটি গণ বেসামরিক হতাহতের ঘটনার সময় বিতরণ করা যেতে পারে। যেহেতু CV- এর শারীরবৃত্তীয় পরামিতিগুলি " জীবনীশক্তির লক্ষণ " গঠন করে যা জরুরী চিকিৎসা পরিস্থিতিতে সবচেয়ে গুরুত্বপূর্ণ তথ্য, WBS বিপুল সংখ্যক ঝুঁকিপূর্ণ ব্যক্তিদের জন্য একটি ওয়্যারলেস মনিটরিং সিস্টেম সক্ষম করতে পারে। এই একই পদ্ধতি আজকের অতিশয় জনবহুল জরুরী বিভাগের অপেক্ষার কক্ষের নজরদারি করার ক্ষেত্রেও কার্যকর হতে পারে। হাসপাতালের রোগীদের জন্য যাদের হৃদযন্ত্রের পর্যবেক্ষণ প্রয়োজন, বর্তমান বায়োসেন্সর প্রযুক্তি সাধারণত রোগীদের তারের একটি জালিয়াতিতে আবদ্ধ করে, যেখানে পরিধানযোগ্য সিভি সেন্সরগুলি রোগীদের আরাম বাড়িয়ে তুলতে পারে এবং এমনকি ট্রাইপিং এবং পতনের ঝুঁকি হ্রাস করতে পারে, হাসপাতালের রোগীদের জন্য একটি দীর্ঘস্থায়ী সমস্যা যারা অসুস্থ, ওষুধযুক্ত এবং অপরিচিত পরিবেশে। প্রতিদিন, পরিধানযোগ্য সিভি সেন্সরগুলি চিকিত্সা না করা উচ্চ রক্তচাপের সংবেদন করে ওষুধের একটি মিসড ডোজ সনাক্ত করতে পারে এবং রোগীর ওষুধ গ্রহণের জন্য একটি স্বয়ংক্রিয় অনুস্মারক ট্রিগার করতে পারে। এছাড়াও, উচ্চ রক্তচাপের চিকিৎসার সময় নির্ধারণ করা চিকিৎসকদের জন্য গুরুত্বপূর্ণ, কারণ অপর্যাপ্ত ও অতিরিক্ত চিকিৎসা (অস্বাভাবিকভাবে নিম্ন রক্তচাপের দিকে পরিচালিত করে) উভয়ই মৃত্যুর হার বাড়ায়। তবে, স্বাস্থ্যসেবা প্রদানকারীদের কাছে রক্তচাপের বিরতিপূর্ণ মান রয়েছে যার উপর ভিত্তি করে থেরাপির সিদ্ধান্ত নেওয়া যায়; এটা সম্ভব যে রক্তচাপের ক্রমাগত পর্যবেক্ষণ থেরাপির উন্নত টাইট্রেশন এবং মৃত্যুর হ্রাসের অনুমতি দেবে। একইভাবে, ডাব্লুবিএস রোগীর ব্যায়াম প্রচেষ্টার শারীরবৃত্তীয় স্বাক্ষর (হৃদস্পন্দন এবং রক্তচাপের পরিবর্তনের মতো প্রকাশিত) লগ করতে সক্ষম হবে, রোগী এবং স্বাস্থ্যসেবা প্রদানকারীকে স্বাস্থ্যের ফলাফল উন্নত করার জন্য প্রমাণিত একটি প্রক্রিয়ার সাথে সম্মতি মূল্যায়ন করার অনুমতি দেবে। দীর্ঘস্থায়ী হৃদরোগে আক্রান্ত রোগীদের ক্ষেত্রে, যেমন হার্ট ফেইল, ডাব্লুবিএস ব্যবহার করে হোম মনিটরিং খুব প্রাথমিক পর্যায়ে (এবং প্রায়শই সহজেই চিকিত্সা করা যায়) তীব্রতা সনাক্ত করতে পারে, রোগীর আরও বিপজ্জনক স্তরে অগ্রগতি হওয়ার অনেক আগে জরুরী রুমে পরিদর্শন এবং ব্যয়বহুল হাসপাতালে ভর্তির প্রয়োজন হয়। এই প্রবন্ধে আমরা প্রযুক্তিগত এবং ক্লিনিকাল উভয় বিষয় নিয়ে আলোচনা করব ... |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | আঙুলের ছাপের শ্রেণীবিভাগ একটি গুরুত্বপূর্ণ সূচক ব্যবস্থা প্রদান করে আঙুলের ছাপের ডাটাবেসে। একটি সঠিক এবং সুসংগত শ্রেণীবিভাগ একটি বড় ডাটাবেসের জন্য আঙুলের ছাপ মিলানোর সময়কে অনেকটা কমিয়ে দিতে পারে। আমরা একটি ফিঙ্গারপ্রিন্ট শ্রেণীবিভাগের অ্যালগরিদম উপস্থাপন করছি যা সাহিত্যে পূর্বে বর্ণিত থেকে আরও ভাল নির্ভুলতা অর্জন করতে সক্ষম। আমরা আঙুলের ছাপকে পাঁচটি শ্রেণীতে ভাগ করি: ঘূর্ণি, ডান লুপ, বাম লুপ, খিলান এবং তাম্বু খিলান। অ্যালগরিদম একটি নতুন উপস্থাপনা (ফিংগারকোড) ব্যবহার করে এবং একটি শ্রেণিবদ্ধকরণ করতে একটি দুই-পর্যায়ের শ্রেণিবদ্ধকরণের উপর ভিত্তি করে। এটি এনআইএসটি-৪ ডাটাবেসের ৪০০০ ছবিতে পরীক্ষা করা হয়েছে। পাঁচ শ্রেণীর সমস্যার জন্য, 90 শতাংশের শ্রেণীবিভাগের নির্ভুলতা অর্জন করা হয় (ফিচার এক্সট্রাকশন ফেজের সময় 1.8 শতাংশ প্রত্যাখ্যানের সাথে) । চার শ্রেণীর সমস্যার জন্য (আর্ক এবং টেন্টড আর্ক এক শ্রেণীতে মিলিত), আমরা 94.8 শতাংশের শ্রেণিবদ্ধকরণ নির্ভুলতা অর্জন করতে সক্ষম (1.8 শতাংশ প্রত্যাখ্যান সহ) । শ্রেণীবিভাগকারীটিতে একটি প্রত্যাখ্যান বিকল্প অন্তর্ভুক্ত করে, শ্রেণীবিভাগের নির্ভুলতা পাঁচ শ্রেণীর শ্রেণীবিভাগের কাজের জন্য 96 শতাংশে বৃদ্ধি করা যেতে পারে এবং মোট 32.5 শতাংশ চিত্র প্রত্যাখ্যান হওয়ার পরে চার শ্রেণীর শ্রেণীবিভাগের কাজের জন্য 97.8 শতাংশে বৃদ্ধি করা যেতে পারে। |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | এই গবেষণাপত্রে একটি আঙুলের ছাপ শ্রেণীবিভাগের অ্যালগরিদম উপস্থাপন করা হয়েছে। আঙুলের ছাপ পাঁচটি শ্রেণীতে বিভক্ত করা হয়: খিলান, তাম্বু খিলান, বাম লুপ, ডান লুপ এবং ঘূর্ণি। অ্যালগরিদম একটি ফিঙ্গারপ্রিন্ট ইমেজ থেকে একক পয়েন্ট (কোর এবং ডেল্টা) বের করে এবং সনাক্তকৃত একক পয়েন্টের সংখ্যা এবং অবস্থানের উপর ভিত্তি করে শ্রেণীবিভাগ করে। শ্রেণীবিভাগকারী ঘূর্ণন, অনুবাদ এবং স্কেল পরিবর্তনের ছোট পরিমাণে অপরিবর্তনীয়। শ্রেণীবিভাগকারী নিয়ম-ভিত্তিক, যেখানে নিয়মগুলি একটি প্রদত্ত ডেটা সেট থেকে স্বাধীনভাবে উত্পন্ন হয়। এই শ্রেণীবিভাগের তথ্য এনআইএসটি-৪ ডাটাবেসের ৪০০০ ছবি এবং এনআইএসটি-৯ ডাটাবেসের ৫৪০০ ছবিতে পরীক্ষা করা হয়েছে। এনআইএসটি-৪ ডাটাবেসের জন্য, পাঁচ শ্রেণীর সমস্যার জন্য ৮৫.৪% এবং চার শ্রেণীর সমস্যার জন্য ৯১.১% (আর্ক এবং টেন্টড আর্ক একই বিভাগে স্থাপন করা হয়েছে) শ্রেণিবদ্ধকরণের নির্ভুলতা অর্জন করা হয়েছিল। একটি প্রত্যাখ্যান বিকল্প ব্যবহার করে, চার শ্রেণীর শ্রেণীবিভাগের ত্রুটি 6% এরও কম হতে পারে 10% আঙুলের ছাপের চিত্র প্রত্যাখ্যান করা হয়। এনআইএসটি-৯ ডাটাবেসেও একই ধরনের শ্রেণীবিভাগ করা হয়েছে। |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | এই কাগজ তিনটি অংশ নিয়ে গঠিতঃ সাধারণভাবে সারসংক্ষেপের একটি প্রাথমিক টাইপোলজি; বর্তমান এবং পরিকল্পিত মডিউল এবং স্যামিটারিস্ট স্বয়ংক্রিয় বহুভাষিক পাঠ্য সংক্ষিপ্তকরণ সিস্টেমের কার্যকারিতা বর্ণনা করা হচ্ছে, যা স্যাট আইএসআই তৈরি করা হচ্ছে, এবং সংক্ষিপ্তসারগুলি মূল্যায়নের জন্য তিনটি পদ্ধতির একটি আলোচনা। ১। T H E N A T U R E O F S U M A R I E S ১৯৫০ এর দশকের শেষের দিকে এবং ৬০ এর দশকের প্রথম দিকে প্রাথমিক পরীক্ষাগুলির ফলে ধারণা করা হয়েছিল যে কম্পিউটারের মাধ্যমে পাঠ্য সংক্ষিপ্তকরণ সম্ভব, যদিও এটি সহজ ছিল না (লুন, ৫৯; এডমন্ডসন, ৬৮) । তখন যে পদ্ধতিগুলি তৈরি করা হয়েছিল তা বেশ অ-অনুশীলিত ছিল, মূলত পৃষ্ঠের স্তরের ঘটনা যেমন বাক্য অবস্থান এবং শব্দ ফ্রিকোয়েন্সি গণনাগুলির উপর নির্ভর করে এবং বিমূর্ত (পাঠ্য থেকে নির্বাচিত প্যাসেজগুলি, আক্ষরিকভাবে পুনরুত্পাদিত) এর পরিবর্তে বিমূর্ত (পাঠ্যের ব্যাখ্যা করা অংশগুলি, নতুন উত্পন্ন) উত্পাদন করার দিকে মনোনিবেশ করেছিল। কয়েক দশকের বিরতির পর, অনলাইন পাঠ্যের ক্রমবর্ধমান উপস্থিতি - কর্পোরে এবং বিশেষত ওয়েবে - স্বয়ংক্রিয় পাঠ্য সংক্ষিপ্তকরণের প্রতি আগ্রহ পুনর্নবীকরণ করেছে। এই মধ্যবর্তী দশকগুলিতে, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (এনএলপি) এর অগ্রগতি, কম্পিউটারের স্মৃতি এবং গতির সাথে যুক্ত, আরও উন্নত কৌশলগুলিকে খুব উত্সাহজনক ফলাফলের সাথে সম্ভব করে তুলেছে। ১৯৯০ এর দশকের শেষের দিকে, মার্কিন যুক্তরাষ্ট্রে কিছু অপেক্ষাকৃত ছোট গবেষণা বিনিয়োগ (মাইক্রোসফ্ট, লেক্সিস-নেক্সিস, ওরাকল, এসআরএ এবং টেক্সটওয়াইজের বাণিজ্যিক প্রচেষ্টা এবং সিএমইউ, এনএমএসইউ, ইউপিএন এবং ইউএসসি / আইএসআই-তে বিশ্ববিদ্যালয় প্রচেষ্টা সহ ১০ টিরও বেশি প্রকল্প) তিন বা চার বছরের মধ্যে বেশ কয়েকটি সিস্টেম তৈরি করেছে যা সম্ভাব্য বিপণনযোগ্যতা প্রদর্শন করে, পাশাপাশি বেশ কয়েকটি উদ্ভাবন যা অব্যাহত উন্নতির প্রতিশ্রুতি দেয়। উপরন্তু, সাম্প্রতিক সময়ে অনুষ্ঠিত বেশ কয়েকটি কর্মশালা, একটি বই সংগ্রহ এবং বেশ কয়েকটি টিউটোরিয়াল প্রমাণ করে যে স্বয়ংক্রিয়ভাবে পাঠ্য সংক্ষিপ্তকরণ একটি উত্তপ্ত এলাকা হয়ে উঠেছে। কিন্তু যখন কেউ এই বিভিন্ন পদ্ধতির অধ্যয়ন করে এবং তারা আসলে কী অর্জন করেছে তা বিবেচনা করে, তখন তাদের অন্তর্নিহিত মিল, তাদের দৃষ্টিভঙ্গির সংকীর্ণতা এবং সমস্যাটির চারপাশে থাকা অজানা কারণগুলির বিশাল সংখ্যার দ্বারা আঘাত করা বন্ধ করা যায় না। উদাহরণস্বরূপ, একটি সারসংক্ষেপ ঠিক কি? কেউ ঠিক জানে না। আমাদের কাজে, আমরা সারসংক্ষেপকে সাধারণ শব্দ হিসেবে ব্যবহার করি এবং নিম্নরূপ সংজ্ঞায়িত করিঃ একটি সারসংক্ষেপ এমন একটি পাঠ্য যা এক বা একাধিক (সম্ভবত মাল্টিমিডিয়া) পাঠ্য থেকে তৈরি হয়, যা মূল পাঠ্যের (কিছু) একই তথ্য ধারণ করে এবং যা মূল পাঠ্যের অর্ধেকের বেশি নয়। চিত্রটি কিছুটা স্পষ্ট করার জন্য, আমরা নিম্নলিখিত দিকগুলি চিহ্নিত করে বৈচিত্র্যকে অনুসরণ এবং প্রসারিত করি (স্পার্ক জোন্স, 97) । যে কোন সারসংক্ষেপকে (অন্তত) তিনটি প্রধান শ্রেণীর বৈশিষ্ট্য দ্বারা চিহ্নিত করা যেতে পারে: ইনভুটঃ উৎস পাঠ্যের বৈশিষ্ট্যগুলি (২) উৎস আকারঃ একক নথি v s বহু-নথিঃ একটি একক নথির সারসংক্ষেপ একটি একক ইনপুট পাঠ্য থেকে উদ্ভূত হয় (যদিও সংক্ষিপ্তকরণ প্রক্রিয়াটি অন্য পাঠ্য থেকে পূর্বে সংকলিত তথ্য ব্যবহার করতে পারে) । একটি মাল্টি-ডকুমেন্ট সারসংক্ষেপ এমন একটি পাঠ্য যা একাধিক ইনপুট পাঠ্যের বিষয়বস্তু জুড়ে দেয় এবং সাধারণত যখন ইনপুট পাঠ্যগুলি বিষয়গতভাবে সম্পর্কিত হয় তখনই এটি ব্যবহৃত হয়। নির্দিষ্টতা: ডোমেন-নির্দিষ্ট বনাম সাধারণ: যখন ইনপুট টেক্সটগুলি সমস্তই একটি ডোমেনের সাথে সম্পর্কিত হয়, তখন ডোমেন-নির্দিষ্ট সংক্ষিপ্তকরণের কৌশলগুলি প্রয়োগ করা, নির্দিষ্ট বিষয়বস্তুর উপর ফোকাস করা এবং সাধারণ ক্ষেত্রে তুলনায় নির্দিষ্ট ফর্ম্যাটগুলি আউটপুট করা উপযুক্ত হতে পারে। একটি ডোমেন-নির্দিষ্ট সারসংক্ষেপ ইনপুট টেক্সট থেকে উদ্ভূত হয় যার থিমগুলি একটি একক সীমাবদ্ধ ডোমেনের সাথে সম্পর্কিত। এইভাবে, এটি কম শব্দ দ্ব্যর্থতা, স্বতন্ত্র শব্দ এবং ব্যাকরণ ব্যবহার, বিশেষ ফর্ম্যাটিং ইত্যাদি অনুমান করতে পারে এবং সংক্ষিপ্তসারগুলিতে তাদের প্রতিফলিত করতে পারে। |
25126128faa023d1a65a47abeb8c33219cc8ca5c | আমরা বড় আকারের কার্নেল পদ্ধতির জন্য নাইস্ট্রোম টাইপ সাবস্ম্যাপলিং পদ্ধতিগুলি অধ্যয়ন করি এবং পরিসংখ্যানগত শিক্ষার সেটিংয়ে শেখার সীমা প্রমাণ করি, যেখানে এলোমেলো নমুনা এবং উচ্চ সম্ভাব্যতা অনুমানগুলি বিবেচনা করা হয়। বিশেষ করে, আমরা প্রমাণ করি যে এই পদ্ধতিগুলি সর্বোত্তম শিক্ষার সীমা অর্জন করতে পারে, যদি সাবস্ম্যাপিং স্তরটি উপযুক্তভাবে নির্বাচিত হয়। এই ফলাফলগুলি Nyström Kernel নিয়মিতকৃত সর্বনিম্ন স্কোয়ারগুলির একটি সহজ বর্ধিত বৈকল্পিকের পরামর্শ দেয়, যেখানে সাবস্ম্যাপিং স্তরটি কম্পিউটেশনাল নিয়মিতকরণের একটি ফর্ম বাস্তবায়ন করে, এই অর্থে যে এটি একই সময়ে নিয়মিতকরণ এবং গণনাগুলি নিয়ন্ত্রণ করে। ব্যাপক পরীক্ষামূলক বিশ্লেষণ দেখায় যে বিবেচিত পদ্ধতিটি বড় আকারের ডেটাসেটগুলির উপর উন্নত পারফরম্যান্স অর্জন করে। |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | ডিস্ট্রিবিউটেড ডিনিয়েল-অফ-সার্ভিস (ডিডিওএস) আক্রমণগুলি ইন্টারনেট জুড়ে একটি হুমকি। আমরা D-WARD এর প্রস্তাব দিচ্ছি, একটি DDoS প্রতিরক্ষা ব্যবস্থা যা উৎস-শেষ নেটওয়ার্কগুলিতে স্থাপন করা হয় যা স্বয়ংক্রিয়ভাবে সনাক্ত করে এবং এই নেটওয়ার্কগুলি থেকে উৎপন্ন আক্রমণগুলিকে থামায়। নেটওয়ার্ক এবং ইন্টারনেটের বাকি অংশের মধ্যে দ্বি-মুখী ট্রাফিক প্রবাহের ধ্রুবক পর্যবেক্ষণ এবং স্বাভাবিক প্রবাহের মডেলগুলির সাথে পর্যায়ক্রমিক তুলনা করে আক্রমণগুলি সনাক্ত করা হয়। অসঙ্গতিপূর্ণ প্রবাহগুলি তাদের আক্রমণাত্মকতার অনুপাতে হার-সীমাবদ্ধ। D-WARD একটি আক্রমণের সময়ও বৈধ ট্রাফিকের জন্য ভাল পরিষেবা সরবরাহ করে, যখন কার্যকরভাবে ডিডিওএস ট্র্যাফিককে একটি তুচ্ছ স্তরে হ্রাস করে। লিনাক্স রাউটারে সিস্টেমের একটি প্রোটোটাইপ তৈরি করা হয়েছে। আমরা বিভিন্ন আক্রমণ পরিস্থিতিতে এর কার্যকারিতা দেখাবো, এর প্রয়োগের প্রেরণা নিয়ে আলোচনা করব এবং এর সাথে যুক্ত খরচ বর্ণনা করব। |
705a24f4e1766a44bbba7cf335f74229ed443c7b | মুখের স্বীকৃতির অ্যালগরিদম সাধারণত ধরে নেয় যে মুখের ছবিগুলো ঠিকভাবে সারিবদ্ধ এবং একই রকম পোজ থাকে -- কিন্তু অনেক ব্যবহারিক অ্যাপ্লিকেশনে এই শর্তগুলো পূরণ করা অসম্ভব। তাই মুখের অজানা ছবির জন্য মুখের স্বীকৃতির বিস্তার একটি সক্রিয় গবেষণা ক্ষেত্র হয়ে উঠেছে। এই উদ্দেশ্যে, স্থানীয় বাইনারি প্যাটার্নের (এলবিপি) হিস্টোগ্রামগুলি মুখের স্বীকৃতির জন্য অত্যন্ত বৈষম্যমূলক বর্ণনাকারী হিসাবে প্রমাণিত হয়েছে। তবুও, বেশিরভাগ এলবিপি-ভিত্তিক অ্যালগরিদমগুলি একটি কঠোর বর্ণনাকারী মিলের কৌশল ব্যবহার করে যা পোজ বৈচিত্র্য এবং ভুল প্রান্তিককরণের বিরুদ্ধে শক্তিশালী নয়। আমরা দুটি অ্যালগরিদমের প্রস্তাব দিচ্ছি মুখের চেহারা শনাক্ত করার জন্য যা পোজ পরিবর্তন এবং ভুল সারিবদ্ধতার সাথে মোকাবিলা করার জন্য ডিজাইন করা হয়েছে। আমরা একটি আলোকসজ্জা স্বাভাবিককরণ ধাপও অন্তর্ভুক্ত করেছি যা আলোর বৈচিত্রের বিরুদ্ধে দৃঢ়তা বৃদ্ধি করে। প্রস্তাবিত অ্যালগরিদমগুলি এলবিপির হিস্টোগ্রামের উপর ভিত্তি করে বর্ণনাকারী ব্যবহার করে এবং যথাক্রমে স্প্যাটিয়াল পিরামিড ম্যাচিং (এসপিএম) এবং নেভ বেজ নিকটতম প্রতিবেশী (এনবিএনএন) এর সাথে বর্ণনাকারী মিল করে। আমাদের অবদান হল নমনীয় স্থানিক মিলনের স্কিমগুলি অন্তর্ভুক্ত করা যা ইমেজ-টু-ক্লাস সম্পর্ক ব্যবহার করে ক্লাসের অভ্যন্তরীণ বৈচিত্র্যের সাথে উন্নত দৃঢ়তা প্রদান করে। আমরা প্রস্তাবিত অ্যালগরিদমের সঠিকতা অহোনেনের মূল এলবিপি-ভিত্তিক মুখের স্বীকৃতি সিস্টেমের সাথে এবং চারটি স্ট্যান্ডার্ড ডেটাসেটের উপর দুটি বেসলাইন হোলিস্টিক শ্রেণিবদ্ধকরণের সাথে তুলনা করি। আমাদের ফলাফল থেকে জানা যায় যে, এনবিএনএন-এর উপর ভিত্তি করে তৈরি এই অ্যালগরিদম অন্যান্য সমাধানের চেয়ে ভালো কাজ করে এবং পোজ পরিবর্তনের উপস্থিতিতে এটি আরও বেশি করে করে। |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | গত ১০ বছরে কম্পিউটার ভিশন ক্ষেত্রে সবচেয়ে আলোচিত গবেষণার ক্ষেত্রগুলোর মধ্যে একটি হচ্ছে কন্টেন্ট-বেসড ভিজ্যুয়াল ইনফরমেশন রিট্রিভাল (সিবিভিআইআর) বা কন্টেন্ট-বেসড ইমেজ রিট্রিভাল (সিবিআইআর) । প্রচুর পরিমাণে ভিজ্যুয়াল এবং মাল্টিমিডিয়া ডেটার প্রাপ্যতা এবং ইন্টারনেটের বিকাশের ফলে এমন বিষয়ভিত্তিক অ্যাক্সেস পদ্ধতি তৈরির প্রয়োজনীয়তা দেখা দিয়েছে যা কেবলমাত্র পাঠ্য-ভিত্তিক অনুসন্ধান বা ডেটাবেস ক্ষেত্রগুলির সাথে মিলিত অনুরোধের চেয়ে বেশি প্রস্তাব দেয়। অনেক প্রোগ্রাম এবং সরঞ্জামগুলি ভিজ্যুয়াল বা অডিও কন্টেন্টের উপর ভিত্তি করে অনুসন্ধানগুলি তৈরি এবং সম্পাদন করতে এবং বড় মাল্টিমিডিয়া রিপোজিটরিগুলি ব্রাউজ করতে সহায়তা করার জন্য বিকাশ করা হয়েছে। তবুও, বিভিন্ন ধরণের নথি এবং বিভিন্ন বৈশিষ্ট্যযুক্ত বিভিন্ন ধরণের ডাটাবেসগুলির সাথে সাধারণ অগ্রগতি অর্জন করা যায়নি। গতি, শব্দার্থিক বর্ণনাকারী বা বস্তুনিষ্ঠ চিত্র ব্যাখ্যা সম্পর্কিত অনেক প্রশ্নের উত্তর এখনও উত্তরহীন। চিকিৎসা ক্ষেত্রে, চিত্র, বিশেষ করে ডিজিটাল চিত্র, ক্রমবর্ধমান পরিমাণে উত্পাদিত হয় এবং নির্ণয় এবং চিকিত্সার জন্য ব্যবহৃত হয়। জেনেভা বিশ্ববিদ্যালয়ের হাসপাতালের রেডিওলজি বিভাগ একাই ২০০২ সালে প্রতিদিন ১২,০০০-এর বেশি ছবি তৈরি করে। কার্ডিওলজি বর্তমানে ডিজিটাল ইমেজগুলির দ্বিতীয় বৃহত্তম প্রযোজক, বিশেষ করে কার্ডিও ক্যাথেটারাইজেশনের ভিডিওগুলির সাথে (প্রতি বছর প্রায় 1800 টি পরীক্ষা যার প্রতিটিতে প্রায় 2000 টি চিত্র রয়েছে) । ২০০২ সালে জেনেভা ইউনিভার্সিটি হাসপাতালে তৈরি কার্ডিওলজিক ইমেজ ডেটার মোট পরিমাণ ছিল ১ টিবি। এন্ডোস্কোপিক ভিডিওগুলিও সমানভাবে বিপুল পরিমাণে তথ্য তৈরি করতে পারে। চিকিৎসা ক্ষেত্রে ডিজিটাল ইমেজিং এবং যোগাযোগ (ডিআইসিওএম) এর মাধ্যমে ইমেজ যোগাযোগের জন্য একটি মান নির্ধারণ করা হয়েছে এবং রোগীর তথ্য প্রকৃত চিত্রের সাথে সংরক্ষণ করা যেতে পারে, যদিও এখনও মানকীকরণের ক্ষেত্রে কিছু সমস্যা রয়েছে। বেশ কয়েকটি নিবন্ধে ক্লিনিকাল সিদ্ধান্ত গ্রহণের জন্য চিকিৎসা চিত্রের বিষয়বস্তু ভিত্তিক অ্যাক্সেসের প্রস্তাব দেওয়া হয়েছে যা ক্লিনিকাল ডেটা পরিচালনা সহজতর করবে এবং চিত্র সংরক্ষণাগার এবং যোগাযোগ ব্যবস্থায় (পিএসিএস) বিষয়বস্তু ভিত্তিক অ্যাক্সেস পদ্ধতির সংহতকরণের জন্য দৃশ্যকল্প তৈরি করা হয়েছে। এই নিবন্ধটি মেডিকেল ইমেজ ডেটা এবং ক্ষেত্রের ব্যবহৃত প্রযুক্তির বিষয়বস্তু ভিত্তিক অ্যাক্সেসের ক্ষেত্রে উপলব্ধ সাহিত্যের একটি ওভারভিউ দেয়। প্রথম বিভাগে সাধারণ বিষয়বস্তু ভিত্তিক চিত্র পুনরুদ্ধার এবং ব্যবহৃত প্রযুক্তির একটি ভূমিকা দেওয়া হয়েছে। ২য় বিভাগে চিকিৎসা অনুশীলনে ইমেজ রিট্রিভাল ব্যবহারের জন্য প্রস্তাবনা এবং বিভিন্ন পদ্ধতির ব্যাখ্যা দেওয়া হয়েছে। উদাহরণস্বরূপ সিস্টেম এবং অ্যাপ্লিকেশন এলাকায় বর্ণনা করা হয়। ৩ নম্বর বিভাগে বাস্তবায়িত সিস্টেম, তাদের ডেটাসেট এবং মূল্যায়নগুলিতে ব্যবহৃত কৌশলগুলি বর্ণনা করা হয়েছে। ৪ নম্বর বিভাগে ক্লিনিকাল প্র্যাকটিস, গবেষণা এবং শিক্ষার ক্ষেত্রে ইমেজ রিট্রিভাল সিস্টেমের সম্ভাব্য ক্লিনিকাল উপকারিতা চিহ্নিত করা হয়েছে। নতুন নতুন গবেষণা পদ্ধতির সংজ্ঞা দেওয়া হচ্ছে যা উপকারী হতে পারে। এই নিবন্ধটি ক্ষেত্রের কিছু সমস্যাগুলির ব্যাখ্যাও চিহ্নিত করে কারণ এটি দেখে মনে হচ্ছে যে সিস্টেমের জন্য অনেকগুলি প্রস্তাবনা মেডিকেল ডোমেন থেকে তৈরি করা হয় এবং গবেষণা প্রোটোটাইপগুলি মেডিকেল ডেটাসেট ব্যবহার করে কম্পিউটার বিজ্ঞান বিভাগগুলিতে বিকাশ করা হয়। তবুও, খুব কম সিস্টেম আছে যা ক্লিনিকাল অনুশীলনে ব্যবহৃত হয় বলে মনে হয়। এটাও বলা প্রয়োজন যে, সাধারণভাবে, লক্ষ্যটি বর্তমানের পাঠ্য-ভিত্তিক পুনরুদ্ধারের পদ্ধতিগুলিকে প্রতিস্থাপন করা নয় বরং তাদের ভিজ্যুয়াল অনুসন্ধান সরঞ্জামগুলির সাথে সম্পূরক করা। |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | এই গবেষণায় তিনটি রাউটিং প্রোটোকলের তুলনা করা হয়েছে যা ওয়্যারলেস মোবাইল অ্যাড-হোক নেটওয়ার্কগুলির জন্য প্রস্তাবিত। প্রোটোকলগুলি হলঃ গন্তব্য ক্রমযুক্ত দূরত্ব ভেক্টর (ডিএসডিভি), এড-হোক অন ডিমান্ড দূরত্ব ভেক্টর (এওডিভি) এবং ডায়নামিক সোর্স রাউটিং (ডিএসআর) । বিস্তৃত সিমুলেশন এমন একটি দৃশ্যের উপর তৈরি করা হয় যেখানে নোডগুলি এলোমেলোভাবে চলে। ফলাফলগুলি একটি নতুন গতিশীলতা মেট্রিকের একটি ফাংশন হিসাবে উপস্থাপিত হয় যা একটি দৃশ্যের মধ্যে নোডের আপেক্ষিক গতি প্রতিফলিত করার জন্য ডিজাইন করা হয়েছে। এছাড়াও, আরও বিশেষায়িত প্রসঙ্গে প্রোটোকলগুলি পরীক্ষা করার জন্য তিনটি বাস্তবসম্মত দৃশ্যকল্প চালু করা হয়েছে। বেশিরভাগ সিমুলেশনে, প্রতিক্রিয়াশীল প্রোটোকল (এওডিভি এবং ডিএসআর) ডিএসডিভি-র চেয়ে উল্লেখযোগ্যভাবে ভাল কাজ করেছে। মাঝারি ট্রাফিক লোডের ক্ষেত্রে, ডিএসআর সমস্ত পরীক্ষিত গতিশীলতার মানগুলির জন্য এওডিভির চেয়ে ভাল পারফরম্যান্স করেছে, যখন উচ্চতর ট্রাফিক লোডের ক্ষেত্রে এওডিভি ডিএসআর থেকে ভাল পারফরম্যান্স করেছে। ডিএসআর ডেটা প্যাকেটের উৎস রুটের কারণে নেটওয়ার্কের লোড বাড়ছে। রাউটার এবং হোস্ট, এইভাবে একটি নোড অন্য নোডের মধ্যে প্যাকেট ফরোয়ার্ড করতে পারে এবং ব্যবহারকারী অ্যাপ্লিকেশনগুলি চালাতে পারে। মোবাইল অ্যাড-হোক নেটওয়ার্কগুলি সাম্প্রতিক অনেক গবেষণা ও উন্নয়ন প্রচেষ্টার কেন্দ্রবিন্দুতে রয়েছে। এড-হোক প্যাকেট রেডিও নেটওয়ার্কগুলি এখন পর্যন্ত প্রধানত সামরিক অ্যাপ্লিকেশনগুলির সাথে সম্পর্কিত, যেখানে একটি বিকেন্দ্রীভূত নেটওয়ার্ক কনফিগারেশন একটি অপারেটিং সুবিধা বা এমনকি একটি প্রয়োজনীয়তা। অ্যাড-হোক কনফিগারেশন ধারণাগুলি ব্যবহার করে নেটওয়ার্কগুলি অনেক সামরিক অ্যাপ্লিকেশনগুলিতে ব্যবহার করা যেতে পারে, যা আন্তঃসংযুক্ত ওয়্যারলেস অ্যাক্সেস পয়েন্ট থেকে শুরু করে ব্যক্তিদের দ্বারা বহন করা ওয়্যারলেস ডিভাইসের নেটওয়ার্কগুলিতে, যেমন ডিজিটাল মানচিত্র, শরীরের সাথে সংযুক্ত সেন্সর, ভয়েস যোগাযোগ ইত্যাদি। এমনকি অপারেটিং পরিস্থিতিতেও, ব্রড রেঞ্জ এবং শর্ট রেঞ্জের অ্যাড-হোক নেটওয়ার্কগুলির সংমিশ্রণগুলি শক্তিশালী, বিশ্বব্যাপী কভারেজ সরবরাহ করার চেষ্টা করে। |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | সুপারভোক্সেল সেগমেন্টেশনকে প্রাথমিক ভিডিও বিশ্লেষণে অন্তর্ভুক্ত করার মতো শক্তিশালী সম্ভাবনা রয়েছে যেমন চিত্র বিশ্লেষণে সুপারপিক্সেল সেগমেন্টেশন রয়েছে। তবে, অনেকগুলি যুক্তিসঙ্গত সুপারভোক্সেল পদ্ধতি রয়েছে এবং কখন এবং কোথায় প্রতিটি সবচেয়ে উপযুক্ত তা সম্পর্কে সামান্য বোঝা যায়। প্রকৃতপক্ষে, সুপারভোক্সেল বিভাজন নিয়ে আমরা একটিও তুলনামূলক গবেষণার কথা জানি না। এই লক্ষ্যে, আমরা সাতটি সুপারভোক্সেল অ্যালগরিদম অধ্যয়ন করি, যার মধ্যে অফলাইন এবং স্ট্রিমিং পদ্ধতি উভয়ই রয়েছে, যা আমরা একটি ভাল সুপারভোক্সেল হিসাবে বিবেচনা করিঃ যথা, স্থান-সময়ের অভিন্নতা, বস্তু / অঞ্চল সীমানা সনাক্তকরণ, অঞ্চল সংকোচন এবং পারসিনোনি। মূল্যায়নের জন্য আমরা এই আকাঙ্ক্ষিত সুপারভোক্সেল বৈশিষ্ট্যগুলি পরিমাপ করার জন্য সাতটি মানের মেট্রিকের একটি বিস্তৃত স্যুট প্রস্তাব করি। উপরন্তু, আমরা ভিডিও বিশ্লেষণে সুপারভোক্সেলের পরবর্তী উচ্চ-স্তরের ব্যবহারের জন্য একটি প্রক্সি হিসাবে একটি সুপারভোক্সেল শ্রেণিবদ্ধকরণ কার্যের পদ্ধতিগুলি মূল্যায়ন করি। আমরা ছয়টি বিদ্যমান মানদণ্ডের ভিডিও ডেটাসেট ব্যবহার করি বিভিন্ন ধরনের বিষয়বস্তু এবং ঘন মানবিক টীকা দিয়ে। আমাদের এই গবেষণায় প্রমাণ পাওয়া গেছে যে, এই সাতটি পদ্ধতির মধ্যে শ্রেণীবদ্ধ গ্রাফ-ভিত্তিক (GBH), ওজনযুক্ত একত্রিতকরণ (SWA) এবং টেম্পোরাল সুপারপিক্সেল (TSP) পদ্ধতির মাধ্যমে সেগমেন্টেশন সবচেয়ে ভালো কাজ করে। তারা সব ভাল segmentation নির্ভুলতা পরিপ্রেক্ষিতে সঞ্চালন, কিন্তু অন্যান্য desiderata সম্মানে পরিবর্তিত হয়ঃ GBH বস্তুর সীমানা সেরা ক্যাপচার; SWA অঞ্চলের কম্প্রেশন জন্য সেরা সম্ভাবনা আছে; এবং TSP সেরা undersegmentation ত্রুটি অর্জন করে। |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | আমরা দ্রুত বর্ধনশীল ফাইব্রোএডেনোমার একটি ঘটনা রিপোর্ট করছি। রোগী একটি ১৩ বছর বয়সী মেয়ে বাম স্তন ভর সম্পর্কে বহিরাগত রোগীর ক্লিনিকের সাথে পরামর্শ করে। ক্লিনিকাল পরীক্ষার মাধ্যমে ভরটি ফাইব্রোএডেনোমা হিসেবে নির্ণয় করা হয় এবং রোগীকে সাবধানে পর্যবেক্ষণ করা হয়। প্রতি মাসে মাসিকের সাথে সাথে ভর দ্রুত বৃদ্ধি পায় এবং চার মাস পর ভলিউমের 50% বৃদ্ধি পায়। লাম্পেক্টোমি করা হয়েছে। টিউমারটি হিস্টোলজিক্যালভাবে ফাইব্রোএডেনোমা অর্গানাইজড টাইপ হিসেবে নির্ণয় করা হয় এবং অনেক গ্ল্যান্ডুলার এপিথেলিয়াল কোষের নিউক্লিয়াসে এন্টি- ইস্ট্রোজেন রিসেপ্টর অ্যান্টিবডির জন্য ইতিবাচক ইমিউনোহিস্টোকেমিক্যাল স্টেইনিং ছিল। উপসংহার টিউমারের ইস্ট্রোজেন সংবেদনশীলতা দ্রুত বৃদ্ধির কারণ হতে পারে। |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | প্রোক। ইন্টারন্যাশনাল কনফারেন্স অন কম্পিউটার ভিশন, কর্ফু (সেপ্টেম্বর ১৯৯৯) এর একটি প্রতিবেদনে বলা হয়েছে যে একটি নতুন শ্রেণীর স্থানীয় চিত্রের বৈশিষ্ট্য ব্যবহার করে একটি বস্তু স্বীকৃতি সিস্টেম তৈরি করা হয়েছে। বৈশিষ্ট্যগুলি চিত্র স্কেলিং, অনুবাদ এবং ঘূর্ণনের জন্য অপরিবর্তনীয় এবং আংশিকভাবে আলোকসজ্জার পরিবর্তন এবং অ্যাফিন বা 3 ডি প্রক্ষেপণের জন্য অপরিবর্তনীয়। এই বৈশিষ্ট্যগুলি নিম্নতর টেম্পোরাল কর্টেক্সের নিউরনের সাথে একই বৈশিষ্ট্য ভাগ করে নেয় যা প্রাইমেট দৃষ্টিতে বস্তুর স্বীকৃতির জন্য ব্যবহৃত হয়। বৈশিষ্ট্যগুলি একটি পর্যায়ক্রমিক ফিল্টারিং পদ্ধতির মাধ্যমে দক্ষতার সাথে সনাক্ত করা হয় যা স্কেল স্পেসে স্থিতিশীল পয়েন্টগুলি সনাক্ত করে। ইমেজ কী তৈরি করা হয় যা স্থানীয় জ্যামিতিক বিকৃতির জন্য একাধিক ওরিয়েন্টেশন সমতল এবং একাধিক স্কেলে অস্পষ্ট চিত্র গ্রেডিয়েন্ট উপস্থাপন করে। এই কীগুলি নিকটতম প্রতিবেশী সূচক পদ্ধতিতে ইনপুট হিসাবে ব্যবহৃত হয় যা প্রার্থী বস্তুর মিলগুলি সনাক্ত করে। প্রতিটি মিলের চূড়ান্ত যাচাইকরণ অজানা মডেল পরামিতিগুলির জন্য কম অবশিষ্ট সর্বনিম্ন-স্কোয়ার সমাধান খুঁজে বের করে অর্জন করা হয়। পরীক্ষামূলক ফলাফলগুলি দেখায় যে 2 সেকেন্ডের কম গণনা সময়ের সাথে বিশৃঙ্খল আংশিক-অবরুদ্ধ চিত্রগুলিতে দৃ object় বস্তু স্বীকৃতি অর্জন করা যেতে পারে। |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | এই ওপেন সোর্স কম্পিউটিং ফ্রেমওয়ার্ক স্ট্রিমিং, ব্যাচ এবং ইন্টারেক্টিভ বিগ ডেটা ওয়ার্কলোডকে নতুন অ্যাপ্লিকেশনগুলি আনলক করতে একত্রিত করে। |
18ca2837d280a6b2250024b6b0e59345601064a7 | বিজ্ঞানের অনেক ক্ষেত্রই অনুসন্ধানী তথ্য বিশ্লেষণ এবং দৃশ্যায়নের উপর নির্ভরশীল। বহু-পরিবর্তনশীল তথ্যের বৃহৎ পরিমাণ বিশ্লেষণ করার প্রয়োজন মাত্রিকতা হ্রাসের মৌলিক সমস্যা উত্থাপন করেঃ উচ্চ-মাত্রিক তথ্যের কমপ্যাক্ট উপস্থাপনাগুলি কীভাবে আবিষ্কার করা যায়। এখানে আমরা স্থানীয়ভাবে লিনিয়ার এমবেডিং (এলএলই) এর সাথে পরিচয় করিয়ে দিচ্ছি, এটি একটি অনিয়ন্ত্রিত লার্নিং অ্যালগরিদম যা উচ্চ মাত্রিক ইনপুটগুলির নিম্ন-মাত্রিক, আশেপাশের সংরক্ষণকারী এমবেডিংগুলি গণনা করে। স্থানীয় মাত্রিকতা হ্রাসের জন্য ক্লাস্টারিং পদ্ধতির বিপরীতে, এলএলই তার ইনপুটগুলিকে নিম্ন মাত্রিকতার একটি একক গ্লোবাল কোঅর্ডিনেট সিস্টেমে ম্যাপ করে এবং এর অপ্টিমাইজেশনে স্থানীয় মিনিমাম জড়িত নয়। লিনিয়ার পুনর্গঠনের স্থানীয় সিমট্রি ব্যবহার করে, এলএলই অ-রেখিক ম্যানিফোডের বৈশ্বিক কাঠামো শিখতে সক্ষম, যেমন মুখের চিত্র বা পাঠ্য নথির দ্বারা উত্পন্ন। |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | গাড়িতে সফটওয়্যার মডিউল এবং বাহ্যিক ইন্টারফেস যুক্ত হওয়ার সাথে সাথে নতুন আক্রমণ এবং দুর্বলতা উদ্ভূত হচ্ছে। গবেষকরা দেখিয়ে দিয়েছেন যে, কীভাবে গাড়ির ইলেকট্রনিক কন্ট্রোল ইউনিট (ইসিইউ) কে হুমকি দেওয়া যায় এবং গাড়ির চালনা নিয়ন্ত্রণ করা যায়। এই দুর্বলতা মোকাবেলায়, বিভিন্ন ধরণের প্রতিরক্ষা ব্যবস্থা প্রস্তাব করা হয়েছে, তবে তারা যানবাহনের নেটওয়ার্ক আক্রমণের বিরুদ্ধে সুরক্ষার জন্য গুরুত্বপূর্ণ ইসিইউগুলির জন্য শক্তিশালী সুরক্ষার প্রয়োজনীয়তা পূরণ করতে সক্ষম হয়নি। এই ঘাটতি দূর করতে আমরা একটি অস্বাভাবিকতা-ভিত্তিক অনুপ্রবেশ সনাক্তকরণ ব্যবস্থা (আইডিএস) প্রস্তাব করছি, যাকে বলা হয় ক্লক-ভিত্তিক আইডিএস (সিআইডিএস) । এটি পরিমাপ করে এবং তারপর ECU এর ফিঙ্গারপ্রিন্টের জন্য গাড়ির বার্তাগুলির অন্তর ব্যবহার করে। এইভাবে প্রাপ্ত আঙুলের ছাপগুলি পুনরাবৃত্ত সর্বনিম্ন স্কোয়ার (আরএলএস) অ্যালগরিদমের সাথে ইসিইউর ঘড়ি আচরণের একটি বেসলাইন তৈরি করতে ব্যবহৃত হয়। এই বেসলাইন ভিত্তিতে, সিআইডিএস ক্রমাগত যোগফল (সিইউএসইউএম) ব্যবহার করে সনাক্তকরণ ত্রুটিগুলির মধ্যে কোনও অস্বাভাবিক স্থানান্তর সনাক্ত করতে - একটি স্পষ্ট অনুপ্রবেশের লক্ষণ। এই পদ্ধতিতে গাড়ির নেটওয়ার্কের মধ্যে প্রবেশের দ্রুত সনাক্তকরণ সম্ভব, যার ফলে ভুল-পজিটিভের হার কম হয়, যা ০.০৫৫%। আধুনিক আইডিএস-এর বিপরীতে, যদি আক্রমণ সনাক্ত করা হয়, সিআইডিএস-এর ইসিইউ-র ফিঙ্গারপ্রিন্টিং মূল কারণ বিশ্লেষণকে সহজ করে তোলে; কোন ইসিইউ আক্রমণটি চালিয়েছে তা চিহ্নিত করে। আমাদের পরীক্ষাগুলি একটি ক্যান বাস প্রোটোটাইপ এবং বাস্তব যানবাহনগুলিতে সিআইডিএসকে বিভিন্ন ধরণের যানবাহন নেটওয়ার্ক আক্রমণ সনাক্ত করতে সক্ষম করেছে। |
c567bdc35a40e568e0661446ac4f9b397787e40d | অতি-নিম্ন শক্তির ওয়্যারলেস সেন্সর নোডের জন্য একটি ২.৪ গিগাহার্জ হস্তক্ষেপ-প্রতিরোধী জাগ্রত-আপ রিসিভার একটি অনিশ্চিত-আইএফ দ্বৈত রূপান্তর টপোলজি ব্যবহার করে, একটি বিতরণকৃত মাল্টি-স্টেজ এন-পথ ফিল্টারিং কৌশলকে একটি আনলকড লো-কিউ রেজোনার রেফারেন্সযুক্ত স্থানীয় দোলক দিয়ে একত্রিত করে। এই কাঠামো সংকীর্ণ-ব্যান্ড নির্বাচকতা এবং হস্তক্ষেপকারীদের বিরুদ্ধে শক্তিশালী অনাক্রম্যতা প্রদান করে, BAW রেজোনেটর বা স্ফটিকের মতো ব্যয়বহুল বহিরাগত অনুরণন উপাদানগুলি এড়ানো। 65 nm CMOS রিসিভার প্রোটোটাইপটি -97 dBm এর সংবেদনশীলতা এবং 5 MHz অফসেটে ক্যারিয়ার-টু-ইন্টারফেরার অনুপাতের চেয়ে ভাল -27 dB প্রদান করে, 10-3 বিট ত্রুটি হারে 10 kb / s ডেটা রেট প্রদানের জন্য, যখন ক্রমাগত অপারেশনের অধীনে 0.5 V ভোল্টেজ সরবরাহ থেকে 99 μW খরচ করে। |
703244978b61a709e0ba52f5450083f31e3345ec | এই বইয়ে লেখকরা গবেষণামূলক সাহিত্যের পাশাপাশি কলেজের শিক্ষক-শিক্ষিকাদের সাথে এক-এক করে কাজ করার ২৭ বছরের অভিজ্ঞতার ভিত্তিতে শিক্ষার সাতটি সাধারণ নীতির কথা তুলে ধরেন। তারা বিভিন্ন দৃষ্টিকোণ থেকে গবেষণা (জ্ঞান, উন্নয়ন এবং সামাজিক মনোবিজ্ঞান; শিক্ষাগত গবেষণা; নৃতত্ত্ব; জনসংখ্যা; এবং সাংগঠনিক আচরণ) থেকে শিক্ষার মূল নীতিগুলির একটি সেট সনাক্ত করতে আঁকড়ে ধরেছে - কার্যকর সংগঠন কীভাবে তথ্য পুনরুদ্ধার এবং ব্যবহারকে বাড়িয়ে তোলে তা থেকে অনুপ্রেরণার উপর কী প্রভাব ফেলে। এই নীতিগুলি প্রশিক্ষকদের শিক্ষার্থীদের শেখার বিষয়ে একটি বোঝার সাথে সরবরাহ করে যা তাদের কেন নির্দিষ্ট শিক্ষণ পদ্ধতিগুলি শিক্ষার্থীদের শেখার সমর্থন করছে বা করছে না তা দেখতে, নির্দিষ্ট প্রেক্ষাপটে শিক্ষার্থীদের শেখার আরও কার্যকরভাবে উত্সাহিত করে এমন শিক্ষণ পদ্ধতি এবং কৌশলগুলি তৈরি বা পরিমার্জন করতে এবং নতুন কোর্সে এই নীতিগুলি স্থানান্তরিত এবং প্রয়োগ করতে সহায়তা করতে পারে। |
52a345a29267107f92aec9260b6f8e8222305039 | এই পত্রিকাটি বিয়ানচিনি এবং অন্যান্যদের দ্বারা প্রকাশিত Inside PageRank পত্রিকার একটি সংগী বা সম্প্রসারণ হিসাবে কাজ করে। [১৯] এটি পেজ র্যাঙ্ক সম্পর্কিত সমস্ত বিষয়ের একটি বিস্তৃত সমীক্ষা, যা বেসিক পেজ র্যাঙ্ক মডেল, উপলব্ধ এবং প্রস্তাবিত সমাধান পদ্ধতি, স্টোরেজ সমস্যা, অস্তিত্ব, অনন্যতা এবং সংমিশ্রণ বৈশিষ্ট্য, বেসিক মডেলের সম্ভাব্য পরিবর্তন, traditionalতিহ্যবাহী সমাধান পদ্ধতির বিকল্প প্রস্তাবিত, সংবেদনশীলতা এবং শর্তাধীন এবং অবশেষে আপডেট সমস্যা। আমরা কিছু নতুন ফলাফলের কথা উল্লেখ করছি, একটি বিস্তৃত রেফারেন্স তালিকা প্রদান করছি এবং ভবিষ্যতে গবেষণার উত্তেজনাপূর্ণ ক্ষেত্র সম্পর্কে ধারণা দিচ্ছি। |
0e5c8094d3da52340b58761d441eb809ff96743f | ১, দ্বিতীয় খণ্ড বিষয় এই গবেষণাপত্রে আমরা নতুনভাবে প্রবর্তিত ডিস্ট্রিবিউটেড অ্যাক্টিভ ট্রান্সফরমার (ডিএটি) কাঠামোর পারফরম্যান্সের তুলনা করি চিপে প্রচলিত প্রতিবন্ধকতা-রূপান্তর পদ্ধতির সাথে। স্ট্যান্ডার্ড সিলিকন প্রসেস প্রযুক্তিতে উচ্চ-ক্ষমতা সম্পন্ন সম্পূর্ণ সমন্বিত এম্প্লিফায়ারগুলির নকশায় তাদের মৌলিক শক্তি-দক্ষতা সীমাবদ্ধতাগুলি বিশ্লেষণ করা হয়। ডিএটি একটি দক্ষ প্রতিবন্ধকতা-রূপান্তর এবং শক্তি-সংযুক্ত পদ্ধতি হিসাবে প্রমাণিত হয়েছে, যা চৌম্বকীয় কপলিং দ্বারা সিরিজে বেশ কয়েকটি নিম্ন-ভোল্টেজ পুশ-পুল পরিবর্ধককে একত্রিত করে। নতুন ধারণার বৈধতা প্রমাণ করার জন্য, একটি ২.৪ গিগাহার্টজ ১.৯ ওয়াট ২-ভোল্ট সম্পূর্ণরূপে সংহত পাওয়ার-অ্যামপ্লিফায়ার যা ইনপুট এবং আউটপুট ম্যাচিংয়ের সাথে ৪১% পাওয়ার-অ্যাডেড দক্ষতা অর্জন করে, এটি 0.35-μm সিএমওএস ট্রানজিস্টর ব্যবহার করে তৈরি করা হয়েছে আইটেম টাইপঃ নিবন্ধ অতিরিক্ত তথ্যঃ © কপিরাইট 2002 আইইইই। অনুমতি নিয়ে পুনরায় প্রকাশিত। পাণ্ডুলিপি ২৭ মে, ২০০১ তারিখে প্রাপ্ত। [অনলাইনে পোস্ট করা হয়েছে: ২০০২-০৮-০৭] এই কাজটি ইন্টেল কর্পোরেশন, আর্মি রিসার্চ অফিস, জেট প্রোপলশন ল্যাবরেটরি, ইনফিনিয়ন এবং ন্যাশনাল সায়েন্স ফাউন্ডেশন দ্বারা সমর্থিত হয়েছিল। চিপ তৈরির জন্য লেখক কনেক্স্যান্ট সিস্টেমকে ধন্যবাদ জানান, বিশেষ করে আর. মাগুন, এফ. ইনটভেল্ড, জে. পাওয়েল, এ. ভো এবং কে. মোয়ে। কে. পটার, ডি. হ্যাম, এবং এইচ. উ, সবাই ক্যালিফোর্নিয়া ইনস্টিটিউট অফ টেকনোলজি (ক্যালটেক), পাসাদেনা থেকে, তাদের সহায়তার জন্য বিশেষ ধন্যবাদ প্রাপ্য। এজিল্যান্ট টেকনোলজিস এবং সনেট সফটওয়্যার ইনকর্পোরেটেড, লিভারপুল, এনওয়াই থেকে সিএডি সরঞ্জামগুলির জন্য প্রযুক্তিগত সহায়তাও প্রশংসা করা হয়। সিলিকন-ভিত্তিক আরএফ এবং মাইক্রোওয়েভ ইন্টিগ্রেটেড সার্কিট সম্পর্কিত বিশেষ সংখ্যা, আইইইই লেনদেন মাইক্রোওয়েভ তত্ত্ব এবং কৌশল, খণ্ড। ৫০, না। |
14fae9835ae65adfdc434b7b7e761487e7a9548f | এটা জানা যায় যে একটি রেডিয়াল পাওয়ার কম্বিনার অনেক সংখ্যক পাওয়ার এম্প্লিফায়ারকে একত্রিত করার ক্ষেত্রে খুবই কার্যকর, যেখানে একটি তুলনামূলকভাবে বিস্তৃত ব্যান্ডে উচ্চ দক্ষতা (৯০% এর বেশি) অর্জন করা যায়। তবে এর নকশা জটিলতার কারণে এর বর্তমান ব্যবহার সীমিত। এই কাগজে, আমরা একটি ধাপে ধাপে নকশা পদ্ধতি বিকাশ, উভয় প্রাথমিক আনুমানিক নকশা সূত্র এবং চূড়ান্ত সঠিক নকশা অপ্টিমাইজেশান উদ্দেশ্যে উপযুক্ত মডেল সহ। ত্রিমাত্রিক ইলেক্ট্রোম্যাগনেটিক মডেলিংয়ের উপর ভিত্তি করে, পূর্বাভাস দেওয়া ফলাফলগুলি পরিমাপকৃতগুলির সাথে চমৎকার একমত ছিল। রেডিয়াল-কম্বাইনার দক্ষতা, এর মার্জিত অবনতি এবং উচ্চতর অর্ডার প্যাকেজ রেজোন্যান্সের প্রভাব সম্পর্কিত ব্যবহারিক বিষয়গুলি এখানে বিস্তারিতভাবে আলোচনা করা হয়েছে |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | মাইক্রোস্ট্রিপ প্রোব এবং ডাব্লুআর-৪৩০ আয়তক্ষেত্রাকার ওয়েভগাইড ব্যবহার করে ১ঃ৪ পাওয়ার ডিভাইডার সফলভাবে প্রদর্শন করা হয়েছে। অপ্টিমাইজড কাঠামোর ১৫ ডিবি রিটার্ন লস ব্যান্ডউইথ ২২% এবং এর ০.৫ ডিবি ইনসার্শন লস ব্যান্ডউইথ ২৬% প্রমাণিত হয়েছে। যদিও প্রচলিত যন্ত্রের মাধ্যমে এই ধরনের কাঠামো তৈরি করা হয়, তবে এটি মিলিমিটার ও সাব মিলিমিটার ওয়েভ মাইক্রো মেশিনিংয়ের প্রচলিত পদ্ধতির সাথে সামঞ্জস্যপূর্ণ। এইভাবে, কাঠামোটি একটি সম্ভাব্য শক্তি বিভাজন এবং শক্তি সংমিশ্রণ আর্কিটেকচার উপস্থাপন করে, যা মাইক্রো মেশিনিংয়ের মাধ্যমে 100 গিগাহার্জের উপরে অ্যাপ্লিকেশনগুলির জন্য ব্যবহার করা যেতে পারে। |
68218edaf08484871258387e95161a3ce0e6fe67 | একটি আট-ডিভাইস কা-ব্যান্ড সলিড-স্টেট পাওয়ার এম্প্লিফায়ার একটি ভ্রমণ-তরঙ্গ শক্তি-বিভাজন / সমন্বয় কৌশল ব্যবহার করে ডিজাইন এবং নির্মিত হয়েছে। এই নকশাটিতে ব্যবহৃত নিম্ন-প্রোফাইল স্লটড ওয়েভগাইড কাঠামোটি কেবলমাত্র একটি বিস্তৃত ব্যান্ডউইথের উপর উচ্চ শক্তি-সংযুক্ত দক্ষতা সরবরাহ করে না, তবে সক্রিয় ডিভাইসগুলির জন্য দক্ষ তাপ সঞ্চারও করে। আট-ডিভাইস পাওয়ার এম্প্লিফায়ারের পরিমাপকৃত সর্বোচ্চ ছোট-সিগন্যাল লাভ ৩.২ গিগাহার্টজ (f/sub L/=৩১.৮ গিগাহার্টজ, f/sub H/=৩৫ গিগাহার্টজ) এর ৩-ডিবি ব্যান্ডউইথের সাথে ৩৪ গিগাহার্টজে ১৯.৪ ডিবি। পাওয়ার এম্প্লিফায়ারের ১ ডিবি কম্প্রেশনের (পি/সাব আউট/১ ডিবি) পর পর পরিমাপ করা সর্বোচ্চ আউটপুট পাওয়ার ৩২.২ গিগাহার্জেটে ৩৩ ডিবিএম (/স্প্ল সিম/২ ওয়াট) হয়, যার পাওয়ার-কম্বাইনিং এফিসিয়েন্সি ৮০%। এছাড়াও, ডিভাইস ব্যর্থতার কারণে এই পাওয়ার এম্প্লিফায়ারের পারফরম্যান্স অবনতিও সিমুলেট এবং পরিমাপ করা হয়েছে। |
db884813d6d764aea836c44f46604128735bffe0 | উচ্চ ক্ষমতা, বিস্তৃত ব্যান্ডউইথ, উচ্চ রৈখিকতা এবং কম শব্দ পরিবর্ধক নকশা সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্য মধ্যে হয়। ব্রডব্যান্ড স্পেসিয়াল পাওয়ার-কম্বাইনিং টেকনিক এই সমস্ত সমস্যাগুলিকে সমাধান করে, একটি ব্রডব্যান্ড সমাক্ষ তরঙ্গগতির পরিবেশে বিপুল সংখ্যক মাইক্রোওয়েভ একক সমন্বিত সার্কিট (এমএমআইসি) পরিবর্ধকগুলির আউটপুট শক্তিকে একত্রিত করে, ভাল রৈখিকতা বজায় রেখে এবং এমএমআইসি পরিবর্ধকগুলির ফেজ গোলমালের উন্নতি করে। একটি সম-অক্ষীয় ওয়েভগাইডকে সংযুক্ত সার্কিটের হোস্ট হিসাবে ব্যবহার করা হয়েছিল যাতে প্রতিটি উপাদানকে সমানভাবে ইনপুট শক্তি বিতরণ করে বৃহত্তর ব্যান্ডউইথ এবং আরও ভাল অভিন্নতা পাওয়া যায়। একটি নতুন কমপ্যাক্ট সমাক্ষ সংমিশ্রণকারী অনেক ছোট আকারের সঙ্গে তদন্ত করা হয়। বাণিজ্যিক এমএমআইসি এম্প্লিফায়ারগুলির সাথে আরও ভাল সামঞ্জস্যের জন্য ব্রডব্যান্ড স্লটলাইন থেকে মাইক্রোস্ট্রিপ-লাইন রূপান্তরকে একত্রিত করা হয়েছে। তাপীয় সিমুলেশন সম্পন্ন করা হয় এবং উচ্চ-শক্তি প্রয়োগে তাপ নিমজ্জন উন্নত করার জন্য পূর্ববর্তী ডিজাইনের তুলনায় উন্নত তাপ ব্যবস্থাপনা স্কিম ব্যবহার করা হয়। কমপ্যাক্ট কম্বিনার ডিজাইন ব্যবহার করে একটি উচ্চ-ক্ষমতা পরিবর্ধক নির্মিত হয় এবং 44-ওয়াট সর্বোচ্চ আউটপুট শক্তি সহ 6 থেকে 17 গিগাহার্টজ থেকে একটি ব্যান্ডউইথ প্রদর্শিত হয়। লিনিয়ারিটি পরিমাপ 52 ডিসিএম এর একটি উচ্চ তৃতীয় অর্ডার ইন্টারসেপ্ট পয়েন্ট দেখিয়েছে। বিশ্লেষণ দেখায় যে, এম্প্লিফায়ারটি ২ থেকে ৩ গুণ স্পুরিয়স-ফ্রি ডায়নামিক রেঞ্জ বাড়াতে সক্ষম। এই এম্প্লিফায়ারটি ১০ কিলোহার্জ অফসেটে ১৪০ ডিসির কাছাকাছি অবশিষ্ট ফেজ ফ্লোরও দেখায়, যা এটি একীভূত একটি এমএমআইসি এম্প্লিফায়ারের তুলনায় ৫-৬ ডিবি হ্রাস করে। |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | আগামী পঞ্চম প্রজন্মের সেলুলার যোগাযোগের জন্য প্রথম ধরনের ২৮ গিগাহার্জ এন্টেন সমাধান বিস্তারিতভাবে উপস্থাপন করা হয়েছে। ব্যাপক পরিমাপ এবং সিমুলেশনগুলি প্রস্তাবিত ২৮ গিগাহার্জ এন্টেন সমাধানকে বাস্তবসম্মত প্রজনন পরিবেশে কাজ করা সেলুলার হ্যান্ডসেটগুলির জন্য অত্যন্ত কার্যকর বলে নিশ্চিত করেছে। |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | নেটওয়ার্ক ভিত্তিক আক্রমণ সাধারণ এবং পরিশীলিত হয়ে উঠেছে। এই কারণে, অনুপ্রবেশ সনাক্তকরণ সিস্টেমগুলি এখন তাদের ফোকাস হোস্ট এবং তাদের অপারেটিং সিস্টেমগুলি থেকে নিজেই নেটওয়ার্কে স্থানান্তর করছে। নেটওয়ার্ক ভিত্তিক অনুপ্রবেশ সনাক্তকরণ একটি চ্যালেঞ্জ, কারণ নেটওয়ার্ক অডিটিং প্রচুর পরিমাণে ডেটা উত্পাদন করে এবং একটি একক অনুপ্রবেশের সাথে সম্পর্কিত বিভিন্ন ঘটনা নেটওয়ার্কের বিভিন্ন জায়গায় দৃশ্যমান হতে পারে। এই গবেষণাপত্রটি নেটওয়ার্ক ইনট্রুশন সনাক্তকরণের জন্য একটি নতুন পদ্ধতির নাম নেটস্ট্যাট উপস্থাপন করে। নেটওয়ার্ক এবং আক্রমণ উভয়েরই একটি আনুষ্ঠানিক মডেল ব্যবহার করে, নেটস্ট্যাট কোন নেটওয়ার্ক ইভেন্টগুলি নিরীক্ষণ করতে হবে এবং কোথায় সেগুলি নিরীক্ষণ করা যেতে পারে তা নির্ধারণ করতে সক্ষম। |
818c13721db30a435044b37014fe7077e5a8a587 | বড় বড় ক্লাস্টারে ব্যাপক ডেটা বিশ্লেষণ ক্যোয়ারী অপ্টিমাইজেশনের জন্য নতুন সুযোগ এবং চ্যালেঞ্জ উপস্থাপন করে। এই পরিবেশে পারফরম্যান্সের জন্য ডেটা পার্টিশনিং অত্যন্ত গুরুত্বপূর্ণ। তবে, ডেটা পুনর্বিন্যাস একটি অত্যন্ত ব্যয়বহুল অপারেশন তাই এই ধরনের অপারেশন সংখ্যা কমানো খুব উল্লেখযোগ্য পারফরম্যান্স উন্নতি দিতে পারে। এই পরিবেশের জন্য একটি ক্যোয়ারী অপ্টিমাইজারকে অবশ্যই তথ্য পার্টিশনিং সম্পর্কে যুক্তিযুক্ত হতে হবে যার মধ্যে সাজানো এবং গোষ্ঠীভুক্তকরণের সাথে এর মিথস্ক্রিয়া অন্তর্ভুক্ত রয়েছে। স্কোপ হচ্ছে মাইক্রোসফটে ব্যাপক ডেটা বিশ্লেষণের জন্য ব্যবহৃত এসকিউএল-এর মতো একটি স্ক্রিপ্টিং ভাষা। একটি রূপান্তর-ভিত্তিক অপ্টিমাইজার স্ক্রিপ্টগুলিকে কসমোস বিতরণ কম্পিউটিং প্ল্যাটফর্মের জন্য দক্ষ কার্যকর পরিকল্পনাগুলিতে রূপান্তর করার জন্য দায়ী। এই গবেষণাপত্রে আমরা বর্ণনা করছি কিভাবে ডেটা পার্টিশনিং সম্পর্কে যুক্তি SCOPE অপ্টিমাইজারে অন্তর্ভুক্ত করা হয়। আমরা দেখাব কিভাবে রিলেশনাল অপারেটর পার্টিশনিং, সোর্টিং এবং গ্রুপিং প্রোপার্টিগুলোকে প্রভাবিত করে এবং বর্ণনা করে কিভাবে অপ্টিমাইজার যুক্তি দেয় এবং অপ্রয়োজনীয় অপারেশন এড়াতে এই প্রোপার্টিগুলোকে কাজে লাগায়। বেশিরভাগ অপ্টিমাইজারে, সমান্তরাল পরিকল্পনা বিবেচনা করা একটি পোস্টপ্রসেসিং ধাপে করা একটি পরে চিন্তাভাবনা। পার্টিশন সম্পর্কে যুক্তি SCOPE অপ্টিমাইজারকে সম্পূর্ণরূপে সমান্তরাল, সিরিয়াল এবং মিশ্র পরিকল্পনাগুলির বিবেচনাকে ব্যয়-ভিত্তিক অপ্টিমাইজেশনে সংহত করতে সক্ষম করে। আমাদের পদ্ধতির মাধ্যমে যেসব পরিকল্পনা করা সম্ভব হয়েছে তার বিভিন্নতা দেখিয়ে উপকারিতা তুলে ধরা হয়েছে। |
8420f2f686890d9675538ec831dbb43568af1cb3 | রোমান লিপিতে লেখা হিংলিশ পাঠ্যের অনুভূতিগত ধ্রুবতা নির্ধারণের জন্য, আমরা বৈশিষ্ট্য নির্বাচন পদ্ধতির বিভিন্ন সমন্বয় এবং শব্দ ফ্রিকোয়েন্সি-বিপরীত নথি ফ্রিকোয়েন্সি বৈশিষ্ট্য উপস্থাপনা ব্যবহার করে শ্রেণীবিভাগের একটি হোস্টের সাথে পরীক্ষা করেছি। আমরা মোট ৮৪০টি পরীক্ষা চালিয়েছি যাতে হিংলিশ ভাষায় লেখা সংবাদ এবং ফেসবুক মন্তব্যে প্রকাশিত অনুভূতির জন্য শ্রেষ্ঠ শ্রেণীবিভাগকারী নির্ধারণ করতে পারি। আমরা এই সিদ্ধান্তে পৌঁছেছি যে, হিংলিশ পাঠ্যটিতে প্রকাশিত অনুভূতি শ্রেণীবদ্ধ করার জন্য শব্দটির ফ্রিকোয়েন্সি-ইনভার্স ডকুমেন্ট ফ্রিকোয়েন্সি-ভিত্তিক বৈশিষ্ট্য উপস্থাপনা, লাভ অনুপাত ভিত্তিক বৈশিষ্ট্য নির্বাচন এবং রেডিয়াল বেস ফাংশন নিউরাল নেটওয়ার্ক এর একটি ত্রিভুজ সেরা সমন্বয়। |
c97ebb60531a86bea516d3582758a45ba494de10 | আইইইই ইন্টেলিজেন্ট ট্রান্সপোর্টেশন সিস্টেমস সোসাইটি এবং সর্বব্যাপী কম্পিউটিং গবেষণা সম্প্রদায়ের মধ্যে আরও ঘনিষ্ঠ সহযোগিতার প্রচার করার জন্য, লেখক আইটিএস সোসাইটি চালু করেন এবং আইটিএস সোসাইটির গবেষকরা যে বেশ কয়েকটি সর্বব্যাপী কম্পিউটিং সম্পর্কিত গবেষণা বিষয় নিয়ে কাজ করছেন তা উপস্থাপন করেন। এই বিভাগটি বুদ্ধিমান পরিবহন সম্পর্কিত একটি বিশেষ সংখ্যার অংশ। |
e91196c1d0234da60314945c4812eda631004d8f | আমরা ভাষা শেখার জন্য একটি ইন্টারেক্টিভ মাল্টিমোডাল কাঠামোর প্রস্তাব দিচ্ছি। বড় পরিমাণে প্রাকৃতিক পাঠ্যের সাথে নিষ্ক্রিয়ভাবে সংযুক্ত হওয়ার পরিবর্তে, আমাদের শিক্ষার্থীরা (ফিড-ফরওয়ার্ড নিউরাল নেটওয়ার্ক হিসাবে বাস্তবায়িত) একটি টেবিলার রাসা সেটআপ থেকে শুরু করে সহযোগিতামূলক রেফারেন্সিয়াল গেমগুলিতে জড়িত হয় এবং এইভাবে গেমটিতে সফল হওয়ার জন্য যোগাযোগের প্রয়োজন থেকে তাদের নিজস্ব ভাষা বিকাশ করে। প্রাথমিক পরীক্ষাগুলি আশাব্যঞ্জক ফলাফল প্রদান করে, তবে এটিও সুপারিশ করে যে এইভাবে প্রশিক্ষিত এজেন্টরা কেবলমাত্র তারা যে গেমটি খেলছেন তার জন্য কার্যকর একটি অ্যাডহক যোগাযোগ কোড বিকাশ না করে তা নিশ্চিত করা গুরুত্বপূর্ণ। |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | সম্প্রতি, ত্রিমাত্রিক (3D) এলটিসিসি-ভিত্তিক সিআইপি অ্যাপ্লিকেশনগুলিতে উচ্চ সংহত ঘনত্বের কারণে উচ্চ-ফ্রিকোয়েন্সি সংকেতের সময় নিয়ন্ত্রণের দৃ strongly়ভাবে দাবি করা হয়েছে। তাই, সময় বিলম্ব নিয়ন্ত্রণের জন্য, নতুন 3D বিলম্ব লাইন প্রস্তাব করা হবে। সংকেত ভিয়ার দুর্বলতার জন্য, আমরা সমাক্ষ লাইন ধারণা গ্রহণ করি এবং কোয়াসিয়াল গ্রাউন্ড (QCOX-GND) ভিয়ার সাথে কাঠামোর মাধ্যমে একটি উন্নত সংকেত প্রস্তাব করি। আমরা ই এম এবং সার্কিট সিমুলেটর ব্যবহার করে সিমুলেটর ফলাফল দেখাবো। |
1a07186bc10592f0330655519ad91652125cd907 | আমরা একটি একক কনভলুশনাল নিউরাল নেটওয়ার্ক আর্কিটেকচার বর্ণনা করি যা একটি বাক্য দেওয়া হলে, ভাষার প্রক্রিয়াকরণের পূর্বাভাসের একটি হোস্ট আউটপুট দেয়ঃ অংশ-ভাষার ট্যাগ, টুকরা, নামযুক্ত সত্তা ট্যাগ, শব্দার্থিক ভূমিকা, শব্দার্থিকভাবে অনুরূপ শব্দ এবং বাক্যটি অর্থবহ হওয়ার সম্ভাবনা (ব্যাকরণগত এবং শব্দার্থিকভাবে) একটি ভাষা মডেল ব্যবহার করে। পুরো নেটওয়ার্ককে যৌথভাবে এই সমস্ত কাজগুলিতে ওজন ভাগ করে নেওয়ার মাধ্যমে প্রশিক্ষণ দেওয়া হয়, যা মাল্টিটাস্ক লার্নিংয়ের একটি উদাহরণ। সমস্ত কাজ লেবেলযুক্ত তথ্য ব্যবহার করে, ভাষা মডেল ব্যতীত যা লেবেলহীন পাঠ্য থেকে শেখানো হয় এবং ভাগ করা কাজগুলির জন্য আধা-নিরীক্ষিত শেখার একটি নতুন রূপ উপস্থাপন করে। আমরা দেখাবো কিভাবে মাল্টিটাস্ক লার্নিং এবং সেমি-সুপারভাইজড লার্নিং উভয়ই ভাগ করা কাজগুলোকে সাধারণীকরণে উন্নতি করে, যার ফলে অত্যাধুনিক পারফরম্যান্স হয়। |
27e38351e48fe4b7da2775bf94341738bc4da07e | একক-শব্দ ভেক্টর স্পেস মডেলগুলি শব্দার্থিক তথ্য শেখার ক্ষেত্রে খুব সফল হয়েছে। তবে, তারা দীর্ঘ বাক্যাংশের রচনাগত অর্থ ধরে রাখতে পারে না, যা তাদের ভাষাটির গভীরতর বোঝার থেকে বাধা দেয়। আমরা একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) মডেলের সাথে পরিচয় করিয়ে দিচ্ছি যা নির্বিচারে সিনট্যাক্টিক টাইপ এবং দৈর্ঘ্যের বাক্যাংশ এবং বাক্যগুলির জন্য রচনা ভেক্টর উপস্থাপনাগুলি শিখবে। আমাদের মডেল একটি পার্স গাছের প্রতিটি নোডকে একটি ভেক্টর এবং একটি ম্যাট্রিক্স বরাদ্দ করেঃ ভেক্টরটি উপাদানটির অন্তর্নিহিত অর্থকে ধরে রাখে, যখন ম্যাট্রিক্সটি প্রতিবেশী শব্দ বা বাক্যাংশের অর্থ কীভাবে পরিবর্তন করে তা ধরে রাখে। এই ম্যাট্রিক্স-ভেক্টর RNN প্রপোজিশনাল লজিক এবং প্রাকৃতিক ভাষায় অপারেটরদের অর্থ শিখতে পারে। মডেলটি তিনটি ভিন্ন পরীক্ষায় শিল্পের পারফরম্যান্সের অবস্থা অর্জন করেঃ অ্যাডভারব-অ্যাডজেক্টিভ জোড়াগুলির সূক্ষ্ম-গ্রানড সেন্টিমেন্ট বিতরণ পূর্বাভাস দেওয়া; চলচ্চিত্র পর্যালোচনার সেন্টিমেন্ট লেবেলগুলি শ্রেণিবদ্ধ করা এবং তাদের মধ্যে সিনট্যাক্টিক পথ ব্যবহার করে নামগুলির মধ্যে কারণ-প্রভাব বা বিষয়-বার্তার মতো অর্থগত সম্পর্কগুলি শ্রেণিবদ্ধ করা। |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | এই কাগজটি বাক্যাংশ-স্তরের অনুভূতি বিশ্লেষণের জন্য একটি নতুন পদ্ধতির উপস্থাপন করে যা প্রথমে একটি অভিব্যক্তি নিরপেক্ষ বা মেরুযুক্ত কিনা তা নির্ধারণ করে এবং তারপরে মেরুযুক্ত অভিব্যক্তিগুলির মেরুহীনতাকে স্পষ্ট করে। এই পদ্ধতির সাহায্যে, সিস্টেমটি স্বয়ংক্রিয়ভাবে আবেগ প্রকাশের একটি বৃহত উপসেটের জন্য প্রাসঙ্গিক ধ্রুবকতা সনাক্ত করতে সক্ষম হয়, যা বেসলাইন থেকে উল্লেখযোগ্যভাবে ভাল ফলাফল অর্জন করে। |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | সময় অনেক আকর্ষণীয় মানব আচরণের অন্তর্নিহিত। এইভাবে, সংযোগবাদী মডেলগুলিতে কীভাবে সময়কে উপস্থাপন করা যায় তা অত্যন্ত গুরুত্বপূর্ণ। একটি পদ্ধতি হল প্রক্রিয়াকরণের উপর এর প্রভাব দ্বারা সময়কে অব্যক্তভাবে প্রতিনিধিত্ব করা, বরং স্পষ্টভাবে (যেমন একটি স্থানিক উপস্থাপনায়) । বর্তমান প্রতিবেদনে এই প্রসঙ্গে জর্ডান (১৯৮৬) দ্বারা বর্ণিত একটি প্রস্তাবের উন্নয়ন করা হয়েছে, যার মধ্যে রয়েছে নেটওয়ার্ককে গতিশীল মেমরি প্রদানের জন্য পুনরাবৃত্ত লিঙ্কগুলির ব্যবহার। এই পদ্ধতিতে, লুকানো ইউনিট প্যাটার্নগুলি নিজেদেরকে ফিড করে; অভ্যন্তরীণ প্রতিনিধিত্বগুলি যা বিকাশ করে তা পূর্ববর্তী অভ্যন্তরীণ রাষ্ট্রের প্রসঙ্গে কাজের চাহিদা প্রতিফলিত করে। সিমুলেশনগুলির একটি সেট রিপোর্ট করা হয় যা তুলনামূলকভাবে সহজ সমস্যা (এক্সওআর এর টাইমাল সংস্করণ) থেকে শুরু করে শব্দের জন্য সিনট্যাক্স / শব্দার্থক বৈশিষ্ট্যগুলি আবিষ্কার করে। নেটওয়ার্কগুলি আকর্ষণীয় অভ্যন্তরীণ উপস্থাপনাগুলি শিখতে সক্ষম হয় যা মেমরির চাহিদার সাথে টাস্কের চাহিদা অন্তর্ভুক্ত করে; প্রকৃতপক্ষে, এই পদ্ধতিতে মেমরির ধারণাটি টাস্ক প্রসেসিংয়ের সাথে অবিচ্ছেদ্যভাবে আবদ্ধ। এই উপস্থাপনাগুলি একটি সমৃদ্ধ কাঠামো প্রকাশ করে, যা তাদের অত্যন্ত প্রসঙ্গ-নির্ভরশীল হতে দেয় এবং আইটেমগুলির শ্রেণীর জুড়ে সাধারণীকরণগুলি প্রকাশ করে। এই উপস্থাপনাগুলি শব্দার্থিক শ্রেণীর উপস্থাপনের জন্য একটি পদ্ধতি এবং টাইপ / টোকেন পার্থক্যের পরামর্শ দেয়। |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | নতুন মেশিন লার্নিং প্যারাডাইম হিসেবে ট্রান্সফার লার্নিং সম্প্রতি ক্রমবর্ধমান মনোযোগ পেয়েছে। যখন একটি লক্ষ্য ডোমেইনে প্রশিক্ষণ তথ্য কার্যকরভাবে ভবিষ্যদ্বাণীমূলক মডেলগুলি শেখার জন্য যথেষ্ট নয়, তখন স্থানান্তর শেখার জন্য অন্যান্য সম্পর্কিত সহায়ক ডোমেন থেকে সহায়ক উত্স ডেটা ব্যবহার করে। যদিও এই ক্ষেত্রে বিদ্যমান বেশিরভাগ কাজ কেবলমাত্র টার্গেট ডেটার মতো একই প্রতিনিধিত্বমূলক কাঠামোর সাথে উত্স ডেটা ব্যবহারের দিকে মনোনিবেশ করে, এই কাগজে আমরা পাঠ্য এবং চিত্রের মধ্যে জ্ঞান স্থানান্তরের জন্য একটি বৈষম্যপূর্ণ স্থানান্তর শেখার কাঠামোর প্রসারিত করে এই সীমানাটি আরও এগিয়ে নিয়ে যাই। আমরা লক্ষ্য করেছি যে লক্ষ্য-ডোমেন শ্রেণীবিভাগের সমস্যার জন্য, কিছু টীকাযুক্ত চিত্র অনেক সামাজিক ওয়েব সাইটে পাওয়া যায়, যা ওয়েবে উপলব্ধ প্রচুর পাঠ্য নথি থেকে জ্ঞান স্থানান্তর করার জন্য একটি সেতু হিসাবে কাজ করতে পারে। মূল প্রশ্ন হচ্ছে কিভাবে তথ্য উৎস থেকে জ্ঞানকে কার্যকরভাবে স্থানান্তর করা যায়, যদিও পাঠ্য নথিগুলি স্বৈরশাসিত হয়। আমাদের সমাধান হল, ম্যাট্রিক্স ফ্যাক্টরাইজেশনের মাধ্যমে সহায়ক উৎস তথ্য থেকে বের করা অর্থপূর্ণ ধারণাগুলি দিয়ে লক্ষ্য চিত্রের উপস্থাপনাকে সমৃদ্ধ করা এবং সহায়ক তথ্য দ্বারা উৎপন্ন লুকানো অর্থপূর্ণ বৈশিষ্ট্যগুলি ব্যবহার করে একটি উন্নত চিত্র শ্রেণিবদ্ধকরণকারী তৈরি করা। আমরা ক্যালটেক-২৫৬ ইমেজ ডেটাসেটে আমাদের অ্যালগরিদমের কার্যকারিতা পরীক্ষা করেছি। |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | মুখের সনাক্তকরণ এবং চোখের নিষ্কাশন অনেক অ্যাপ্লিকেশনে যেমন মুখের স্বীকৃতি, মুখের ভাব বিশ্লেষণ, সুরক্ষা লগইন ইত্যাদিতে গুরুত্বপূর্ণ ভূমিকা পালন করে। মানুষের মুখ ও চোখ, নাকের মতো চেহারার গঠন সনাক্ত করা কম্পিউটারের জন্য জটিল প্রক্রিয়া। এই গবেষণাপত্রে সোবেল এজ ডিটেকশন এবং মর্ফোলজিকাল অপারেশন ব্যবহার করে ফ্রন্টাল ফেস ইমেজ থেকে মুখ সনাক্তকরণ এবং চোখের নিষ্কাশনের জন্য একটি অ্যালগরিদমের প্রস্তাব দেওয়া হয়েছে। প্রস্তাবিত পদ্ধতিটি তিনটি পর্যায়ে বিভক্ত; প্রিপ্রসেসিং, মুখের অঞ্চল চিহ্নিতকরণ এবং চোখের নিষ্কাশন। চিত্রের আকার পরিবর্তন এবং ধূসর স্কেল চিত্র রূপান্তর প্রাক প্রক্রিয়াকরণে অর্জন করা হয়। মুখের অঞ্চল সনাক্তকরণ সোবেল প্রান্ত সনাক্তকরণ এবং রূপবিজ্ঞান অপারেশন দ্বারা সম্পন্ন করা হয়। শেষ পর্যায়ে, চোখগুলো মুখের অংশ থেকে বের করে আনা হয়। এই পরীক্ষাগুলি যথাক্রমে আইএমএম ফ্রন্টাল ফেস ডাটাবেস, এফইআই ফেস ডাটাবেস এবং আইএমএম ফেস ডাটাবেসের ১২০, ৭৫, ৪০ টি চিত্রের উপর পরিচালিত হয়। মুখ সনাক্তকরণের নির্ভুলতা যথাক্রমে ১০০%, ১০০% এবং ৯৭.৫০% এবং চোখের নিষ্কাশন নির্ভুলতার হার যথাক্রমে ৯২.৫০%, ৯০.৬৬% এবং ৯২.৫০%। |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | একটি সমষ্টিগত স্বাক্ষর স্কিম হল একটি ডিজিটাল স্বাক্ষর যা সমষ্টিকে সমর্থন করেঃ n পৃথক ব্যবহারকারীদের থেকে n পৃথক বার্তাগুলিতে n স্বাক্ষর দেওয়া, এই সমস্ত স্বাক্ষরকে একটি সংক্ষিপ্ত স্বাক্ষরে একত্রিত করা সম্ভব। এই একক স্বাক্ষর (এবং n মূল বার্তা) যাচাইকারীকে নিশ্চিত করবে যে n ব্যবহারকারী প্রকৃতপক্ষে n মূল বার্তাগুলিতে স্বাক্ষর করেছেন (যেমন, ব্যবহারকারী i i = 1 এর জন্য বার্তা Mi স্বাক্ষর করেছেন। - ঠিক আছে । - ঠিক আছে । , n) এই নিবন্ধে আমরা সমষ্টিগত স্বাক্ষরের ধারণাটি প্রবর্তন করি, এই জাতীয় স্বাক্ষরের জন্য সুরক্ষা মডেলগুলি উপস্থাপন করি এবং সমষ্টিগত স্বাক্ষরের জন্য বেশ কয়েকটি অ্যাপ্লিকেশন সরবরাহ করি। আমরা বনে, লিন এবং শ্যাচামের কারণে বিলিনিয়ার মানচিত্রের উপর ভিত্তি করে সাম্প্রতিক সংক্ষিপ্ত স্বাক্ষর স্কিম থেকে একটি দক্ষ সমষ্টিগত স্বাক্ষর তৈরি করি। সমষ্টিগত স্বাক্ষর সার্টিফিকেট চেইনগুলির আকার হ্রাস করার জন্য (চেইনের সমস্ত স্বাক্ষর একত্রিত করে) এবং এসবিজিপি এর মতো সুরক্ষিত রাউটিং প্রোটোকলগুলিতে বার্তার আকার হ্রাস করার জন্য দরকারী। আমরা দেখিয়েছি যে সমষ্টিগত স্বাক্ষরগুলি যাচাইযোগ্যভাবে এনক্রিপ্ট করা স্বাক্ষরকে উত্থাপন করে। এই ধরনের স্বাক্ষর যাচাইকারীকে পরীক্ষা করতে দেয় যে একটি প্রদত্ত সিফারটেক্সট সি একটি প্রদত্ত বার্তায় স্বাক্ষরের এনক্রিপশন । চুক্তি স্বাক্ষর প্রোটোকলে যাচাইযোগ্যভাবে এনক্রিপ্ট করা স্বাক্ষর ব্যবহার করা হয়। শেষ পর্যন্ত, আমরা দেখিয়েছি যে, একই ধরনের ধারণা ব্যবহার করে সংক্ষিপ্ত স্বাক্ষর স্কিমকে সহজ রিং স্বাক্ষর প্রদানের জন্য প্রসারিত করা যেতে পারে। |
6d4fa4b9037b64b8383331583430711be321c587 | মানসিক বিশ্লেষণ একটি ক্রমবর্ধমান গবেষণা ক্ষেত্র, যা বাণিজ্যিক অ্যাপ্লিকেশন এবং একাডেমিক আগ্রহ উভয় দ্বারা চালিত হয়। এই গবেষণাপত্রে, আমরা মূল্যবোধ এবং উত্তেজনার অনুভূতি মাত্রার জন্য ডায়েরি-মত ব্লগ পোস্টের মাল্টি-ক্লাস শ্রেণিবদ্ধকরণ অন্বেষণ করি, যেখানে কার্যের লক্ষ্যটি একটি পোস্টের মূল্যবোধ এবং উত্তেজনার স্তরের পূর্বাভাস দেওয়া হয় একটি অর্ডিনাল পাঁচ-স্তরের স্কেলে, যথাক্রমে খুব নেতিবাচক / কম থেকে খুব ইতিবাচক / উচ্চ। আমরা দেখাবো কিভাবে এই দুই মাত্রায় অর্ডিনাল স্কেলে ডিসক্রিট এফেক্টিভ স্টেট ম্যাপ করা যায়, রাসেলের সার্কম্প্লেক্স মডেল অফ এফেক্টের মনস্তাত্ত্বিক মডেলের উপর ভিত্তি করে এবং মাল্টি-ডাইমেনশনাল, রিয়েল-ভ্যালু এনাটেশন সহ পূর্বে উপলব্ধ কর্পাসকে লেবেল করা হয়। রেগ্রিশন এবং এক-বিপরীত-সমস্ত পদ্ধতির ব্যবহার করে পরীক্ষামূলক ফলাফলগুলি সমর্থন ভেক্টর মেশিন শ্রেণিবদ্ধকরণকারীদের দেখায় যে যদিও পরের পদ্ধতিটি আরও ভাল সঠিক অর্ডিনাল শ্রেণীর পূর্বাভাসের নির্ভুলতা সরবরাহ করে, তবে রেগ্রিশন কৌশলগুলি ছোট স্কেল ত্রুটি তৈরি করে। |
9931c6b050e723f5b2a189dd38c81322ac0511de | আমরা মানব ক্রিয়াকলাপ স্বীকৃতি সম্প্রদায়ের মধ্যে সর্বজনীনভাবে উপলব্ধ ডেটাসেটের বর্তমান অবস্থা পর্যালোচনা উপস্থাপন করি; পোজ ভিত্তিক পদ্ধতির পুনরুজ্জীবন এবং ব্যক্তি-ব্যক্তির মিথস্ক্রিয়া মডেলিং বোঝার সাম্প্রতিক অগ্রগতি তুলে ধরে। আমরা ডেটাসেটকে বিভিন্ন মূল বৈশিষ্ট্যগুলির সাথে শ্রেণিবদ্ধ করি যা বেঞ্চমার্ক ডেটাসেট হিসাবে ব্যবহারের জন্য; শ্রেণীর লেবেলগুলির সংখ্যা, সরবরাহিত গ্রাউন্ড সত্য এবং তারা দখল করে থাকা অ্যাপ্লিকেশন ডোমেন সহ। আমরা প্রতিটি ডেটাসেটের বিমূর্ততার স্তরও বিবেচনা করি; যারা কর্ম, মিথস্ক্রিয়া এবং উচ্চ স্তরের শব্দার্থক ক্রিয়াকলাপ উপস্থাপন করে তাদের গ্রুপিং। জরিপটি মূল চেহারা এবং পজ ভিত্তিক ডেটাসেটগুলি চিহ্নিত করে, সরলীকৃত, জোর দেওয়া বা স্ক্রিপ্টযুক্ত অ্যাকশন ক্লাসগুলির প্রবণতা উল্লেখ করে যা প্রায়শই সাব-অ্যাকশন অঙ্গভঙ্গির একটি স্থিতিশীল সংগ্রহ দ্বারা সহজেই সংজ্ঞায়িত হয়। এমন ডেটাসেটের স্পষ্ট অভাব রয়েছে যা ঘনিষ্ঠভাবে সম্পর্কিত ক্রিয়া সরবরাহ করে, যা পজিশন এবং অঙ্গভঙ্গির একটি সিরিজের মাধ্যমে অবহিতভাবে চিহ্নিত হয় না, বরং মিথস্ক্রিয়াগুলির একটি গতিশীল সেট। তাই আমরা একটি নতুন ডেটা সেট প্রস্তাব করছি যা তিন-মাত্রিক অবস্থানের মাধ্যমে দুই ব্যক্তির মধ্যে জটিল কথোপকথনকে উপস্থাপন করে। দুইটি Kinect গভীরতা সেন্সর ব্যবহার করে ৮টি জোড়া ইন্টারঅ্যাকশন সংগ্রহ করা হয়েছে, যা ৭টি পৃথক কথোপকথন ভিত্তিক দৃশ্যকল্প বর্ণনা করে। উদ্দেশ্য হল এমন ঘটনা প্রদান করা যা অনেকগুলি আদিম কর্ম, মিথস্ক্রিয়া এবং গতি থেকে নির্মিত হয়, একটি সময়ের মধ্যে; সূক্ষ্ম কর্ম শ্রেণীর একটি সেট প্রদান করা যা বাস্তব বিশ্বের আরো প্রতিনিধিত্বমূলক এবং বর্তমানে উন্নত স্বীকৃতি পদ্ধতির একটি চ্যালেঞ্জ। আমরা বিশ্বাস করি যে এটি প্রথম ডেটাসেটগুলির মধ্যে একটি যা 3D পোজ প্রিপ্রিন্ট ব্যবহার করে কথোপকথন ইন্টারঅ্যাকশন শ্রেণিবিন্যাসের জন্য নিবেদিত। এটি এ্যালসেভিয়ার 27 অক্টোবর, 2015 এ জমা দেওয়া হয়েছে এবং এটির সাথে সম্পর্কিত কাগজপত্রগুলি দেখায় যে এই কাজটি সত্যই সম্ভব। সম্পূর্ণ ডেটা সেটটি গবেষণা সম্প্রদায়ের জন্য [1] এ সর্বজনীনভাবে উপলব্ধ করা হয়েছে। |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | আমরা আধুনিক গাড়িতে ব্যবহৃত প্যাসিভ কীলেস এন্ট্রি অ্যান্ড স্টার্ট (পিকেইএস) সিস্টেমে রিলে আক্রমণ প্রদর্শন করি। আমরা দুটি কার্যকর এবং সস্তা আক্রমণ তৈরি করেছি, তারযুক্ত এবং বেতার শারীরিক স্তর রিলে, যা আক্রমণকারীকে প্রবেশ করতে এবং গাড়ি আর স্মার্ট কী এর মধ্যে বার্তা পাঠিয়ে গাড়ি চালু করতে দেয়। আমাদের রিলেগুলো সম্পূর্ণ স্বাধীন, মডুলেশন, প্রোটোকল, অথবা শক্তিশালী প্রমাণীকরণ এবং এনক্রিপশনের উপস্থিতির উপর নির্ভর করে না। আমরা ৮ জন নির্মাতার ১০টি মডেলের গাড়ি নিয়ে একটি বিস্তৃত মূল্যায়ন করেছি। আমাদের ফলাফল দেখায় যে কেবলমাত্র এক দিকে (গাড়ি থেকে চাবি পর্যন্ত) সংকেত প্রেরণ করা আক্রমণটি সম্পাদন করার জন্য যথেষ্ট, যখন চাবি এবং গাড়ির মধ্যে প্রকৃত দূরত্ব বড় থাকে (পরীক্ষিত 50 মিটার পর্যন্ত, দৃষ্টিভঙ্গি নয়) । আমরা দেখিয়েছি যে, আমাদের সেটআপের মাধ্যমে, স্মার্ট কীটি ৮ মিটার পর্যন্ত উত্তেজিত হতে পারে। এতে আক্রমণকারীকে রিলে স্থাপন করার জন্য কীটির কাছাকাছি যাওয়ার প্রয়োজন হয় না। আমরা আরও বিশ্লেষণ করি এবং সমালোচনামূলক সিস্টেমের বৈশিষ্ট্যগুলি নিয়ে আলোচনা করি। রিলে আক্রমণের সাধারণতা এবং মূল্যায়িত সিস্টেমের সংখ্যা বিবেচনা করে, এটি সম্ভবত একই নকশার উপর ভিত্তি করে সমস্ত পিকেইএস সিস্টেম একই আক্রমণের জন্য দুর্বল। অবশেষে, আমরা অবিলম্বে প্রশমন ব্যবস্থা প্রস্তাব করি যা রিলে আক্রমণের ঝুঁকিকে কমিয়ে দেয় এবং সাম্প্রতিক সমাধানগুলি যা ব্যবহারের সুবিধার সংরক্ষণের সময় রিলে আক্রমণ প্রতিরোধ করতে পারে, যার জন্য পিকেইএস সিস্টেমগুলি প্রাথমিকভাবে চালু করা হয়েছিল। |
69d685d0cf85dfe70d87c1548b03961366e83663 | আমরা রক্তের অক্সিজেন স্যাচুরেশন (SpO2) পর্যবেক্ষণের জন্য একটি যোগাযোগহীন পদ্ধতি উপস্থাপন করছি। এই পদ্ধতিতে একটি সিএমওএস ক্যামেরা ব্যবহার করা হয় যার ট্রিগার কন্ট্রোল থাকে যাতে দুটি বিশেষ তরঙ্গদৈর্ঘ্যে আলোকপ্লেটিস্মোগ্রাফি (পিপিজি) সংকেত রেকর্ড করা যায় এবং এই তরঙ্গদৈর্ঘ্যে পিপিজি সংকেতগুলির পালস্যাটাইল এবং ননপলস্যাটাইল উপাদানগুলির পরিমাপকৃত অনুপাত থেকে SpO2 নির্ধারণ করা হয়। SpO2 মানের সিগন্যাল-টু-রুজ অনুপাত (SNR) তরঙ্গদৈর্ঘ্যের পছন্দ উপর নির্ভর করে। আমরা দেখতে পেলাম যে কমলা (λ = 611 nm) এবং নিকট ইনফ্রারেড (λ = 880 nm) এর সংমিশ্রণটি যোগাযোগবিহীন ভিডিও-ভিত্তিক সনাক্তকরণ পদ্ধতির জন্য সেরা এসএনআর সরবরাহ করে। এই সংমিশ্রণটি প্রচলিত যোগাযোগ-ভিত্তিক SpO2 পরিমাপের থেকে আলাদা, যেহেতু এই তরঙ্গদৈর্ঘ্যে PPG সংকেত শক্তি এবং ক্যামেরা কোয়ান্টাম দক্ষতা স্পন 2 পরিমাপের জন্য আরও বেশি গ্রহণযোগ্য। আমরা একটি ছোট পাইলট স্টাডিও চালিয়েছি যাতে স্পর্শহীন পদ্ধতিটি 83% -98% এর SpO2 পরিসরে বৈধতা পায়। এই গবেষণার ফলাফলগুলি একটি রেফারেন্স যোগাযোগ SpO2 ডিভাইস ব্যবহার করে পরিমাপ করা হয় (r = 0.936, p <; 0.001) সঙ্গে সামঞ্জস্যপূর্ণ। উপস্থাপিত পদ্ধতিটি বিশেষ করে এমন ব্যক্তিদের জন্য উপযুক্ত যারা মুক্ত জীবনযাপনের শর্তে বাড়িতে নিজের স্বাস্থ্য এবং সুস্থতা ট্র্যাক করতে পারে এবং যারা প্রচলিত যোগাযোগ-ভিত্তিক পিপিজি ডিভাইস ব্যবহার করতে পারে না। |
51c88134a668cdfaccda2fe5f88919ac122bceda | ওয়েব ভিডিওতে মাল্টিমিডিয়া ইভেন্ট সনাক্ত করা মাল্টিমিডিয়া এবং কম্পিউটার ভিশন ক্ষেত্রে একটি উদীয়মান গরম গবেষণা ক্ষেত্র। এই গবেষণাপত্রে আমরা ইভেন্ট সনাক্তকরণের সামগ্রিক সমস্যার বিভিন্ন দিক মোকাবেলার জন্য আমাদের ইভেন্ট লেবেলিং থ্রু অ্যানালিটিক মিডিয়া প্রসেসিং (ই-এলএএমপি) সিস্টেমের জন্য সম্প্রতি যে কাঠামোটি তৈরি করেছি তার মূল পদ্ধতি এবং প্রযুক্তিগুলি উপস্থাপন করছি। বিশেষ করে, আমরা বৈশিষ্ট্য নিষ্কাশনের জন্য দক্ষ পদ্ধতি তৈরি করেছি যাতে আমরা হাজার হাজার ঘন্টার ভিডিও সহ ভিডিও ডেটার বড় সংগ্রহ পরিচালনা করতে পারি। দ্বিতীয়ত, আমরা একটি স্পেসিয়াল ব্যাগ-অফ-ওয়ার্ড মডেলের মধ্যে নিষ্কাশিত কাঁচা বৈশিষ্ট্যগুলিকে আরও কার্যকর টাইলিং দিয়ে উপস্থাপন করি যাতে বিভিন্ন বৈশিষ্ট্য এবং বিভিন্ন ইভেন্টের স্থানিক বিন্যাস তথ্য আরও ভালভাবে ক্যাপচার করা যায়, এইভাবে সামগ্রিক সনাক্তকরণের কার্যকারিতা উন্নত করা যায়। তৃতীয়ত, ব্যাপকভাবে ব্যবহৃত প্রাথমিক এবং দেরী সংযোজন স্কিম থেকে ভিন্ন, একটি নতুন অ্যালগরিদম একাধিক বৈশিষ্ট্য থেকে আরও শক্তিশালী এবং বৈষম্যমূলক মধ্যবর্তী বৈশিষ্ট্য উপস্থাপনা শিখতে বিকাশ করা হয় যাতে এটির উপর আরও ভাল ইভেন্ট মডেল তৈরি করা যায়। অবশেষে, খুব কম ইতিবাচক উদাহরণ সহ ইভেন্ট সনাক্তকরণের অতিরিক্ত চ্যালেঞ্জ মোকাবেলায়, আমরা একটি নতুন অ্যালগরিদম তৈরি করেছি যা কার্যকরভাবে সহায়ক উত্স থেকে প্রাপ্ত জ্ঞানকে ইভেন্ট সনাক্তকরণে সহায়তা করতে সক্ষম। আমাদের অভিজ্ঞতার ফলাফল এবং TRECVID MED11 এবং MED12 এর আনুষ্ঠানিক মূল্যায়নের ফলাফল উভয়ই এই ধারণাগুলির একীকরণের দুর্দান্ত পারফরম্যান্সকে প্রদর্শন করে। |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | আমরা দৃঢ় চাক্ষুষ বস্তুর স্বীকৃতি জন্য বৈশিষ্ট্য সেট প্রশ্ন অধ্যয়ন; একটি পরীক্ষা ক্ষেত্রে একটি রৈখিক SVM ভিত্তিক মানুষের সনাক্তকরণ গ্রহণ। বিদ্যমান এজ এবং গ্রেডিয়েন্ট ভিত্তিক বর্ণনাকারী পর্যালোচনা করার পরে, আমরা পরীক্ষামূলকভাবে দেখাই যে ওরিয়েন্টেড গ্রেডিয়েন্ট (এইচওজি) বর্ণনাকারীদের হিস্টোগ্রামের গ্রিডগুলি মানুষের সনাক্তকরণের জন্য বিদ্যমান বৈশিষ্ট্য সেটগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়। আমরা পারফরম্যান্সের উপর গণনার প্রতিটি পর্যায়ের প্রভাব অধ্যয়ন করি, এই সিদ্ধান্তে পৌঁছেছি যে সূক্ষ্ম স্কেল গ্রেডিয়েন্ট, সূক্ষ্ম ওরিয়েন্টেশন বিনিং, অপেক্ষাকৃত রুক্ষ স্থানিক বিনিং এবং ওভারল্যাপিং বর্ণনাকারী ব্লকগুলিতে উচ্চমানের স্থানীয় বৈসাদৃশ্যের সাধারণীকরণ ভাল ফলাফলের জন্য গুরুত্বপূর্ণ। নতুন পদ্ধতিটি মূল এমআইটি পথচারী ডাটাবেসের উপর প্রায় নিখুঁত বিচ্ছেদ দেয়, তাই আমরা আরো চ্যালেঞ্জিং ডেটাসেট চালু করি যার মধ্যে রয়েছে 1800 টিরও বেশি টীকাযুক্ত মানব চিত্র রয়েছে যার সাথে রয়েছে বিভিন্ন ধরণের পোজ এবং ব্যাকগ্রাউন্ড। |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | অনেক প্যাটার্ন স্বীকৃতি কাজের জন্য, আদর্শ ইনপুট বৈশিষ্ট্যটি একাধিক বিভ্রান্তিকর বৈশিষ্ট্যগুলির জন্য অপরিবর্তনীয় হবে (যেমন আলোকসজ্জা এবং দেখার কোণ, কম্পিউটার দৃষ্টি অ্যাপ্লিকেশনগুলিতে) । সম্প্রতি, সুপারভাইজড পদ্ধতিতে প্রশিক্ষিত গভীর আর্কিটেকচারগুলি দরকারী বৈশিষ্ট্যগুলি বের করার জন্য একটি স্বয়ংক্রিয় পদ্ধতি হিসাবে প্রস্তাবিত হয়েছে। তবে, শ্রেণীবিভাগের মধ্যে তাদের ব্যবহার ছাড়া অন্য কোন উপায়ে শিখেছি বৈশিষ্ট্যগুলি মূল্যায়ন করা কঠিন। এই গবেষণাপত্রে আমরা বেশ কিছু পরীক্ষার প্রস্তাব দিচ্ছি যা সরাসরি পরিমাপ করে যে এই শিখে নেওয়া বৈশিষ্ট্যগুলি বিভিন্ন ইনপুট রূপান্তরগুলির সাথে অপরিবর্তনীয়। আমরা দেখতে পাচ্ছি যে স্ট্যাকড অটো এনকোডারগুলি স্বাভাবিক চিত্রের উপর প্রশিক্ষিত হলে গভীরতার সাথে বিনয়ীভাবে ক্রমবর্ধমানভাবে অপরিবর্তনীয় বৈশিষ্ট্যগুলি শিখতে পারে। আমরা দেখতে পাচ্ছি যে, গভীর বিশ্বাসের নেটওয়ার্কগুলো প্রতিটি স্তরে অনেক বেশি অসীম বৈশিষ্ট্য শিখে। এই ফলাফলগুলি deep বনাম shallower উপস্থাপনাগুলির ব্যবহারকে আরও ন্যায়সঙ্গত করে তোলে, তবে পরামর্শ দেয় যে কেবলমাত্র একটি অটো এনকোডারকে অন্যের উপরে স্ট্যাক করার বাইরে প্রক্রিয়াগুলি অপরিবর্তনশীলতা অর্জনের জন্য গুরুত্বপূর্ণ হতে পারে। আমাদের মূল্যায়ন পরিমাপগুলি গভীর শিক্ষার ভবিষ্যতের কাজের মূল্যায়ন করতেও ব্যবহার করা যেতে পারে, এবং এইভাবে ভবিষ্যতের অ্যালগরিদমের বিকাশে সহায়তা করে। |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | ইন্টারনেটের আবির্ভাবের সাথে সাথে এখন অনলাইনে বিলিয়ন বিলিয়ন ছবি বিনামূল্যে পাওয়া যায় এবং এটি দৃশ্যমান জগতের একটি ঘন নমুনা গঠন করে। বিভিন্ন অ-পরামিতিগত পদ্ধতি ব্যবহার করে আমরা ইন্টারনেট থেকে সংগ্রহ করা ৭৯,৩০,০১৭টি ছবির একটি বিশাল ডেটাসেটের সাহায্যে এই পৃথিবীটি অন্বেষণ করি। মানসিক-শারীরিক ফলাফলের দ্বারা অনুপ্রাণিত হয়ে যা ইমেজ রেজোলিউশনের অবনতির জন্য মানব ভিজ্যুয়াল সিস্টেমের অসাধারণ সহনশীলতা দেখায়, ডেটাসেটের চিত্রগুলি 32 x 32 রঙিন চিত্র হিসাবে সংরক্ষণ করা হয়। প্রতিটি ছবিতে ইংরেজি ভাষায় ৭৫,০৬২টি অ-বিমূর্ত নামের একটির সাথে লঘুভাবে লেবেল দেওয়া হয়েছে, যেমনটি ওয়ার্ডনেট শব্দভান্ডার ডাটাবেসে তালিকাভুক্ত রয়েছে। এইভাবে, ছবির ডাটাবেসটি সমস্ত বস্তু বিভাগ এবং দৃশ্যের একটি ব্যাপক কভারেজ দেয়। ওয়ার্ডনেট থেকে আসা অর্থগত তথ্য নিকটতম প্রতিবেশী পদ্ধতির সাথে একত্রে ব্যবহার করা যেতে পারে যাতে বিভিন্ন অর্থগত স্তরের উপর বস্তুর শ্রেণিবিন্যাস করা যায়, যাতে লেবেলিং গোলমালের প্রভাবকে কমিয়ে আনা যায়। নির্দিষ্ট শ্রেণীর জন্য যা ডেটাসেটে বিশেষভাবে প্রচলিত, যেমন মানুষ, আমরা শ্রেণীর নির্দিষ্ট ভায়োলা-জোনস স্টাইল ডিটেক্টরগুলির সাথে তুলনীয় একটি স্বীকৃতি কর্মক্ষমতা প্রদর্শন করতে সক্ষম। |
4b605e6a9362485bfe69950432fa1f896e7d19bf | গভীর শিক্ষার অগ্রগতি এবং গভীর নেটওয়ার্ক প্রশিক্ষণের জন্য বৃহত্তর ডেটাসেটের উপলব্ধতার কারণে স্বয়ংক্রিয় মুখের স্বীকৃতি প্রযুক্তির কার্যকারিতায় উল্লেখযোগ্য উন্নতি হয়েছে। যেহেতু মুখের চেহারা চিনতে পারা এমন একটি কাজ যা মানুষ খুব ভাল বলে বিশ্বাস করে, তাই সম্পূর্ণরূপে অবাধে মুখের চিত্রগুলি প্রক্রিয়াকরণের সময় স্বয়ংক্রিয় মুখের স্বীকৃতি এবং মানুষের আপেক্ষিক পারফরম্যান্সের তুলনা করা স্বাভাবিক। এই গবেষণায় আমরা মানুষের এবং স্বয়ংক্রিয় সিস্টেমের স্বীকৃতির সঠিকতা নিয়ে পূর্ববর্তী গবেষণার উপর ভিত্তি করে বিভিন্ন নতুন বিশ্লেষণের মাধ্যমে অবাধে মুখের চিত্র ব্যবহার করেছি। আমরা পারফরম্যান্সের উপর প্রভাব পরীক্ষা করি যখন মানব স্বীকৃতি প্রদানকারীদের প্রতি বিষয়বস্তুতে বিভিন্ন পরিমাণে চিত্রের সাথে উপস্থাপিত হয়, লিঙ্গের মতো অপরিবর্তনীয় বৈশিষ্ট্য এবং আড়াল, আলোকসজ্জা এবং পোজ হিসাবে পরিস্থিতিগত বৈশিষ্ট্যগুলি। ফলাফলগুলি ইঙ্গিত দেয় যে মানুষ চ্যালেঞ্জিং আইজেবি-এ ডেটাসেটে অত্যাধুনিক স্বয়ংক্রিয় মুখের স্বীকৃতি অ্যালগরিদমকে অতিক্রম করে। |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | সেলুলার অটোমেট (সিএ) এর উপর ভিত্তি করে স্লুইথ মডেলটি মহানগর অঞ্চলে নগর উন্নয়ন সিমুলেশনে প্রয়োগ করা যেতে পারে। এই গবেষণায় স্লুথ মডেলটি শহুরে সম্প্রসারণের মডেলিং এবং তেহরানের শহুরে বৃদ্ধির ভবিষ্যতের সম্ভাব্য আচরণের পূর্বাভাস দেওয়ার জন্য ব্যবহৃত হয়েছিল। মূল তথ্য ছিল ১৯৮৮, ১৯৯২, ১৯৯৮, ২০০১ এবং ২০১০ সালের পাঁচটি ল্যান্ডস্যাট এবং ইটিএম চিত্র। তিনটি দৃশ্যপট স্থানিক প্যাটার্ন অনুকরণ করার জন্য ডিজাইন করা হয়েছিল। প্রথম দৃশ্যপটে অনুমান করা হয় যে ঐতিহাসিক নগরায়ন পদ্ধতি অব্যাহত থাকবে এবং উন্নয়নের একমাত্র সীমাবদ্ধতা হল উচ্চতা এবং ঢাল। দ্বিতীয়টি ছিল একটি কমপ্যাক্ট দৃশ্যপট যা বৃদ্ধিকে বেশিরভাগ অভ্যন্তরীণ করে তোলে এবং শহরতলির অঞ্চলগুলির সম্প্রসারণকে সীমাবদ্ধ করে। শেষ দৃশ্যকল্পে একটি পলিসেন্ট্রিক শহুরে কাঠামোর প্রস্তাব দেওয়া হয়েছিল যা ছোট ছোট প্যাচগুলিকে * সংশ্লিষ্ট লেখককে ছেড়ে দেয়। টেল. : +৯৮ ৯১২ ৩৫৭২৯১৩ ই-মেইল ঠিকানা: [email protected] |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | নিউরাল নেটওয়ার্ক সাধারণত শ্রেণীবিভাগ এবং সিদ্ধান্ত গ্রহণের কাজে ব্যবহৃত হয়। এই গবেষণাপত্রে আমরা তাদের ফলাফলের স্থানীয় আস্থার সমস্যার উপর ফোকাস করছি। আমরা পরিসংখ্যানগত সিদ্ধান্ত তত্ত্ব থেকে কিছু ধারণা পর্যালোচনা করি যা নিউরাল নেটওয়ার্কগুলির সাথে শ্রেণিবদ্ধকরণের জন্য আস্থা পরিমাপের নির্ধারণ এবং ব্যবহারের উপর অন্তর্দৃষ্টি প্রদান করে। এরপর আমরা বিদ্যমান আস্থা পরিমাপের একটি সারসংক্ষেপ উপস্থাপন করি এবং অবশেষে একটি সহজ পরিমাপ প্রস্তাব করি যা নেটওয়ার্ক আউটপুটগুলির সম্ভাব্য-বৈজ্ঞানিক ব্যাখ্যা এবং বুটস্ট্র্যাপ ত্রুটি অনুমানের মাধ্যমে মডেলের গুণমানের অনুমানের সুবিধাগুলিকে একত্রিত করে। আমরা বাস্তব জগতে প্রয়োগ এবং কৃত্রিম সমস্যার উপর অভিজ্ঞতার ফলাফল নিয়ে আলোচনা করি এবং দেখাই যে সহজতম পরিমাপটি প্রায়শই আরও পরিশীলিতদের চেয়ে ভাল আচরণ করে তবে নির্দিষ্ট পরিস্থিতিতে বিপজ্জনক হতে পারে। |
4a5be26509557f0a1a911e639868bfe9d002d664 | ম্যানুফ্যাকচারিং মেসেজিং স্পেসিফিকেশন (এমএমএস) প্রোটোকলটি শিল্প প্রক্রিয়া নিয়ন্ত্রণ অ্যাপ্লিকেশনগুলিতে ব্যাপকভাবে ব্যবহৃত হয়, তবে এটি দুর্বলভাবে নথিভুক্ত। এই গবেষণাপত্রে আমরা তথ্য সুরক্ষার প্রেক্ষাপটে এমএমএস প্রোটোকলের বিশ্লেষণ উপস্থাপন করছি। আমাদের গবেষণায় দেখা গেছে যে এমএমএস-এর নিরাপত্তা ব্যবস্থা পর্যাপ্ত নয় এবং যে দুর্বল নিরাপত্তা ব্যবস্থা রয়েছে তা বাণিজ্যিকভাবে পাওয়া শিল্প সরঞ্জামগুলিতে প্রয়োগ করা হয়নি। |
15a2ef5fac225c864759b28913b313908401043f | গ্রাহকদের আস্থা অর্জনের জন্য সফটওয়্যার বিক্রেতারা তাদের পণ্যগুলিকে নিরাপত্তা মানদণ্ড অনুযায়ী সার্টিফিকেট দিতে পারে, যেমন, সাধারণ মানদণ্ড (আইএসও ১৫৪০৮) । তবে, একটি সাধারণ মানদণ্ড সার্টিফিকেশন সফটওয়্যার পণ্যের একটি বোধগম্য ডকুমেন্টেশন প্রয়োজন। এই ডকুমেন্টেশন তৈরির ফলে সময় এবং অর্থের দিক থেকে উচ্চ ব্যয় হয়। আমরা একটি সফটওয়্যার ডেভেলপমেন্ট প্রক্রিয়ার প্রস্তাব দিচ্ছি যা কমন ক্রাইটারিয়া সার্টিফিকেশন এর জন্য প্রয়োজনীয় ডকুমেন্টেশন তৈরি করতে সহায়তা করে। তাই সফটওয়্যার তৈরি হওয়ার পর আমাদের ডকুমেন্টেশন তৈরি করার প্রয়োজন নেই। এছাড়াও, আমরা প্রস্তাব করছি যে, প্রয়োজনীয়তা ভিত্তিক সফটওয়্যার ইঞ্জিনিয়ারিং প্রক্রিয়া ADIT এর একটি উন্নত সংস্করণ ব্যবহার করে সাধারণ মানদণ্ডের নথি তৈরির ক্ষেত্রে সম্ভাব্য সমস্যাগুলি চিহ্নিত করা হবে। আমরা সার্টিফিকেশন প্রক্রিয়া শুরু হওয়ার আগে এই সমস্যাগুলো চিহ্নিত করার চেষ্টা করছি। এইভাবে আমরা সার্টিফিকেশন প্রচেষ্টার ব্যয়বহুল বিলম্ব এড়াতে পারি। এডিআইটি একটি নির্বিঘ্নে উন্নয়ন পদ্ধতির প্রদান করে যা বিভিন্ন ধরনের ইউএমএল মডেলের মধ্যে সামঞ্জস্যের পরীক্ষা করতে দেয়। এডিআইটি নিরাপত্তা প্রয়োজনীয়তা থেকে শুরু করে নকশা নথি পর্যন্ত ট্র্যাকযোগ্যতা সমর্থন করে। আমরা স্মার্ট মিটারিং গেটওয়ে সিস্টেমের উন্নয়নের মাধ্যমে আমাদের পদ্ধতির চিত্র তুলে ধরছি। |
21968ae000669eb4cf03718a0d97e23a6bf75926 | সম্প্রতি, সামাজিক নেটওয়ার্কগুলিতে প্রভাব বিস্তারের ঘটনাটি নিয়ে প্রচুর আগ্রহ দেখা দিয়েছে। এই এলাকার গবেষণাগুলি ধরে নেয় যে তাদের সমস্যাগুলির জন্য ইনপুট হিসাবে ব্যবহারকারীদের মধ্যে প্রভাবের সম্ভাবনার সাথে লেবেলযুক্ত প্রান্তগুলির সাথে একটি সামাজিক গ্রাফ রয়েছে। তবে এই সম্ভাবনার উৎস কোথায় এবং কীভাবে এটি প্রকৃত সামাজিক নেটওয়ার্ক ডেটা থেকে গণনা করা যায়, এই প্রশ্নটি এখন পর্যন্ত ব্যাপকভাবে উপেক্ষা করা হয়েছে। সুতরাং এটা জিজ্ঞাসা করা আকর্ষণীয় যে সামাজিক গ্রাফ এবং এর ব্যবহারকারীদের দ্বারা কর্মের একটি লগ থেকে, কেউ প্রভাবের মডেল তৈরি করতে পারে কিনা। এই পত্রিকায় আক্রান্ত হওয়া প্রধান সমস্যা এটি। মডেলের পরামিতিগুলি শেখার জন্য এবং ভবিষ্যদ্বাণী করার জন্য শেখার মডেলগুলি পরীক্ষা করার জন্য মডেল এবং অ্যালগরিদমের প্রস্তাব দেওয়ার পাশাপাশি, আমরা এমন একটি সময় ভবিষ্যদ্বাণী করার জন্য কৌশলগুলিও বিকাশ করি যা ব্যবহারকারীকে কোনও ক্রিয়া সম্পাদন করার আশা করা যেতে পারে। আমরা আমাদের ধারণাগুলো এবং কৌশলগুলোকে বৈধতা দিই ফ্লিকার ডেটা সেট ব্যবহার করে যা ১.৩ মিলিয়ন নোড, ৪০ মিলিয়ন এজ এবং ৩৫ মিলিয়ন টিপলস এর একটি অ্যাকশন লগের সাথে একটি সামাজিক গ্রাফের সমন্বয়ে গঠিত যা ৩০০,০০০ ভিন্ন ভিন্ন অ্যাকশনের সাথে সম্পর্কিত। বাস্তব সামাজিক নেটওয়ার্কে প্রকৃত প্রভাব দেখাবে তা দেখানোর পাশাপাশি আমরা দেখাব যে আমাদের কৌশলগুলো পূর্বাভাসের ক্ষেত্রেও চমৎকার। |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | এড হক নেটওয়ার্কগুলিতে গোপনীয়তা রক্ষার জন্য ডেটা একত্রিত করা একটি চ্যালেঞ্জিং সমস্যা, বিতরণ যোগাযোগ এবং নিয়ন্ত্রণের প্রয়োজনীয়তা, গতিশীল নেটওয়ার্ক টপোলজি, অবিশ্বস্ত যোগাযোগ লিঙ্ক ইত্যাদি বিবেচনা করে। যখন অসৎ নোড থাকে তখন সমস্যাটি বাড়িয়ে দেওয়া হয় এবং অসৎ নোডের বিরুদ্ধে গোপনীয়তা, নির্ভুলতা এবং দৃঢ়তা কীভাবে নিশ্চিত করা যায় তা একটি উন্মুক্ত বিষয় হয়ে থাকে। ব্যাপকভাবে ব্যবহৃত ক্রিপ্টোগ্রাফিক পদ্ধতির থেকে ভিন্ন, এই কাগজে আমরা বিতরণকৃত ঐক্যমত্য কৌশল ব্যবহার করে এই চ্যালেঞ্জিং সমস্যাটি মোকাবেলা করি। আমরা প্রথমে একটি নিরাপদ ঐক্যমত্য ভিত্তিক ডেটা সমষ্টি (এসসিডিএ) অ্যালগরিদমের প্রস্তাব দিই যা সংবেদনশীল ডেটার গোপনীয়তা রক্ষার সময় একটি সঠিক সমষ্টি সমষ্টির গ্যারান্টি দেয়। এরপর, অসৎ নোড থেকে দূষণ কমাতে, আমরা একটি উন্নত এসসিডিএ (ই-এসসিডিএ) অ্যালগরিদমের প্রস্তাব দিচ্ছি যা প্রতিবেশীদের অসৎ নোড সনাক্ত করতে এবং ত্রুটি সীমাবদ্ধ করে যখন সেখানে অস্পষ্ট ডিসঅনস টি নোড থাকে। আমরা এসসিডিএ এবং ই-এসসিডিএ উভয়েরই ঘনিষ্ঠতা প্রমাণ করি। আমরা প্রমাণ করি যে প্রস্তাবিত অ্যালগরিদমগুলি হল- ((, σ) - ডেটা প্রাইভেসি, এবং এবং σ এর মধ্যে গাণিতিক সম্পর্ক অর্জন করি। ব্যাপক সিমুলেশন থেকে দেখা গেছে যে প্রস্তাবিত আলগোরি থিমগুলি উচ্চ নির্ভুলতা এবং কম জটিলতা রয়েছে এবং তারা নেটওয়ার্ক গতিশীলতা এবং অসৎ নোডের বিরুদ্ধে শক্তিশালী। |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | প্রাকৃতিক চিত্র তৈরি বর্তমানে ডিপ লার্নিংয়ের সবচেয়ে সক্রিয়ভাবে অনুসন্ধান করা ক্ষেত্রগুলির মধ্যে একটি। অনেক পদ্ধতি, যেমন অত্যাধুনিক শৈলী বা প্রাকৃতিক টেক্সচার সংশ্লেষণের জন্য, তত্ত্বাবধানে প্রশিক্ষিত গভীর নিউরাল নেটওয়ার্কের মধ্যে শ্রেণিবদ্ধ উপস্থাপনার পরিসংখ্যানের উপর নির্ভর করুন। তবে, এটা স্পষ্ট নয় যে এই বৈশিষ্ট্য উপস্থাপনের কোন দিকগুলি প্রাকৃতিক চিত্রের প্রজন্মের জন্য গুরুত্বপূর্ণঃ এটি গভীরতা, পুলেশন বা প্রাকৃতিক চিত্রগুলিতে বৈশিষ্ট্যগুলির প্রশিক্ষণ? আমরা এখানে প্রাকৃতিক টেক্সচার সংশ্লেষণের কাজটির জন্য এই প্রশ্নটি মোকাবেলা করি এবং দেখি যে উপরের দিকগুলির কোনওটিই অপরিহার্য নয়। পরিবর্তে, আমরা দেখিয়েছি যে উচ্চতর অনুভূতিগত মানের প্রাকৃতিক টেক্সচারগুলি কেবলমাত্র একটি স্তর, কোনও পুলিং এবং এলোমেলো ফিল্টার সহ নেটওয়ার্ক থেকে উত্পন্ন হতে পারে। |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | পোশাক এবং পরিধানযোগ্য পণ্যের মধ্যে সংহত টেলিযোগাযোগ ব্যবস্থা এমন একটি পদ্ধতি যার মাধ্যমে চিকিৎসা সরঞ্জামগুলি স্বাস্থ্যসেবা প্রদানের ক্ষেত্রে ২৪ ঘন্টা প্রভাব ফেলছে। এই পোশাকগুলি যখন সম্পূর্ণরূপে বিকশিত হবে তখন হাসপাতালের সম্পদ এবং শ্রমকে ন্যূনতম করার পাশাপাশি সতর্কতা এবং মনোযোগের দাবি করতে সক্ষম হবে। তদুপরি, তারা প্রাক্কলনগত অসুস্থতা, স্বাস্থ্যের অনিয়ম এবং দৃশ্যত সুস্থ ব্যক্তিদের মধ্যে অনির্দেশ্য হৃদরোগ বা মস্তিষ্কের ব্যাধিগুলির ক্ষেত্রে একটি প্রধান ভূমিকা পালন করতে পারে। এই কাজটি একটি আল্ট্রা-ওয়াইডব্যান্ড (ইউডব্লিউবি) অ্যান্টেনা যা সম্পূর্ণরূপে টেক্সটাইল উপকরণ থেকে তৈরি করা হয়েছিল যা সাবস্ট্রেটের জন্য ব্যবহৃত হয়েছিল সেইসাথে পরিকল্পিত অ্যান্টেনার পরিবাহী অংশগুলি তদন্তের সম্ভাব্যতা উপস্থাপন করে। সিমুলেশন এবং পরিমাপের ফলাফল থেকে জানা যায় যে প্রস্তাবিত অ্যান্টেনা ডিজাইনটি বিস্তৃত কাজের ব্যান্ডউইথের প্রয়োজনীয়তা পূরণ করে এবং কমপ্যাক্ট আকার, ধোয়া এবং নমনীয় উপকরণগুলির সাথে 17 গিগাহার্জ ব্যান্ডউইথ সরবরাহ করে। রিটার্ন লস, ব্যান্ডউইথ, রেডিয়েশন প্যাটার্ন, বর্তমান বিতরণ এবং লাভ এবং দক্ষতার পরিপ্রেক্ষিতে ফলাফলগুলি বর্তমান পাণ্ডুলিপি নকশার উপযোগিতা যাচাই করার জন্য উপস্থাপিত হয়। এখানে উপস্থাপিত কাজের ভবিষ্যতে একটি স্বাধীন স্যুটের গবেষণার জন্য গভীর প্রভাব রয়েছে যা একদিন পরিধানকারী (রোগী) কে এই ধরনের নির্ভরযোগ্য এবং আরামদায়ক চিকিৎসা পর্যবেক্ষণ কৌশল সরবরাহ করতে সহায়তা করতে পারে। ১২ এপ্রিল ২০১১ তারিখে প্রাপ্ত, ২৩ মে ২০১১ তারিখে গৃহীত, ১০ জুন ২০১১ তারিখে নির্ধারিত * সংশ্লিষ্ট লেখক: মঈ এ. রহমান ওসমান ([email protected]) । |
aab8c9514b473c4ec9c47d780b7c79112add9008 | গবেষণা কৌশল হিসেবে কেস স্টাডি প্রায়ই ছাত্র এবং অন্যান্য নতুন গবেষকদের জন্য একটি সুস্পষ্ট বিকল্প হিসেবে আবির্ভূত হয় যারা তাদের কর্মক্ষেত্র বা সীমিত সংখ্যক সংস্থার তুলনা ভিত্তিক একটি সংক্ষিপ্ত স্কেল গবেষণা প্রকল্প গ্রহণ করতে চাইছেন। এই প্রসঙ্গে কেস স্টাডি গবেষণার প্রয়োগের সবচেয়ে চ্যালেঞ্জিং দিকটি হল তদন্তকে কী ঘটে এর একটি বর্ণনামূলক বিবরণ থেকে এমন একটি গবেষণার টুকরোতে তুলে ধরা যা জ্ঞানের মূল্যবান, যদি বিনয়ী সংযোজন বলে দাবি করতে পারে। এই নিবন্ধটি কেস স্টাডি গবেষণা এবং সম্পর্কিত ক্ষেত্রগুলির উপর প্রতিষ্ঠিত পাঠ্যপুস্তকগুলিতে ব্যাপকভাবে আঁকড়ে রয়েছে, যেমন ইয়িন, 1994, হামেল এট আল, 1993, ইটন, 1992, গম, 2000, পেরি, 1998, এবং সান্ডার্স এট আল, 2000 তবে নতুন গবেষকদের এই গবেষণা পদ্ধতির কিছু মূল নীতির সাথে লড়াই করতে এবং প্রয়োগ করতে উত্সাহিত করার জন্য কেস স্টাডি গবেষণার মূল দিকগুলিকে নিষ্কাশন করার চেষ্টা করে। এই নিবন্ধে ব্যাখ্যা করা হয়েছে কখন কেস স্টাডি গবেষণা ব্যবহার করা যেতে পারে, গবেষণা নকশা, তথ্য সংগ্রহ এবং ডেটা বিশ্লেষণ, এবং অবশেষে একটি রিপোর্ট বা থিসিস লেখার জন্য প্রমাণ আঁকা জন্য পরামর্শ প্রদান করে। |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | এই কাগজটি এফিরা প্রশ্ন উত্তর ইঞ্জিনের বর্ণনা দেয়, একটি মডুলার এবং এক্সটেনসিবল ফ্রেমওয়ার্ক যা এক সিস্টেমে প্রশ্নের উত্তর দেওয়ার জন্য একাধিক পদ্ধতিকে সংহত করতে দেয়। আমাদের কাঠামো ইংরেজি ছাড়া অন্য ভাষার জন্যও ব্যবহার করা যায়। এটি প্রশ্ন উত্তর, জ্ঞান টীকা এবং জ্ঞান খনন দুটি প্রধান পদ্ধতি সমর্থন করে। এফ্রা ওয়েবকে ডেটা রিসোর্স হিসেবে ব্যবহার করে, কিন্তু ছোট কর্পোরাসের সাথেও কাজ করতে পারে। উপরন্তু, আমরা প্রশ্নের ব্যাখ্যা করার জন্য একটি নতুন পদ্ধতির প্রস্তাব করি যা প্রশ্নের মূল ফর্মুলা থেকে বিমূর্ত হয়। পাঠ্য প্যাটার্নগুলি একটি প্রশ্ন ব্যাখ্যা করতে এবং পাঠ্য স্নিপেট থেকে উত্তরগুলি বের করতে ব্যবহৃত হয়। আমাদের সিস্টেম স্বয়ংক্রিয়ভাবে উত্তর বের করার জন্য প্যাটার্ন শিখবে, প্রশিক্ষণ ডেটা হিসেবে প্রশ্ন-উত্তর জোড়া ব্যবহার করে। পরীক্ষামূলক ফলাফল এই পদ্ধতির সম্ভাব্যতা প্রকাশ করেছে। |
227ed02b3e5edf4c5b08539c779eca90683549e6 | বর্তমান কাঠামোর অধিকাংশই নির্দিষ্ট সামাজিক-অর্থনৈতিক এবং প্রযুক্তিগত সেটিংসের দেশগুলিতে তাদের সর্বজনীন প্রয়োগযোগ্যতা মোকাবেলায় অপর্যাপ্ত। যদিও ই-গভর্ন্যান্স বাস্তবায়নে এখন পর্যন্ত এক আকার সবের জন্য উপযুক্ত কৌশল নেই, তবে রূপান্তরটিতে কিছু গুরুত্বপূর্ণ সাধারণ উপাদান রয়েছে। তাই এই গবেষণাপত্রটি কিছু তত্ত্ব এবং উন্নয়নশীল এবং উন্নত দেশগুলির বিদ্যমান ই-অংশগ্রহণ উদ্যোগ থেকে প্রাপ্ত শিক্ষা ভিত্তিক একটি অনন্য টেকসই মডেল বিকাশের চেষ্টা করে, যাতে আইসিটি এর সুবিধাগুলি সর্বাধিক করা যায় এবং বৃহত্তর অংশগ্রহণ নিশ্চিত করা যায়। |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | সঠিক ও শক্তিশালী গভীর নেটওয়ার্ক মডেলের প্রশিক্ষণের জন্য প্রচুর পরিমাণে টীকাযুক্ত প্রশিক্ষণ চিত্রগুলি অত্যন্ত গুরুত্বপূর্ণ তবে প্রচুর পরিমাণে টীকাযুক্ত প্রশিক্ষণ চিত্র সংগ্রহ করা প্রায়শই সময়সাপেক্ষ এবং ব্যয়বহুল। ইমেজ সিনথেসিস এই সীমাবদ্ধতা দূর করে মেশিন দ্বারা স্বয়ংক্রিয়ভাবে টীকাযুক্ত প্রশিক্ষণ চিত্র তৈরি করে যা সাম্প্রতিক গভীর শিক্ষণ গবেষণায় ক্রমবর্ধমান আগ্রহকে আকর্ষণ করেছে। আমরা একটি উদ্ভাবনী চিত্র সংশ্লেষণ কৌশল বিকাশ করি যা ব্যাকগ্রাউন্ড ইমেজগুলিতে বাস্তবসম্মতভাবে অগ্রভাগের আগ্রহের বস্তুগুলি (ওওআই) এম্বেড করে টীকাযুক্ত প্রশিক্ষণ চিত্রগুলিকে সংকলন করে। প্রস্তাবিত কৌশলটিতে দুটি মূল উপাদান রয়েছে যা নীতিগতভাবে গভীর নেটওয়ার্ক প্রশিক্ষণে সংশ্লেষিত চিত্রগুলির উপযোগিতা বাড়ায়। প্রথমটি হল প্রসঙ্গ-সচেতন শব্দার্থিক সংহতি যা নিশ্চিত করে যে OOIগুলি পটভূমি চিত্রের মধ্যে শব্দার্থিকভাবে সুসংগত অঞ্চলের চারপাশে স্থাপন করা হয়। দ্বিতীয়টি হল সুসংগত চেহারা অভিযোজন যা নিশ্চিত করে যে এমবেডেড ওওআইগুলি জ্যামিতি সারিবদ্ধতা এবং চেহারা বাস্তবতা উভয়ই থেকে আশেপাশের পটভূমির সাথে গ্রহণযোগ্য। প্রস্তাবিত কৌশলটি দুটি সম্পর্কিত কিন্তু খুব ভিন্ন কম্পিউটার দৃষ্টি চ্যালেঞ্জের উপর মূল্যায়ন করা হয়েছে, যথা, দৃশ্যের পাঠ্য সনাক্তকরণ এবং দৃশ্যের পাঠ্য স্বীকৃতি। বেশ কয়েকটি পাবলিক ডেটাসেটের উপর পরীক্ষাগুলি আমাদের প্রস্তাবিত চিত্র সংশ্লেষণ কৌশলটির কার্যকারিতা প্রদর্শন করে। গভীর নেটওয়ার্ক প্রশিক্ষণে আমাদের সংশ্লেষিত চিত্রগুলির ব্যবহার বাস্তব চিত্র ব্যবহারের তুলনায় অনুরূপ বা আরও ভাল দৃশ্যের পাঠ্য সনাক্তকরণ এবং দৃশ্যের পাঠ্য স্বীকৃতির কার্যকারিতা অর্জন করতে সক্ষম। |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | আমরা বিটকয়েন প্রোটোকলের একটি ব্যবহারিক পরিবর্তন প্রস্তাব করছি যা সাধারণ ক্ষেত্রে বিটকয়েনকে রক্ষা করে। এটি একটি জোটের স্বার্থপর খনির নিষিদ্ধ করে যা সম্পদের 1/4 এরও কম নিয়ন্ত্রণ করে। এই প্রান্তিকটি ভুলভাবে অনুমিত ১/২ সীমানার চেয়ে কম, কিন্তু বর্তমান বাস্তবতার চেয়ে ভাল যেখানে যে কোনও আকারের জোট সিস্টেমকে আপোষ করতে পারে। বিটকয়েন ক্রিপ্টোকারেন্সি তার লেনদেনগুলিকে ব্লকচেইন নামে একটি পাবলিক লগের মধ্যে রেকর্ড করে। এর নিরাপত্তা মূলত বিতরণকৃত প্রোটোকলের উপর নির্ভর করে যা ব্লকচেইনকে বজায় রাখে, যা মাইনার নামে পরিচিত অংশগ্রহণকারীদের দ্বারা পরিচালিত হয়। প্রচলিত জ্ঞান বলে যে খনির প্রোটোকলটি উদ্দীপনা-সামঞ্জস্যপূর্ণ এবং সংখ্যালঘু গোষ্ঠীগুলির সাথে গোপন চুক্তির বিরুদ্ধে নিরাপদ, অর্থাৎ এটি খনিরদের প্রোটোকলটি নির্ধারিত হিসাবে অনুসরণ করার জন্য উত্সাহ দেয়। আমরা দেখিয়েছি যে বিটকয়েন মাইনিং প্রোটোকলটি প্রণোদনা-সম্মত নয়। আমরা এমন একটি আক্রমণ উপস্থাপন করছি যার সাথে খনি শ্রমিকদের রাজস্ব তাদের ন্যায্য ভাগের চেয়ে বেশি। এই আক্রমণের বিটকয়েনের জন্য উল্লেখযোগ্য পরিণতি হতে পারে: যুক্তিসঙ্গত খনিজীবীরা আক্রমণকারীদের সাথে যোগ দিতে পছন্দ করবে, এবং এই গোপন গোষ্ঠীটি সংখ্যাগরিষ্ঠ না হওয়া পর্যন্ত আকারে বৃদ্ধি পাবে। এই সময়ে, বিটকয়েন সিস্টেম একটি বিকেন্দ্রীভূত মুদ্রা হতে থাকে। কিছু অনুমান না করা হলে, স্বার্থপর খনির কাজ যে কোন আকারের জোটের জন্য সম্ভব হতে পারে। |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | এই কাগজটি ইন্টারনেট অফ থিংসকে সম্বোধন করে। এই প্রতিশ্রুতিশীল দৃষ্টান্তের মূল সক্ষমকারী উপাদান হল বিভিন্ন প্রযুক্তি এবং যোগাযোগ সমাধানের একীকরণ। সনাক্তকরণ ও ট্র্যাকিং প্রযুক্তি, তারযুক্ত এবং বেতার সেন্সর এবং অ্যাকুয়েটর নেটওয়ার্ক, উন্নত যোগাযোগ প্রোটোকল (পরবর্তী প্রজন্মের ইন্টারনেটের সাথে ভাগ করা), এবং স্মার্ট বস্তুর জন্য বিতরণ বুদ্ধিমত্তা কেবলমাত্র সবচেয়ে প্রাসঙ্গিক। যেমনটি সহজেই কল্পনা করা যায়, ইন্টারনেট অব থিংসের অগ্রগতিতে যে কোনও গুরুতর অবদান অবশ্যই বিভিন্ন জ্ঞানের ক্ষেত্রে পরিচালিত সিনারজেটিক ক্রিয়াকলাপের ফল হতে হবে, যেমন টেলিযোগাযোগ, তথ্য বিজ্ঞান, ইলেকট্রনিক্স এবং সামাজিক বিজ্ঞান। এই জটিল পরিস্থিতিতে এই সমীক্ষাটি তাদের জন্য যারা এই জটিল শাখার সাথে যোগাযোগ করতে এবং এর বিকাশে অবদান রাখতে চান তাদের জন্য। এই ইন্টারনেট অব থিংস প্যারাডাইম সম্পর্কে বিভিন্ন দৃষ্টিভঙ্গির কথা বলা হয়েছে এবং প্রযুক্তির বিষয়ে পর্যালোচনা করা হয়েছে। এই প্রসঙ্গে বলা যায় যে, গবেষণা সম্প্রদায়ের সামনে এখনও অনেক বড় বড় সমস্যা রয়েছে। এর মধ্যে সবচেয়ে গুরুত্বপূর্ণ বিষয়গুলো বিস্তারিতভাবে আলোচনা করা হয়েছে। ২০১০ এ্যালসেভিয়ার বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
839a69a55d862563fe75528ec5d763fb01c09c61 | নিম্ন মাত্রিক ভেক্টর এমবেডিং, যা এলএসটিএম বা আরও সহজ কৌশল ব্যবহার করে গণনা করা হয়, এটি পাঠ্যের অর্থ ক্যাপচার করার জন্য একটি জনপ্রিয় পদ্ধতি এবং নিম্ন প্রবাহের কাজগুলির জন্য উপযোগী অনিয়ন্ত্রিত শিক্ষার একটি রূপ। তবে, তাদের শক্তি তাত্ত্বিকভাবে বোঝা যায়নি। এই প্রবন্ধে লিনিয়ার এমবেডিং স্কিমের উপ-ক্ষেত্রের দিকে তাকিয়ে আনুষ্ঠানিক বোঝার প্রাপ্তি করা হয়েছে। কম্প্রেসড সেন্সিং তত্ত্ব ব্যবহার করে আমরা দেখাই যে, শব্দ ভেক্টরগুলির সমন্বয়কারী উপস্থাপনাগুলি মূলত পাঠ্যের ব্যাগ-অফ-এন-গ্রাম (বোনজি) উপস্থাপনার তথ্য-সংরক্ষণকারী রৈখিক পরিমাপ। এটি LSTMs সম্পর্কে একটি নতুন তাত্ত্বিক ফলাফলের দিকে পরিচালিত করেঃ কম-মেমরি LSTM থেকে প্রাপ্ত নিম্ন-মাত্রিক এমবেডিংগুলি শ্রেণিবদ্ধকরণ কার্যগুলিতে কমপক্ষে ক্ষমতাবান, ছোট ত্রুটি পর্যন্ত, যেমন একটি লিনিয়ার শ্রেণিবদ্ধকরণকারী বনজি ভেক্টরগুলির উপর, একটি ফলাফল যা ব্যাপক পরীক্ষামূলক কাজটি এখনও পর্যন্ত প্রদর্শন করতে সক্ষম হয়নি। আমাদের পরীক্ষাগুলি এই তাত্ত্বিক ফলাফলগুলিকে সমর্থন করে এবং স্ট্যান্ডার্ড বেঞ্চমার্কের উপর শক্তিশালী, সহজ এবং অনিয়ন্ত্রিত বেসলাইন স্থাপন করে যা কিছু ক্ষেত্রে শব্দ-স্তরের পদ্ধতিগুলির মধ্যে শিল্পের অবস্থা। আমরা GloVe এবং word2vec এর মতো এম্বেডিংগুলির একটি বিস্ময়কর নতুন বৈশিষ্ট্যও দেখাইঃ তারা পাঠ্যের জন্য একটি ভাল সেন্সিং ম্যাট্রিক্স গঠন করে যা এলোমেলো ম্যাট্রিক্সের চেয়ে বেশি দক্ষ, স্ট্যান্ডার্ড স্পারস পুনরুদ্ধারের সরঞ্জাম, যা ব্যাখ্যা করতে পারে যে তারা কেন অনুশীলনে আরও ভাল উপস্থাপনা করে। |
06e04fd496cd805bca69eea2c1977f90afeeef83 | অ্যালগরিদমিক ন্যায্যতার বেশিরভাগ পদ্ধতি মেশিন লার্নিং পদ্ধতিকে সীমাবদ্ধ করে যাতে ফলস্বরূপ ভবিষ্যদ্বাণীগুলি ন্যায্যতার বেশ কয়েকটি স্বজ্ঞাত ধারণাগুলির মধ্যে একটিকে সন্তুষ্ট করে। যদিও এটি বেসরকারি কোম্পানিগুলিকে বৈষম্যবিরোধী আইন মেনে চলতে বা নেতিবাচক প্রচার এড়াতে সহায়তা করতে পারে, আমরা বিশ্বাস করি যে এটি প্রায়শই খুব কম, খুব দেরি হয়ে যায়। প্রশিক্ষণ সংক্রান্ত তথ্য সংগ্রহের সময়, অসুবিধাগ্রস্ত গোষ্ঠীর ব্যক্তিরা তাদের নিয়ন্ত্রণের বাইরে থাকা কারণগুলির কারণে ইতিমধ্যে বৈষম্যের শিকার হয়েছেন এবং সুযোগ হারিয়েছেন। বর্তমান কাজের মধ্যে আমরা বরং নতুন পাবলিক পলিসির মতো হস্তক্ষেপের উপর মনোযোগ দিচ্ছি এবং বিশেষত, কীভাবে সামগ্রিক ব্যবস্থার ন্যায়বিচারের উন্নতি করার সময় তাদের ইতিবাচক প্রভাবগুলি সর্বাধিক করা যায়। আমরা হস্তক্ষেপের প্রভাব মডেলিং করার জন্য কারণগত পদ্ধতি ব্যবহার করি, সম্ভাব্য হস্তক্ষেপের জন্য অনুমতি দেয় - প্রতিটি ব্যক্তির ফলাফল অন্য কারা হস্তক্ষেপ গ্রহণ করে তার উপর নির্ভর করতে পারে। আমরা নিউ ইয়র্ক সিটির স্কুলের একটি ডেটাসেট ব্যবহার করে শিক্ষার জন্য বাজেট বরাদ্দের একটি উদাহরণ দিয়ে এটি প্রদর্শন করছি। |
44dd6443a07f0d139717be74a98988e3ec80beb8 | ইন্ডাকটিভ লার্নিং এর জন্য বেশ কিছু উন্নত পদ্ধতির অস্তিত্ব রয়েছে, কিন্তু প্রত্যেকটির নির্দিষ্ট সীমাবদ্ধতা রয়েছে যা অতিক্রম করা কঠিন। মাল্টি-স্ট্র্যাটেজি লার্নিং এই সমস্যাটি মোকাবেলা করার চেষ্টা করে এক অ্যালগরিদমে একাধিক পদ্ধতি একত্রিত করে। এই নিবন্ধে দুটি ব্যাপকভাবে ব্যবহৃত অভিজ্ঞ পদ্ধতির একীকরণের বর্ণনা করা হয়েছে: নিয়ম আনয়ন এবং উদাহরণ ভিত্তিক শিক্ষা। নতুন অ্যালগরিদমের ক্ষেত্রে, উদাহরণগুলি সর্বাধিক নির্দিষ্ট নিয়ম হিসাবে বিবেচনা করা হয় এবং শ্রেণিবিন্যাসটি সেরা মিলের কৌশল ব্যবহার করে করা হয়। নিয়মগুলি ধীরে ধীরে সাধারণীকরণ করে শিখে নেওয়া হয় যতক্ষণ না স্পষ্টতই সঠিকতার কোনও উন্নতি না হয়। তাত্ত্বিক বিশ্লেষণ এই পদ্ধতির কার্যকরতা দেখায়। এটি RISE ৩.১ সিস্টেমে বাস্তবায়িত হয়েছে। একটি বিস্তৃত অভিজ্ঞতার গবেষণায়, RISE তার মাদার পন্থা (PEBLS এবং CN2) এবং সিদ্ধান্ত গাছের শিক্ষার্থী (C4.5) উভয়ই রাষ্ট্রের শিল্প প্রতিনিধিদের তুলনায় ধারাবাহিকভাবে উচ্চতর নির্ভুলতা অর্জন করে। ক্ষয়ক্ষতি নিয়ে গবেষণা থেকে জানা যায় যে, এই পারফরম্যান্সের জন্য রাইজের প্রতিটি উপাদানই অপরিহার্য। সবচেয়ে গুরুত্বপূর্ণ বিষয় হল, ৩০টি অধ্যয়নকৃত ডোমেনের মধ্যে ১৪টিতে RISE PEBLS এবং CN2 এর চেয়ে বেশি নির্ভুল, যা দেখায় যে একাধিক অভিজ্ঞ পদ্ধতির সমন্বয় করে একটি উল্লেখযোগ্য সিনারজি অর্জন করা যায়। |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | সম্প্রতি ওপেন সোর্স সফটওয়্যার (ওএসএস) বাণিজ্যিক আগ্রহের বিষয় হয়ে উঠেছে। সফটওয়্যার সংকটের মূল সমস্যাগুলো সমাধানের ক্ষেত্রে ওএসএস অনেক আশাব্যঞ্জক বলে মনে হচ্ছে, বিশেষ করে সফটওয়্যার তৈরিতে বেশি সময় লাগছে, বাজেট ছাড়িয়ে যাচ্ছে এবং খুব ভালো কাজ করছে না। প্রকৃতপক্ষে, উল্লেখযোগ্য ওএসএস সাফল্যের গল্পের বেশ কয়েকটি উদাহরণ রয়েছে - লিনাক্স অপারেটিং সিস্টেম, অ্যাপাচি ওয়েব সার্ভার, বিআইএনডি ডোমেন নাম রেজোলিউশন ইউটিলিটি, এর মধ্যে কয়েকটি উল্লেখ করার জন্য। তবে, ওএসএস নিয়ে খুব কমই কঠোর একাডেমিক গবেষণা করা হয়েছে। এই গবেষণায়, একটি কাঠামো দুটি পূর্ববর্তী কাঠামোর থেকে উদ্ভূত হয়েছিল যা আইএস ক্ষেত্রে খুব প্রভাবশালী ছিল, যথা জ্যাকম্যানের আইএস আর্কিটেকচার (আইএসএ) এবং সফট সিস্টেম মেথডোলজি (এসএসএম) থেকে চেকল্যান্ডের ক্যাটওয়য়ে কাঠামো। এই ফ্রেমওয়ার্কটি ওএসএস পদ্ধতির বিশ্লেষণের জন্য ব্যবহৃত হয়। ওএসএস গবেষণার সম্ভাব্য ভবিষ্যৎ নিয়েও আলোচনা করা হয়েছে। |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | ২.৪ গিগাহার্জ WLAN অ্যাক্সেস পয়েন্ট অ্যাপ্লিকেশনের জন্য একটি কম্প্যাক্ট ওমনি-ডাইরেক্টিভ অ্যান্টেনা সার্কুলার পোলারাইজেশন (সিপি) উপস্থাপন করা হয়। অ্যান্টেনাটিতে চারটি বাঁকা মোনোপোল এবং একটি ফিডিং নেটওয়ার্ক রয়েছে যা এই চারটি মোনোপোলকে একই সাথে উত্তেজিত করে। সিপি অ্যান্টেনার বৈদ্যুতিক আকারটি কেবল λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13। প্রতিবন্ধকতা ব্যান্ডউইথ (Sgadgad <sub>11 <sub>gad <; -10 dB) 3.85% (2.392 GHz থেকে 2.486 GHz) এবং অক্ষীয় অনুপাত অজিমথ সমতল অপারেটিং ব্যান্ড 0.5 dB কম। |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | সনাক্তকরণ (সিভিপিআর ৯৭-এর কার্যাবলীতে প্রকাশিত হবে, ১৭-১৯ জুন, ১৯৯৭, পুয়ের্তো রিকো) এডগার ওসুনাই? রবার্ট ফ্রেন্ড? ফেডেরিকো গিরোসিয় yসেন্টার ফর বায়োলজিক্যাল অ্যান্ড কম্পিউটেশনাল লার্নিং অ্যান্ড অপারেশনস রিসার্চ সেন্টার ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজি ক্যামব্রিজ, এমএ, ০২১৩৯, মার্কিন যুক্তরাষ্ট্র সারাংশ আমরা কম্পিউটার ভিশনে সাপোর্ট ভেক্টর মেশিনের (এসভিএম) প্রয়োগের তদন্ত করছি। এসভিএম হল ভি ভ্যাপনিক এবং তার দল (এটি অ্যান্ড টি বেল ল্যাবস) দ্বারা বিকাশিত একটি শেখার কৌশল। এটিকে বহুপদী, নিউরাল নেটওয়ার্ক বা রেডিয়াল বেস ফাংশন শ্রেণীবিভাগের প্রশিক্ষণের জন্য একটি নতুন পদ্ধতি হিসেবে দেখা যেতে পারে। সিদ্ধান্তের পৃষ্ঠগুলি একটি রৈখিকভাবে সীমাবদ্ধ বর্গক্ষেত্রীয় প্রোগ্রামিং সমস্যা সমাধান করে পাওয়া যায়। এই অপ্টিমাইজেশান সমস্যাটি চ্যালেঞ্জিং কারণ বর্গক্ষেত্রের ফর্মটি সম্পূর্ণ ঘন এবং ডেটা পয়েন্টের সংখ্যার বর্গক্ষেত্রের সাথে মেমরির প্রয়োজনীয়তা বৃদ্ধি পায়। আমরা একটি বিভাজন অ্যালগরিদম উপস্থাপন করছি যা বিশ্বব্যাপী সর্বোত্তমতার গ্যারান্টি দেয় এবং এটি খুব বড় ডেটা সেটগুলিতে এসভিএমকে প্রশিক্ষণ দেওয়ার জন্য ব্যবহার করা যেতে পারে। বিভাজনের পিছনে মূল ধারণাটি উপ-সমস্যাগুলির পুনরাবৃত্তিমূলক সমাধান এবং সর্বোত্তমতার অবস্থার মূল্যায়ন যা উন্নত পুনরাবৃত্তিমূলক মান উত্পন্ন করতে এবং অ্যালগরিদমের জন্য থামার মানদণ্ড স্থাপন করতে ব্যবহৃত হয়। আমরা এসভিএম বাস্তবায়নের পরীক্ষামূলক ফলাফল উপস্থাপন করছি এবং ৫০,০০০ ডেটা পয়েন্টের ডেটা সেট জড়িত একটি মুখ সনাক্তকরণ সমস্যার উপর আমাদের পদ্ধতির কার্যকারিতা প্রদর্শন করছি। |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | সাম্প্রতিক কাজগুলো দেখায় যে বড় মডেলকে প্রশিক্ষণ দেওয়া হলে পারফরম্যান্সের উন্নতি ঘটতে পারে। এই গবেষণাপত্রে আমরা কয়েক হাজার সিপিইউ কোর ব্যবহার করে বিলিয়ন প্যারামিটার সহ একটি গভীর নেটওয়ার্ক প্রশিক্ষণের সমস্যা বিবেচনা করি। আমরা ডিস্টবেলিফ নামে একটি সফটওয়্যার ফ্রেমওয়ার্ক তৈরি করেছি যা হাজার হাজার মেশিনের কম্পিউটিং ক্লাস্টার ব্যবহার করে বড় মডেলকে প্রশিক্ষণ দিতে পারে। এই কাঠামোর মধ্যে, আমরা বড় আকারের বিতরণ প্রশিক্ষণের জন্য দুটি অ্যালগরিদম তৈরি করেছিঃ (i) ডাউনপোর এসজিডি, একটি অ্যাসিনক্রোনাস স্টোক্যাস্টিক গ্রেডিয়েন্ট বংশোদ্ভূত পদ্ধতি যা একটি বড় সংখ্যক মডেলের প্রতিলিপি সমর্থন করে এবং (ii) স্যান্ডব্লাস্টার, একটি কাঠামো যা এল-বিএফজিএস এর বিতরণ বাস্তবায়ন সহ বিভিন্ন বিতরণ ব্যাচ অপ্টিমাইজেশন পদ্ধতি সমর্থন করে। ডাউনপোর এসজিডি এবং স্যান্ডব্লাস্টার এল-বিএফজিএস উভয়ই গভীর নেটওয়ার্ক প্রশিক্ষণের স্কেল এবং গতি বাড়ায়। আমরা সফলভাবে আমাদের সিস্টেম ব্যবহার করেছি একটি গভীর নেটওয়ার্ক প্রশিক্ষণের জন্য যা পূর্বে সাহিত্যে রিপোর্ট করা হয়েছে তার চেয়ে 30 গুণ বড় এবং ইমেজনেট-এ অত্যাধুনিক পারফরম্যান্স অর্জন করেছে, 16 মিলিয়ন চিত্র এবং 21k বিভাগের সাথে একটি ভিজ্যুয়াল অবজেক্ট স্বীকৃতি কাজ। আমরা দেখিয়েছি যে এই একই কৌশলগুলি বাণিজ্যিকভাবে বক্তৃতা স্বীকৃতির জন্য একটি ছোট আকারের গভীর নেটওয়ার্ককে প্রশিক্ষণ দেওয়ার ক্ষেত্রে নাটকীয়ভাবে ত্বরান্বিত করে। যদিও আমরা এই পদ্ধতিগুলির কার্যকারিতা এবং প্রতিবেদনগুলিকে ফোকাস করি যেমন বড় নিউরাল নেটওয়ার্কগুলি প্রশিক্ষণের জন্য প্রয়োগ করা হয়, তবে অন্তর্নিহিত অ্যালগরিদমগুলি কোনও গ্রেডিয়েন্ট-ভিত্তিক মেশিন লার্নিং অ্যালগরিদমের জন্য প্রযোজ্য। |
f5fca08badb5f182bfc5bc9050e786d40e0196df | একটি ওয়্যারলেস সেন্সর নেটওয়ার্কের উপর ভিত্তি করে একটি জল পরিবেশ পর্যবেক্ষণ সিস্টেম প্রস্তাব করা হয়। এটির তিনটি অংশ রয়েছে: তথ্য পর্যবেক্ষণ নোড, ডাটা বেস স্টেশন এবং দূরবর্তী পর্যবেক্ষণ কেন্দ্র। এই সিস্টেমটি জলাধার, হ্রদ, নদী, জলাভূমি এবং পাতলা বা গভীর ভূগর্ভস্থ জলের মতো জটিল এবং বৃহত আকারের জল পরিবেশ পর্যবেক্ষণের জন্য উপযুক্ত। এই কাগজটি আমাদের নতুন জল পরিবেশ পর্যবেক্ষণ সিস্টেম নকশা জন্য ব্যাখ্যা এবং চিত্রণ নিবেদিত হয়। এই সিস্টেমটি কৃত্রিম হ্রদের জল তাপমাত্রা এবং পিএইচ মানের অনলাইন অটো-মনিটরিংয়ের কাজ সফলভাবে সম্পন্ন করেছে। সিস্টেমের পরিমাপ ক্ষমতা 0 থেকে 80 °C পর্যন্ত জল তাপমাত্রা জন্য, ±0.5 °C একটি নির্ভুলতা সঙ্গে; 0 থেকে 14 pH মান, ±0.05 pH ইউনিট একটি নির্ভুলতা সঙ্গে। বিভিন্ন জলমানের পরিস্থিতিতে প্রযোজ্য সেন্সরগুলি বিভিন্ন জল পরিবেশের জন্য মনিটরিং চাহিদা পূরণ করতে এবং বিভিন্ন পরামিতি পেতে নোডে ইনস্টল করা উচিত। এই মনিটরিং সিস্টেমটি ব্যাপকভাবে প্রয়োগের সম্ভাবনা রয়েছে। |
0969bae35536395aff521f6fbcd9d5ff379664e3 | আমরা মাল্টি-রেডিও, মাল্টি-হপ ওয়্যারলেস নেটওয়ার্কে রাউটিংয়ের জন্য একটি নতুন মেট্রিক উপস্থাপন করছি। আমরা স্টেশনারি নোড সহ ওয়্যারলেস নেটওয়ার্কগুলিতে ফোকাস করি, যেমন কমিউনিটি ওয়্যারলেস নেটওয়ার্ক। মেট্রিকের লক্ষ্য একটি উত্স এবং একটি গন্তব্যের মধ্যে একটি উচ্চ-থ্রোপাউড পথ চয়ন করা। আমাদের মেট্রিকটি লিংকটির মাধ্যমে প্যাকেটের প্রত্যাশিত ট্রান্সমিশন টাইম (ETT) এর উপর ভিত্তি করে পৃথক লিঙ্কগুলিতে ওজন নির্ধারণ করে। ETT হ ল ক্ষতির হার এবং লিঙ্কের ব্যান্ডউইথের একটি ফাংশন। পৃথক লিঙ্ক ওজনগুলি একটি পথ মেট্রিকের মধ্যে একত্রিত হয় যা ওজনযুক্ত ক্রমাগত ইটিটি (ডাব্লুসিইটিটি) নামে পরিচিত যা একই চ্যানেল ব্যবহার করে লিঙ্কগুলির মধ্যে হস্তক্ষেপের জন্য স্পষ্টভাবে অ্যাকাউন্ট করে। ডব্লিউসিইটিটি মেট্রিক একটি রাউটিং প্রোটোকলে অন্তর্ভুক্ত করা হয়েছে যা আমরা মাল্টি-রেডিও লিংক-কোয়ালিটি সোর্স রাউটিং বলে থাকি। আমরা ২৩ টি নোডের সমন্বয়ে একটি ওয়্যারলেস টেস্টবেডে এটি বাস্তবায়নের মাধ্যমে আমাদের মেট্রিকের কার্যকারিতা অধ্যয়ন করেছি, প্রতিটি দুটি 802.11 ওয়্যারলেস কার্ড দিয়ে সজ্জিত। আমরা দেখতে পাচ্ছি যে, মাল্টি-রেডিও পরিবেশে, আমাদের মেট্রিকটি দ্বিতীয় রেডিওর বিচক্ষণ ব্যবহার করে পূর্বে প্রস্তাবিত রাউটিং মেট্রিকগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়। |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | এই গবেষণাপত্রে আমরা তথ্য প্রবাহের জন্য একটি নতুন পদ্ধতির উপস্থাপন করছি যা মনিটরের এলইডি থেকে স্মার্টফোনের ক্যামেরায় তথ্য প্রবাহিত করে। নতুন পদ্ধতির মাধ্যমে আক্রমণকারীরা একটি এডভান্সড পার্সিস্টেন্ট থ্রেট (এপিটি) এর অংশ হিসেবে প্রতিষ্ঠান থেকে মূল্যবান তথ্য ফাঁস করতে পারে। এই গবেষণাপত্রের মধ্যে ধারণাটির প্রমাণ বর্ণনা করা হয়েছে, তারপরে একটি পরীক্ষার বর্ণনা দেওয়া হয়েছে যা দেখায় যে মানুষ আক্রমণের বিষয়ে সচেতন নয়। আমরা এমন কিছু পদ্ধতির প্রস্তাব দিচ্ছি যা এই ধরনের হুমকি সনাক্তকরণ এবং কিছু সম্ভাব্য প্রতিকার ব্যবস্থাকে সহজতর করবে। |
698b8181cd613a72adeac0d75252afe7f57a5180 | আমরা দুটি নতুন সমান্তরাল বাস্তবায়ন উপস্থাপন করছি গাছ-সমষ্টি অ্যালগরিদম র্যান্ডম ফরেস্ট (আরএফ) এবং অত্যন্ত র্যান্ডমাইজড গাছ (ইআরটি) উদীয়মান বহু-কোর প্ল্যাটফর্মগুলির জন্য, উদাহরণস্বরূপ, সাধারণ-উদ্দেশ্য কম্পিউটিংয়ের জন্য উপযুক্ত সমসাময়িক গ্রাফিক্স কার্ড (জিপিজিপিইউ) । র্যান্ডম ফরেস্ট এবং এক্সট্রিমলি র্যান্ডমাইজড ট্রি শ্রেণীবিভাগ এবং রিগ্রেশনের জন্য সমষ্টিগত শিক্ষার্থী। তারা প্রশিক্ষণের সময় সিদ্ধান্তের গাছের একটি ভিড় নির্মাণ করে এবং পৃথক গাছের আউটপুটগুলির তুলনা করে একটি পূর্বাভাস আউটপুট করে কাজ করে। এই কাজের অভ্যন্তরীণ সমান্তরালতার জন্য ধন্যবাদ, এর গণনার জন্য একটি সুস্পষ্ট প্ল্যাটফর্ম হ ল বিপুল সংখ্যক প্রসেসিং কোর সহ সমসাময়িক জিপিইউ ব্যবহার করা। র্যান্ডম ফরেস্টের জন্য সাহিত্যে পূর্ববর্তী সমান্তরাল অ্যালগরিদমগুলি হয় traditionalতিহ্যবাহী মাল্টি-কোর সিপিইউ প্ল্যাটফর্ম বা প্রাথমিক ইতিহাসের জিপিইউগুলির জন্য ডিজাইন করা হয়েছে সহজ হার্ডওয়্যার আর্কিটেকচার এবং তুলনামূলকভাবে কম সংখ্যক কোর সহ। নতুন সমান্তরাল অ্যালগরিদমগুলি সমসাময়িক জিপিইউগুলির জন্য ডিজাইন করা হয়েছে যার প্রচুর সংখ্যক কোর রয়েছে এবং মেমরির শ্রেণিবিন্যাস এবং থ্রেড শিডিউলিংয়ের মতো নতুন হার্ডওয়্যার আর্কিটেকচারের দিকগুলি বিবেচনা করে। এগুলি এনভিডিয়া-ভিত্তিক জিপিইউতে সর্বোত্তম সম্ভাব্য পারফরম্যান্সের জন্য সি / সি ++ ভাষা এবং সিইউডিএ ইন্টারফেস ব্যবহার করে প্রয়োগ করা হয়। সিপিইউ এবং জিপিইউ প্ল্যাটফর্মের জন্য সবচেয়ে গুরুত্বপূর্ণ পূর্ববর্তী সমাধানগুলির সাথে তুলনা করে একটি পরীক্ষামূলক গবেষণা নতুন বাস্তবায়নের জন্য উল্লেখযোগ্য উন্নতি দেখায়, প্রায়শই বিভিন্ন মাত্রার সাথে। |
1b4e04381ddd2afab1660437931cd62468370a98 | ভাষাগত গবেষণার অনেক ক্ষেত্রে পাঠ্য কর্পোরাসগুলি যেগুলি বক্তৃতা-অংশের তথ্যের সাথে ট্যাগ করা হয় তা দরকারী। এই গবেষণাপত্রে, নিউরাল নেটওয়ার্কগুলিতে ব্যবহৃত একটি নতুন পার্ট-অফ-স্পিচ ট্যাগিং পদ্ধতি (নেট-ট্যাগার) উপস্থাপন করা হয়েছে এবং এর কার্যকারিতা একটি llMM-ট্যাগারের (কাটিং এট আল, 1992) এবং একটি ট্রাইগ্রাম-ভিত্তিক ট্যাগারের (কেম্পে, 1993) সাথে তুলনা করা হয়েছে। এটি দেখানো হয়েছে যে নেট-ট্যাগারটি ট্রিগ্রাম-ভিত্তিক ট্যাগারের পাশাপাশি এবং আইআইএমএম-ট্যাগারের চেয়ে ভাল কাজ করে। |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | আমরা বড় বড় বাইনারি ডেটা সেটগুলির জন্য করা প্রশ্নের দ্রুত উত্তর তৈরির সমস্যাটি তদন্ত করি। আমরা এই সমস্যার সম্ভাব্যতা মোড-১ ভিত্তিক পদ্ধতির উপর বিশেষভাবে ফোকাস করি এবং বেশ কয়েকটি কৌশল বিকাশ করি যা বেসলাইন স্বাধীনতার মডেলের চেয়ে উল্লেখযোগ্যভাবে বেশি নির্ভুল। বিশেষ করে, আমরা ঘন ঘন আইটেম সেট থেকে সম্ভাব্যতা মডেল নির্মাণের জন্য দুটি কৌশল প্রবর্তন করিঃ আইটেমসেট সর্বোচ্চ এন্ট্রপি পদ্ধতি, এবং আইটেমসেট অন্তর্ভুক্তি-মডেলের উপর বাদ দেওয়া। সর্বাধিক এন্ট্রপি পদ্ধতিতে আমরা আইটেমসেটগুলিকে প্রশ্নের ভেরিয়েবলের বন্টনের সীমাবদ্ধতা হিসাবে বিবেচনা করি এবং সর্বোচ্চ এন্ট্রপি নীতিটি ব্যবহার করে অনলাইনে শ্রদ্ধাঞ্জলিতে অনুসন্ধানের জন্য একটি যৌথ সম্ভাব্যতা মডেল তৈরি করি। অন্তর্ভুক্তি-বিচ্ছিন্নতা মডেলের আইটেমসেট এবং তাদের ফ্রিকোয়েন্সিগুলি একটি ডেটা স্ট্রাকচারে সংরক্ষণ করা হয় যা একটি এডিট্রি নামে পরিচিত যা অনুসন্ধানের উত্তর দেওয়ার জন্য অন্তর্ভুক্তি-বিচ্ছিন্নতা নীতির একটি দক্ষ বাস্তবায়নকে সমর্থন করে। আমরা এই দুটি আইটেমসেট-ভিত্তিক মডেলকে মূল তথ্যের সরাসরি অনুসন্ধান, মূল তথ্যের নমুনা অনুসন্ধান, পাশাপাশি অন্যান্য সম্ভাব্যতা মডেল যেমন ইন্ডিপেনডেন্স মডেল, চৌ-লিউ ট্রি মডেল এবং বার্নুলি মিশ্রণ মডেলের সাথে অভিজ্ঞতার সাথে তুলনা করি। এই মডেলগুলি উচ্চ মাত্রিকতা (শত বা হাজার হাজার বৈশিষ্ট্য) পরিচালনা করতে সক্ষম, যখন এই বিষয়ে অন্যান্য বেশিরভাগ কাজ তুলনামূলকভাবে নিম্ন মাত্রিক ওএলএপি সমস্যার উপর ফোকাস করেছে। সিমুলেশন এবং বাস্তব দু টো লেনদেনের ডেটা সেটের পরীক্ষামূলক ফলাফলগুলি আনুমানিক ত্রুটি, মডেল জটিলতা এবং একটি প্রশ্নের উত্তর গণনা করার জন্য প্রয়োজনীয় অনলাইন সময়গুলির মধ্যে বিভিন্ন মৌলিক বাণিজ্য-অফগুলি চিত্রিত করে। |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | এই পাণ্ডুলিপিটির একটি প্রাচীন সংস্করণে সাহায্যের জন্য রবার্ট স্কিপার এবং অ্যারন হাইম্যানকে বিশেষ ধন্যবাদ। এছাড়াও ধন্যবাদ শন ম্যাককুইটি, রবিন পিটারসন, চাক পিকট, কেভিন শানাহান, এবং জার্নাল অব বিজনেস রিসার্চের সম্পাদক এবং সমালোচকদের, তাদের সহায়ক মন্তব্যের জন্য। এই পাণ্ডুলিপিটির একটি পূর্ববর্তী সংস্করণ ২০০১ সালে সোসাইটি ফর মার্কেটিং অ্যাডভান্সস কনফারেন্সে উপস্থাপিত সেরা কাগজের জন্য শ পুরস্কার জিতেছিল। এই পাণ্ডুলিপিটির একটি সংক্ষিপ্ত সংস্করণ জার্নাল অব বিজনেস রিসার্চে প্রকাশের জন্য গৃহীত হয়েছে। |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | আমরা ভিডিও এবং মোশন ক্যাপচারে মানবদেহের অবস্থান সনাক্তকরণ এবং ভবিষ্যদ্বাণী করার জন্য এনকোডার-রিসিয়ারেন্ট-ডিকোডার (ইআরডি) মডেলের প্রস্তাব দিচ্ছি। ইআরডি মডেল একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক যা পুনরাবৃত্ত স্তরগুলির আগে এবং পরে অ-রৈখিক এনকোডার এবং ডিকোডার নেটওয়ার্কগুলিকে অন্তর্ভুক্ত করে। আমরা ইআরডি আর্কিটেকচারের উদাহরণগুলি মোশন ক্যাপচার (মোক্যাপ) প্রজন্মের কাজ, দেহের অবস্থান লেবেলিং এবং ভিডিওতে দেহের অবস্থান পূর্বাভাস দেওয়ার জন্য পরীক্ষা করি। আমাদের মডেল একাধিক বিষয় এবং ক্রিয়াকলাপের ডোমেন জুড়ে মক্যাপ প্রশিক্ষণের ডেটা পরিচালনা করে এবং দীর্ঘ সময়ের জন্য ড্রিফট এড়ানোর সময় উদ্ভাবনী গতি সংশ্লেষ করে। মানুষের পোজ লেবেলিংয়ের জন্য, ইআরডি বাম-ডান শরীরের অংশের বিভ্রান্তি সমাধান করে একটি ফ্রেম শরীরের অংশ সনাক্তকারীকে ছাড়িয়ে যায়। ভিডিও পজ পূর্বাভাসের জন্য, ইআরডি 400 মিমি একটি টাইমলাইন দিগন্ত জুড়ে শরীরের জয়েন্ট স্থানান্তর পূর্বাভাস দেয় এবং অপটিক্যাল প্রবাহের উপর ভিত্তি করে প্রথম অর্ডার মোশন মডেলকে ছাড়িয়ে যায়। ইআরডিগুলি যৌথভাবে উপস্থাপনা এবং তাদের গতিশীলতা শিখতে সাহিত্যে পূর্ববর্তী দীর্ঘ স্বল্পমেয়াদী মেমরি (এলএসটিএম) মডেলগুলি প্রসারিত করে। আমাদের পরীক্ষা-নিরীক্ষা দেখায় যে এই ধরনের প্রতিনিধিত্ব শেখার স্পেস-টাইম লেবেলিং এবং ভবিষ্যদ্বাণী উভয় জন্য গুরুত্বপূর্ণ। আমরা দেখতে পাই যে এটি 1 ডি টেক্সট, বক্তৃতা বা হস্তাক্ষরের তুলনায় স্থান-সময়ের ভিজ্যুয়াল ডোমেনের মধ্যে একটি পার্থক্যপূর্ণ বৈশিষ্ট্য, যেখানে সরাসরি পুনরাবৃত্ত ইউনিটগুলির সাথে সরাসরি মিলিত হলে সহজ হার্ড কোডযুক্ত উপস্থাপনাগুলি দুর্দান্ত ফলাফল দেখিয়েছে [31]। |
092b64ce89a7ec652da935758f5c6d59499cde6e | আমরা একটি নতুন ডেটাসেট, হিউম্যান ৩.৬এম, ৩.৬ মিলিয়ন সঠিক ৩ডি হিউম্যান পোজ, ৫ জন মহিলা এবং ৬ জন পুরুষের পারফরম্যান্স রেকর্ড করে ৪ টি ভিন্ন ভিন্ন দৃষ্টিকোণ থেকে প্রাপ্ত, বাস্তবসম্মত মানব সংবেদনশীল সিস্টেম প্রশিক্ষণের জন্য এবং পরবর্তী প্রজন্মের মানব পোজ অনুমান মডেল এবং অ্যালগরিদমের মূল্যায়নের জন্য। বর্তমান প্রযুক্তির ডেটাসেটের আকার বাড়ানোর পাশাপাশি, আমরা বিভিন্ন ধরণের গতিবিধি এবং মানুষের সাধারণ ক্রিয়াকলাপের অংশ হিসাবে দেখা যায় এমন বিভিন্ন ধরণের পদক্ষেপে ডেটাসেটগুলিকে সম্পূরক করার লক্ষ্য রাখি (ছবি তোলা, ফোনে কথা বলা, পোজ দেওয়া, অভিবাদন, খাওয়া ইত্যাদি) । ), অতিরিক্ত সিঙ্ক্রোনাইজড ইমেজ, মানব গতি ক্যাপচার, এবং ফ্লাইট সময় (গভীরতা) তথ্য, এবং জড়িত সব বিষয় অভিনেতা সঠিক 3D শরীর স্ক্যান সঙ্গে। আমরা নিয়ন্ত্রিত মিশ্র বাস্তবতা মূল্যায়ন দৃশ্যপটও প্রদান করি যেখানে 3D মানব মডেলগুলি গতি ক্যাপচার ব্যবহার করে অ্যানিমেটেড হয় এবং সঠিক 3D জ্যামিতি ব্যবহার করে সন্নিবেশ করা হয়, জটিল বাস্তব পরিবেশে, চলন্ত ক্যামেরা দিয়ে দেখা হয়, এবং আচ্ছাদনের অধীনে। পরিশেষে, আমরা একটি বড় আকারের পরিসংখ্যান মডেল এবং ডেটা সেটটির জন্য বিশদ মূল্যায়ন বেসলাইন সরবরাহ করি যা এর বৈচিত্র্য এবং গবেষণা সম্প্রদায়ের ভবিষ্যতের কাজের মাধ্যমে উন্নতির সুযোগকে চিত্রিত করে। আমাদের পরীক্ষাগুলো দেখায় যে আমাদের সেরা বড় আকারের মডেল আমাদের সম্পূর্ণ প্রশিক্ষণ সেটকে কাজে লাগিয়ে এই সমস্যার জন্য বিদ্যমান সবচেয়ে বড় পাবলিক ডেটাসেটের স্কেলের প্রশিক্ষণ সেটের তুলনায় ২০% পারফরম্যান্সের উন্নতি করতে পারে। তবে আমাদের বিশাল ডেটা সেট ব্যবহার করে উন্নত ক্ষমতা, আরও জটিল মডেল ব্যবহার করে উন্নতির সম্ভাবনা অনেক বেশি এবং ভবিষ্যতে গবেষণাকে উৎসাহিত করা উচিত। এই ডেটা সেটটি, এর সাথে যুক্ত বড় আকারের শিক্ষণ মডেল, বৈশিষ্ট্য, ভিজ্যুয়ালাইজেশন সরঞ্জাম এবং মূল্যায়ন সার্ভারগুলির কোড সহ, http://vision.imar.ro/human3.6m এ অনলাইনে পাওয়া যায়। |
ba4a037153bff392b1e56a4109de4b04521f17b2 | সংকট তথ্যবিজ্ঞান গবেষণা করে যে, প্রযুক্তির প্রতি সমাজের ব্যাপক প্রবেশাধিকার কীভাবে বিপুল সংখ্যক জরুরি ঘটনার প্রতিক্রিয়া দেখায়। এই রূপান্তর অধ্যয়ন করতে, গবেষকদের বড় ডেটা সেট অ্যাক্সেসের প্রয়োজন হয় যা তাদের ভলিউম এবং বৈষম্যমূলক প্রকৃতির কারণে সংগ্রহ এবং বিশ্লেষণ করা কঠিন। এই উদ্বেগের সমাধানের জন্য, আমরা একটি পরিবেশ - ইপিক অ্যানালিজ - ডিজাইন ও বাস্তবায়ন করেছি যা গবেষকদের সামাজিক মিডিয়া ডেটা সংগ্রহ ও বিশ্লেষণে সহায়তা করে। আমাদের গবেষণাটি এমন উপাদানগুলির ধরন চিহ্নিত করেছে - যেমন NoSQL, MapReduce, ক্যাশিং এবং অনুসন্ধান - এই পরিষেবাগুলি নির্ভরযোগ্য, স্কেলযোগ্য, এক্সটেনসিবল এবং দক্ষতা নিশ্চিত করার জন্য প্রয়োজনীয়। আমরা ডেটা মডেলিং, সময় বনাম স্পেস ট্রেড অফস এবং একটি দরকারী এবং ব্যবহারযোগ্য সিস্টেমের প্রয়োজনের মতো ডিজাইনের চ্যালেঞ্জগুলি বর্ণনা করি - যখন ইপিআইসি বিশ্লেষণ তৈরি করা হয় এবং এর স্কেলযোগ্যতা, কার্যকারিতা এবং কার্যকারিতা নিয়ে আলোচনা করা হয়। |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | আধুনিক বিশ্লেষণ অ্যাপ্লিকেশনগুলি ক্রমবর্ধমান জটিল ওয়ার্কফ্লো তৈরি করতে বিভিন্ন লাইব্রেরি এবং ফ্রেমওয়ার্ক থেকে একাধিক ফাংশনকে একত্রিত করে। যদিও প্রতিটি ফাংশন আলাদাভাবে উচ্চ কার্যকারিতা অর্জন করতে পারে, তবে ফাংশনগুলির মধ্যে ব্যাপক ডেটা চলাচলের কারণে সংযুক্ত ওয়ার্কফ্লোর কার্যকারিতা প্রায়শই হার্ডওয়্যার সীমাবদ্ধতার নীচে একটি মাত্রার আদেশ হয়। এই সমস্যা সমাধানের জন্য, আমরা ওয়েল্ডের প্রস্তাব দিচ্ছি, যা ডেটা-নিবিড় অ্যাপ্লিকেশনগুলির জন্য একটি রানটাইম যা বিচ্ছিন্ন লাইব্রেরি এবং ফাংশনগুলির মধ্যে অনুকূলিতকরণ করে। এসকিউএল, মেশিন লার্নিং এবং গ্রাফ অ্যানালিটিক্স সহ বিভিন্ন ডেটা সমান্তরাল ওয়ার্কলোডের কাঠামো ক্যাপচার করতে ওয়েল্ড একটি সাধারণ মধ্যবর্তী উপস্থাপনা ব্যবহার করে। এটি তারপর মূল তথ্য আন্দোলন অপ্টিমাইজেশান সঞ্চালন করে এবং সমগ্র ওয়ার্কফ্লো জন্য দক্ষ সমান্তরাল কোড উৎপন্ন করে। Weld ব্যবহারকারী-মুখী API পরিবর্তন না করেই TensorFlow, Apache Spark, NumPy এবং Pandas এর মতো বিদ্যমান ফ্রেমওয়ার্কের সাথে ক্রমবর্ধমানভাবে সংহত করা যেতে পারে। আমরা দেখিয়েছি যে ওয়েল্ড এই ফ্রেমওয়ার্কগুলিকে দ্রুত করতে পারে, সেইসাথে অ্যাপ্লিকেশনগুলি যা তাদের একত্রিত করে, 30x পর্যন্ত। |