_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | ব্যাগিং প্রিডিকেটর হল একটি প্রিডিকেটরের একাধিক সংস্করণ তৈরি করার এবং এগুলি ব্যবহার করে একটি সমষ্টিগত প্রিডিকেটর পাওয়ার একটি পদ্ধতি। একটি সংখ্যাসূচক ফলাফলের পূর্বাভাস দেওয়ার সময় সংশ্লেষণটি সংস্করণগুলির উপর গড় করে এবং একটি শ্রেণীর পূর্বাভাস দেওয়ার সময় একটি সংখ্যাগরিষ্ঠ ভোট দেয়। একাধিক সংস্করণগুলি লার্নিং সেটের বুটস্ট্র্যাপ প্রতিলিপি তৈরি করে এবং এগুলিকে নতুন লার্নিং সেট হিসাবে ব্যবহার করে গঠিত হয়। শ্রেণীবিভাগ এবং রিগ্রেশন গাছ এবং লিনিয়ার রিগ্রেশনে উপসেট নির্বাচন ব্যবহার করে বাস্তব এবং সিমুলেটেড ডেটা সেটগুলির উপর পরীক্ষা দেখায় যে ব্যাগিং সঠিকতার ক্ষেত্রে যথেষ্ট লাভ করতে পারে। মূল কারণ হচ্ছে ভবিষ্যদ্বাণী পদ্ধতির অস্থিরতা। যদি লার্নিং সেটকে ব্যাহত করা হয়, তাহলে নির্মিত ভবিষ্যদ্বাণীকারীতে উল্লেখযোগ্য পরিবর্তন ঘটতে পারে, তাহলে ব্যাগিং সঠিকতা উন্নত করতে পারে। |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | সাম্প্রতিক সময়ে উদ্ভূত আরজিবি-ডি ক্যামেরাগুলির যেমন কাইনেক্ট সেন্সর, এর ফলে থ্রিডি ডেটা-ভিত্তিক কম্পিউটার অ্যাপ্লিকেশনের ব্যাপক সম্ভাবনা দেখা যাচ্ছে। তবে, স্ট্যান্ডার্ড টেস্টিং ডাটাবেসের অভাবের কারণে, মুখের স্বীকৃতি প্রযুক্তি কীভাবে এই আপ টু ডেট ইমেজিং সেন্সর থেকে উপকৃত হতে পারে তা মূল্যায়ন করা কঠিন। Kinect এবং মুখের স্বীকৃতি গবেষণার মধ্যে সংযোগ স্থাপনের জন্য, এই কাগজে, আমরা প্রথম পাবলিকভাবে উপলব্ধ মুখের ডাটাবেস (যেমন, KinectFaceDB1) উপস্থাপন করি যা Kinect সেন্সর ভিত্তিক। এই ডাটাবেসটিতে বিভিন্ন ধরনের তথ্য রয়েছে (ভালভাবে সারিবদ্ধ এবং প্রক্রিয়াজাত ২-ডি, ২.৫-ডি, ৩-ডি এবং ভিডিও ভিত্তিক মুখের তথ্য) এবং একাধিক মুখের বৈচিত্র রয়েছে। আমরা প্রস্তাবিত ডাটাবেসটির উপর মানক মুখের স্বীকৃতি পদ্ধতি ব্যবহার করে বেঞ্চমার্ক মূল্যায়ন করেছি এবং স্কোর-স্তরের সংমিশ্রণের মাধ্যমে আরজিবি ডেটার সাথে গভীরতার ডেটা সংহত করার সময় পারফরম্যান্সের লাভটি প্রদর্শন করেছি। আমরা কিনেক্টের (কাইনেক্টফেসডিবি থেকে) ৩ ডি চিত্রগুলিকে মুখের বায়োমেট্রিক্সের প্রসঙ্গে ঐতিহ্যবাহী উচ্চমানের ৩ ডি স্ক্যানের (এফআরজিসি ডাটাবেস থেকে) সাথে তুলনা করেছি, যা মুখের স্বীকৃতি গবেষণার জন্য প্রস্তাবিত ডাটাবেসের অপরিহার্য চাহিদা প্রকাশ করে। |
a85275f12472ecfbf4f4f00a61514b0773923b86 | ওয়্যারলেস প্রযুক্তি এবং সহায়ক পরিকাঠামোর অগ্রগতি ব্যবহারকারীর কার্যক্রমকে সীমাবদ্ধ না করে সর্বত্র রিয়েল-টাইম স্বাস্থ্যসেবা এবং ফিটনেস পর্যবেক্ষণের অভূতপূর্ব সুযোগ প্রদান করে। বেতার সংযোগে সংযুক্ত ক্ষুদ্র সংবেদক এবং অ্যাকুয়েটরগুলি শরীরের ভিতরে, উপর এবং চারপাশে স্থাপন করা হয় যা চিকিৎসা, জীবনধারা এবং বিনোদন অ্যাপ্লিকেশনগুলিকে সমর্থন করার জন্য ক্রমাগত, স্বয়ংক্রিয় এবং অনবদ্য শারীরবৃত্তীয় লক্ষণগুলির পর্যবেক্ষণের জন্য একটি শরীরের অঞ্চল নেটওয়ার্ক গঠন করে। এই প্রযুক্তির বিকাশের প্রথম পর্যায়ে রয়েছে এবং এটি ব্যাপকভাবে গ্রহণযোগ্য হওয়ার জন্য বেশ কয়েকটি গবেষণা চ্যালেঞ্জ মোকাবেলা করতে হবে। এই নিবন্ধে আমরা BAN এর প্রয়োগ, কার্যকরী এবং প্রযুক্তিগত প্রয়োজনীয়তার মূল সেটটি অধ্যয়ন করি। আমরা মৌলিক গবেষণা চ্যালেঞ্জ যেমন স্কেলাবিলিটি (ডাটা রেট, বিদ্যুৎ খরচ এবং ডিউটি চক্রের ক্ষেত্রে), অ্যান্টেনা ডিজাইন, হস্তক্ষেপ প্রশমন, সহাবস্থান, কোওএস, নির্ভরযোগ্যতা, সুরক্ষা, গোপনীয়তা এবং শক্তি দক্ষতা নিয়েও আলোচনা করি। নতুন উদ্ভূত BAN বাজারে ব্যবহারের জন্য বেশ কয়েকটি সম্ভাব্য প্রযুক্তির মূল্যায়ন করা হয়েছে এবং তাদের গুণাবলী ও অসুবিধাগুলি তুলে ধরা হয়েছে। এছাড়াও, এই বইয়ে BAN-এর সাথে সম্পর্কিত মানকীকরণ কার্যক্রমের একটি সংক্ষিপ্ত বিবরণ দেওয়া হয়েছে। |
f4abebef4e39791f358618294cd8d040d7024399 | এই প্রতিবেদনে ফিটবিট ফ্লেক্স ইকোসিস্টেমের বিশ্লেষণের বর্ণনা দেওয়া হয়েছে। আমাদের উদ্দেশ্য হল (1) ফিটবিট তার ব্যবহারকারীদের কাছ থেকে যে তথ্য সংগ্রহ করে, (2) ফিটবিট তার ব্যবহারকারীদের কাছে যে তথ্য সরবরাহ করে এবং (3) ডিভাইস মালিকদের কাছে উপলব্ধ নয় এমন ডেটা পুনরুদ্ধারের পদ্ধতিগুলি বর্ণনা করা। আমাদের বিশ্লেষণে চারটি ভিন্ন আক্রমণ ভেক্টর রয়েছে। প্রথমে আমরা ফিটবিট ডিভাইসের নিরাপত্তা এবং গোপনীয়তা বিশ্লেষণ করি। এরপর আমরা ফিটবিট ডিভাইস এবং স্মার্টফোন বা ব্যক্তিগত কম্পিউটারের মধ্যে পাঠানো ব্লুটুথ ট্রাফিক পর্যবেক্ষণ করি। তৃতীয়ত, আমরা ফিটবিট অ্যান্ড্রয়েড অ্যাপের নিরাপত্তা বিশ্লেষণ করি। অবশেষে, আমরা ফিটবিট স্মার্টফোন বা কম্পিউটার অ্যাপ্লিকেশন এবং ফিটবিট ওয়েব সার্ভিসের মধ্যে নেটওয়ার্ক ট্র্যাফিকের নিরাপত্তা বৈশিষ্ট্যগুলি অধ্যয়ন করি। আমরা প্রমাণ প্রদান করছি যে ফিটবিট অযথা কাছাকাছি ফ্লেক্স ডিভাইস সম্পর্কে তথ্য সংগ্রহ করে থাকে নির্দিষ্ট পরিস্থিতিতে। আমরা আরও দেখিয়েছি যে ফিটবিট ডিভাইস মালিকদের সমস্ত সংগৃহীত ডেটা সরবরাহ করে না। আসলে, আমরা প্রতি মিনিটে ক্রিয়াকলাপের তথ্যের প্রমাণ পাই যা ফিটবিট ওয়েব সার্ভিসে পাঠানো হয় কিন্তু মালিককে দেওয়া হয় না। আমরা আরও আবিষ্কার করেছি যে ফিটবিট ডিভাইসের ম্যাক ঠিকানা কখনই পরিবর্তন হয় না, যা ব্যবহারকারীর সম্পর্কিত আক্রমণকে সক্ষম করে। টিএলএস-এর মাধ্যমে ডিভাইস জুড়ি দেওয়ার সময় বিটিএলই শংসাপত্রগুলিও নেটওয়ার্কে প্রকাশিত হয়, যা এমআইটিএম আক্রমণ দ্বারা বাধা দেওয়া হতে পারে। অবশেষে, আমরা দেখিয়েছি যে প্রকৃত ব্যবহারকারীর কার্যকলাপের তথ্য প্রমাণীকৃত এবং ডিভাইস থেকে ফিটবিট ওয়েব পরিষেবাতে সমাপ্তির ভিত্তিতে প্লেইনটেক্সটে সরবরাহ করা হয় না। |
3007a8f5416404432166ff3f0158356624d282a1 | গ্রাফ বিমূর্ততা অনেক অ্যাপ্লিকেশনের জন্য একটি সংক্ষিপ্ত পথ খুঁজে বের করা থেকে জটিল মেশিন লার্নিং (এমএল) অ্যালগরিদম যেমন সহযোগী ফিল্টারিং কার্যকর করার জন্য অপরিহার্য। বিভিন্ন অ্যাপ্লিকেশনের জন্য কাঁচা ডেটা থেকে গ্রাফ নির্মাণ চ্যালেঞ্জিং হয়ে উঠছে, কারণ ডেটাতে এক্সপোনেন্সিয়াল বৃদ্ধি, পাশাপাশি বড় আকারের গ্রাফ প্রক্রিয়াকরণের প্রয়োজন। যেহেতু গ্রাফ নির্মাণ একটি ডেটা-সমান্তরাল সমস্যা, তাই MapReduce এই কাজের জন্য উপযুক্ত। আমরা গ্রাফ বিল্ডার, গ্রাফ এক্সট্রাক্ট-ট্রান্সফর্ম-লোড (ইটিএল) এর জন্য একটি স্কেলযোগ্য কাঠামো তৈরি করেছি, যা গ্রাফ নির্মাণের জটিলতা, গ্রাফ গঠন, ট্যাবুলেশন, রূপান্তর, পার্টিশনিং, আউটপুট ফর্ম্যাটিং এবং সিরিয়ালাইজেশন সহ অনেকগুলিকে অফলোড করে। গ্রাফবিল্ডার জাভাতে লেখা, প্রোগ্রামিংয়ের সহজতার জন্য, এবং এটি ম্যাপরেডুস মডেল ব্যবহার করে স্কেল করে। এই নিবন্ধে, আমরা গ্রাফবিল্ডারের প্রেরণা, এর স্থাপত্য, ম্যাপ রিডাক্স অ্যালগরিদম এবং কাঠামোর কার্যকারিতা মূল্যায়ন বর্ণনা করি। যেহেতু বড় গ্রাফগুলিকে স্টোরেজ এবং প্রক্রিয়াকরণের জন্য একটি ক্লাস্টারে বিভক্ত করা উচিত এবং পার্টিশনিং পদ্ধতিগুলি উল্লেখযোগ্য পারফরম্যান্স প্রভাব ফেলে, তাই আমরা বেশ কয়েকটি গ্রাফ পার্টিশনিং পদ্ধতি বিকাশ করি এবং তাদের কার্যকারিতা মূল্যায়ন করি। আমরা এই ফ্রেমওয়ার্কটি https://01.org/graphbuilder/ এও ওপেন সোর্স করছি। |
2e526c2fac79c080b818b304485ddf84d09cf08b | টাইমরাল ডেটা মাইনিং এর উদ্দেশ্য হল ঐতিহাসিক তথ্যের মধ্যে নিদর্শন খুঁজে বের করা। আমাদের কাজের প্রস্তাবিত একটি পদ্ধতির থেকে সময়গত নিদর্শন বের করে ডেটা থেকে পূর্বাভাস ঘটনার লক্ষ্য ঘটনা, যেমন হোস্ট নেটওয়ার্ক উপর কম্পিউটার আক্রমণ, বা জালিয়াতি লেনদেন আর্থিক প্রতিষ্ঠান. আমাদের সমস্যা সূত্র দুটি প্রধান চ্যালেঞ্জ প্রদর্শন করে: 1) আমরা ঘটনাগুলিকে শ্রেণীবদ্ধ বৈশিষ্ট্য দ্বারা চিহ্নিত করা এবং অসম-আগমনের সময় প্রদর্শন করে বলে ধরে নিই; এই ধরনের অনুমানটি ক্লাসিকাল টাইম-সিরিজ বিশ্লেষণের আওতার বাইরে পড়ে, 2) আমরা লক্ষ্য ঘটনাগুলি অত্যন্ত বিরল বলে ধরে নিই; ভবিষ্যদ্বাণীমূলক কৌশলগুলিকে শ্রেণী-অসমতা সমস্যা মোকাবেলা করতে হবে। আমরা একটি কার্যকর অ্যালগরিদমের প্রস্তাব দিচ্ছি যা ইভেন্ট পূর্বাভাস সমস্যাটিকে লক্ষ্য ইভেন্টের আগে সমস্ত ঘন ঘন ইভেন্টসেটগুলির অনুসন্ধানে রূপান্তর করে উপরের চ্যালেঞ্জগুলি মোকাবেলা করে। শ্রেণীগত ভারসাম্যহীনতার সমস্যাটি কেবলমাত্র সংখ্যালঘু শ্রেণীর উপর নিদর্শনগুলির অনুসন্ধানের মাধ্যমে কাটিয়ে উঠেছে; নিদর্শনগুলির বৈষম্যমূলক শক্তিটি তখন অন্যান্য শ্রেণীর বিরুদ্ধে বৈধতা পায়। পরবর্তীতে এই প্যাটার্নগুলোকে একত্রিত করে একটি নিয়ম-ভিত্তিক মডেল তৈরি করা হয়। আমাদের পরীক্ষামূলক বিশ্লেষণ ইভেন্টের ধারাবাহিকতার ধরন নির্দেশ করে যেখানে লক্ষ্যবস্তু ইভেন্টগুলি সঠিকভাবে পূর্বাভাস দেওয়া যেতে পারে। |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | ডেটা মাইনিং সিস্টেমের লক্ষ্য হচ্ছে ডাটাবেসে রেকর্ড করা তথ্য থেকে মডেল খুঁজে বের করা এবং দরকারী তথ্য বের করা। এই লক্ষ্য অর্জনের জন্য ব্যাপকভাবে গৃহীত পদ্ধতি হল বিভিন্ন মেশিন লার্নিং অ্যালগরিদম প্রয়োগ করা যা উপলব্ধ তথ্যের বর্ণনামূলক মডেলগুলি গণনা করতে পারে। এখানে আমরা এই গবেষণার ক্ষেত্রে অন্যতম প্রধান চ্যালেঞ্জের কথা আলোচনা করব, যেটি হচ্ছে এমন কৌশলগুলির উন্নয়ন যা বড় আকারের এবং সম্ভবত শারীরিকভাবে বিতরণ করা ডাটাবেস পর্যন্ত স্কেল করতে পারে। মেটা-লার্নিং এমন একটি কৌশল যা উচ্চ-স্তরের শ্রেণীবিভাগকারী (বা শ্রেণীবিভাগের মডেল) গণনা করতে চায়, যাকে মেটা-ক্লাসাইফায়ার বলা হয়, যা বিভিন্ন ডাটাবেসগুলিতে পৃথকভাবে গণনা করা একাধিক শ্রেণীবিভাগকারীকে কিছু মূলধারায় সংহত করে। এই গবেষণায় মেটা-লার্নিং এর বর্ণনা দেওয়া হয়েছে এবং JAM সিস্টেম (Java Agents for Meta-learning) এর উপস্থাপনা করা হয়েছে, যা বড় আকারের ডেটা মাইনিং অ্যাপ্লিকেশনের জন্য একটি এজেন্ট-ভিত্তিক মেটা-লার্নিং সিস্টেম। বিশেষ করে, এটি বিতরণকৃত ডেটা মাইনিং সিস্টেমের জন্য বেশ কয়েকটি গুরুত্বপূর্ণ প্রয়োজনীয়তা চিহ্নিত করে এবং মোকাবেলা করে যা কেন্দ্রীয় বা হোস্ট-ভিত্তিক সিস্টেমের তুলনায় তাদের অতিরিক্ত জটিলতার কারণে উদ্ভূত হয়। বিতরণকৃত সিস্টেমগুলিকে বৈষম্যপূর্ণ প্ল্যাটফর্মগুলির সাথে মোকাবিলা করতে হতে পারে, একাধিক ডাটাবেস এবং (সম্ভবত) বিভিন্ন স্কিম, ডেটা সাইটগুলির মধ্যে যোগাযোগের জন্য স্কেলযোগ্য এবং কার্যকর প্রোটোকলগুলির নকশা এবং বাস্তবায়নের সাথে এবং অন্যান্য পিয়ার ডেটা সাইটগুলি থেকে গেট করা তথ্যের নির্বাচনী এবং দক্ষ ব্যবহারের সাথে। অন্যান্য গুরুত্বপূর্ণ সমস্যা, অভ্যন্তরীণ অংশে একটি আইবিএম ফেলোশিপ দ্বারা সমর্থিত। ডেটা মাইনিং সিস্টেমগুলিকে যেভাবে উপেক্ষা করা উচিত নয় তার মধ্যে রয়েছে, প্রথমত, নতুন অর্জিত তথ্যের সুবিধা গ্রহণের ক্ষমতা যা মডেলগুলি গণনা করার সময় পূর্বে উপলব্ধ ছিল না এবং এটি বিদ্যমান মডেলগুলির সাথে একত্রিত করে এবং দ্বিতীয়ত, নতুন মেশিন লার্নিং পদ্ধতি এবং ডেটা মাইনিং প্রযুক্তি অন্তর্ভুক্ত করার নমনীয়তা। আমরা এই বিষয়গুলিকে জেএএম এর প্রেক্ষাপটে অনুসন্ধান করি এবং ব্যাপক অভিজ্ঞতার মাধ্যমে বিভিন্ন প্রস্তাবিত সমাধানগুলি মূল্যায়ন করি। |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | এমবেডেড ডিভাইসগুলি সর্বত্রই পাওয়া যায় এবং সেগুলি গোপনীয়তা-সংবেদনশীল এবং সুরক্ষা-সমালোচনামূলক অ্যাপ্লিকেশনগুলির একটি পরিসরে ব্যবহৃত হয়। এই ডিভাইসগুলোর বেশিরভাগই প্রপ্রেটারি সফটওয়্যার চালায় এবং সফটওয়্যারের অভ্যন্তরীণ কাজ সম্পর্কে খুব কম ডকুমেন্টেশন পাওয়া যায়। কিছু ক্ষেত্রে, হার্ডওয়্যার এবং সুরক্ষা ব্যবস্থার খরচ ডিভাইসগুলিকে অ্যাক্সেস করা অসম্ভব করে তুলতে পারে। এই ধরনের পরিবেশে উপস্থিত সফটওয়্যার বিশ্লেষণ করা চ্যালেঞ্জিং, কিন্তু প্রয়োজনীয়, যদি সফটওয়্যার বাগ এবং দুর্বলতা সঙ্গে যুক্ত ঝুঁকি এড়ানো আবশ্যক। সাম্প্রতিক গবেষণায় দেখা গেছে, বাজারে পাওয়া বেশ কিছু এমবেডেড ডিভাইসে ব্যাকডোর রয়েছে। এই গবেষণাপত্রে, আমরা ফার্মালিস উপস্থাপন করছি, একটি বাইনারি বিশ্লেষণ কাঠামো যা এমবেডেড ডিভাইসে চলমান ফার্মওয়্যারের বিশ্লেষণকে সমর্থন করে। ফার্মালিস একটি প্রতীকী এক্সিকিউশন ইঞ্জিনের উপরে তৈরি করে, এবং কৌশলগুলি, যেমন প্রোগ্রাম স্লাইসিং, এর স্কেলিবিলিটি বাড়ানোর জন্য। উপরন্তু, ফার্মালিস একটি নতুন মডেল ব্যবহার করে যা প্রমাণীকরণ বাইপাস ত্রুটিগুলি, যা আক্রমণকারীর বিশেষাধিকারযুক্ত ক্রিয়াকলাপ সম্পাদন করার জন্য প্রয়োজনীয় ইনপুটগুলি নির্ধারণের দক্ষতার উপর ভিত্তি করে। আমরা ফার্মলাইসকে তিনটি বাণিজ্যিকভাবে উপলব্ধ ডিভাইসের ফার্মওয়্যারে মূল্যায়ন করেছি, এবং তাদের মধ্যে দু টিতে প্রমাণীকরণ বাইপাস ব্যাকডোর সনাক্ত করতে সক্ষম হয়েছি। উপরন্তু, ফার্মলাইস নির্ধারণ করতে সক্ষম হয়েছিল যে তৃতীয় ফার্মওয়্যার নমুনার ব্যাকডোরটি অ-সুবিধাযুক্ত শংসাপত্রের সেট সম্পর্কে জ্ঞান ছাড়াই আক্রমণকারী দ্বারা অপব্যবহারযোগ্য ছিল না। |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | ক্রয় প্রক্রিয়াতে জালিয়াতিমূলক আচরণ সনাক্তকরণের জন্য প্রক্রিয়া খনির ব্যবহারের তাত্ত্বিক এবং ব্যবহারিক মূল্যের উপর একটি কেস স্টাডি সারাংশ এই থিসিসটি প্রক্রিয়া খনির এবং জালিয়াতি সনাক্তকরণের উপর ছয় মাসের গবেষণা সময়ের ফলাফল উপস্থাপন করে। এই থিসিসের উদ্দেশ্য ছিল যে প্রসেস মাইনিং কে কিভাবে জালিয়াতি সনাক্তকরণের কাজে ব্যবহার করা যায় এবং জালিয়াতি সনাক্তকরণের কাজে প্রসেস মাইনিং এর সুবিধা কি কি। একটি সাহিত্য অধ্যয়নের উপর ভিত্তি করে এটি প্রক্রিয়া খনির তত্ত্ব এবং প্রয়োগ এবং এর বিভিন্ন দিক এবং কৌশল সম্পর্কে একটি আলোচনা প্রদান করে। এই বইয়ে প্রবন্ধ অধ্যয়ন এবং একজন বিশেষজ্ঞের সাক্ষাৎকারের মাধ্যমে জালিয়াতি এবং জালিয়াতি সনাক্তকরণের ধারণা নিয়ে আলোচনা করা হয়েছে। এই ফলাফলগুলি প্রক্রিয়া খনির প্রয়োগ এবং জালিয়াতি সনাক্তকরণের উপর বিদ্যমান কেস স্টাডিগুলির বিশ্লেষণের সাথে মিলিত হয় দুটি কেস স্টাডিগুলির প্রাথমিক সেটআপ তৈরি করতে, যেখানে প্রক্রিয়া খনির প্রয়োগ করা হয় যাতে সংগ্রহের প্রক্রিয়াতে সম্ভাব্য জালিয়াতিমূলক আচরণ সনাক্ত করা যায়। এই কেস স্টাডিগুলির অভিজ্ঞতা এবং ফলাফলের ভিত্তিতে, 1 + 5 + 1 পদ্ধতিটি প্রথম পদক্ষেপ হিসাবে উপস্থাপিত হয়, যখন প্রক্রিয়াকরণ খনির কৌশলগুলি প্রয়োগের ক্ষেত্রে ব্যবহার করা যেতে পারে তখন কীভাবে প্রক্রিয়াকরণ কৌশলগুলি ব্যবহার করা যায় সে সম্পর্কে পরামর্শ দিয়ে। এই থিসিস তিনটি উপসংহার উপস্থাপন করে: (1) প্রসেস মাইনিং জালিয়াতি সনাক্তকরণের জন্য একটি মূল্যবান সংযোজন, (2) 1 + 5 + 1 ধারণা ব্যবহার করে সম্ভাব্য জালিয়াতি আচরণের সূচকগুলি সনাক্ত করা সম্ভব হয়েছিল (3) জালিয়াতি সনাক্তকরণের জন্য প্রক্রিয়া মাইনিংয়ের ব্যবহারিক ব্যবহার বর্তমান সরঞ্জামগুলির দুর্বল পারফরম্যান্স দ্বারা হ্রাস পেয়েছে। যে কৌশল এবং সরঞ্জামগুলি পারফরম্যান্সের সমস্যায় ভুগছে না, সেগুলি প্রক্রিয়ায় এবং সম্ভাব্য জালিয়াতিমূলক আচরণের ক্ষেত্রে নতুন, দ্রুততর বা আরও সহজে প্রাপ্ত অন্তর্দৃষ্টি সরবরাহ করে নিয়মিত ডেটা বিশ্লেষণ কৌশলগুলির পরিবর্তে একটি সংযোজন। iii ওকমের রেজার: "কেউকে কোন কিছু ব্যাখ্যা করার জন্য প্রয়োজনীয় সত্তার সংখ্যা, যা প্রয়োজন তার চেয়ে বেশি বাড়ানো উচিত নয়" iv বিষয়বস্তু |
8aef832372c6e3e83f10532f94f18bd26324d4fd | বিদ্যমান জ্ঞান ভিত্তিক প্রশ্নোত্তর সিস্টেমগুলি প্রায়শই ছোট টীকাযুক্ত প্রশিক্ষণ ডেটার উপর নির্ভর করে। যদিও সম্পর্ক নিষ্কাশনের মতো তলদেশের পদ্ধতিগুলি ডেটা ঘাটতির জন্য শক্তিশালী, তারা অর্থাতিক পার্সিংয়ের মতো গভীর অর্থের উপস্থাপনা পদ্ধতিগুলির চেয়ে কম প্রকাশক, যার ফলে একাধিক সীমাবদ্ধতা জড়িত প্রশ্নের উত্তর দিতে ব্যর্থ হয়। এখানে আমরা উইকিপিডিয়া থেকে অতিরিক্ত প্রমাণের সাথে সম্পর্ক নিষ্কাশন পদ্ধতিকে শক্তিশালী করে এই সমস্যাটি হ্রাস করি। আমরা প্রথমে একটি নিউরাল নেটওয়ার্ক ভিত্তিক সম্পর্ক এক্সট্র্যাক্টর উপস্থাপন করি যা ফ্রিবেস থেকে প্রার্থী উত্তরগুলি পুনরুদ্ধার করে এবং তারপরে এই উত্তরগুলিকে বৈধ করার জন্য উইকিপিডিয়ার উপর অনুমান করে। ওয়েবকুইস্টের প্রশ্নোত্তর ডেটাসেটের উপর করা পরীক্ষাগুলো দেখায় যে আমাদের পদ্ধতিটি 53.3% এর একটি F1 অর্জন করে, যা সর্বশেষ প্রযুক্তির তুলনায় যথেষ্ট উন্নতি। |
16edc3faf625fd437aaca1527e8821d979354fba | কল্যাণ একটি জটিল গঠন যা সর্বোত্তম অভিজ্ঞতা এবং কার্যকারিতা সম্পর্কিত। সুস্থতা নিয়ে বর্তমান গবেষণা দুটি সাধারণ দৃষ্টিভঙ্গি থেকে উদ্ভূত হয়েছে: হেডোনিক পদ্ধতি, যা সুখের উপর দৃষ্টি নিবদ্ধ করে এবং সুখ অর্জন এবং ব্যথা এড়ানোর ক্ষেত্রে সুস্থতাকে সংজ্ঞায়িত করে; এবং ইউডাইমনিক পদ্ধতি, যা অর্থ এবং স্ব-সংশোধনকে কেন্দ্র করে এবং একজন ব্যক্তির সম্পূর্ণরূপে কার্যকরী হওয়ার মাত্রা অনুযায়ী সুস্থতাকে সংজ্ঞায়িত করে। এই দুই দৃষ্টিভঙ্গির ফলে বিভিন্ন গবেষণার ফোকাস এবং জ্ঞান একটি শরীর যে কিছু এলাকায় ভিন্ন এবং অন্যদের মধ্যে পরিপূরক হয় জন্ম দিয়েছে। বহুস্তরীয় মডেলিং এবং নির্মাণ তুলনা সম্পর্কিত নতুন পদ্ধতিগত উন্নয়নগুলিও গবেষকদের ক্ষেত্রের জন্য নতুন প্রশ্নগুলি তৈরি করতে দেয়। এই পর্যালোচনাটি উভয় দৃষ্টিকোণ থেকে গবেষণা বিবেচনা করে যা মঙ্গল, এর পূর্বসূরী এবং সময় এবং সংস্কৃতি জুড়ে এর স্থায়িত্বের প্রকৃতির সাথে সম্পর্কিত। |
ac8c2e1fa35e797824958ced835257cd49e1be9c | এই গবেষণাপত্রটি তথ্য প্রযুক্তি এবং সাংগঠনিক শিক্ষার উপর উদ্ভূত গবেষণা সাহিত্যের পর্যালোচনা এবং মূল্যায়ন করে। অর্থ এবং পরিমাপের বিষয়গুলি নিয়ে আলোচনা করার পরে, আমরা গবেষণার দুটি প্রধান প্রবাহ চিহ্নিত এবং মূল্যায়ন করিঃ গবেষণাগুলি যা প্রতিষ্ঠানের তথ্য প্রযুক্তি প্রয়োগ এবং ব্যবহারের প্রক্রিয়াতে সাংগঠনিক শেখার ধারণাগুলি প্রয়োগ করে; এবং সাংগঠনিক শেখার সমর্থন করার জন্য তথ্য প্রযুক্তি অ্যাপ্লিকেশনগুলির নকশা নিয়ে উদ্বেগযুক্ত গবেষণা। গবেষণার পূর্ববর্তী ধারা থেকে আমরা এই সিদ্ধান্তে পৌঁছেছি যে বাস্তবায়নের সাফল্যে অভিজ্ঞতা একটি গুরুত্বপূর্ণ, তবুও অনির্দিষ্ট ভূমিকা পালন করে; শিক্ষণ আনুষ্ঠানিক প্রশিক্ষণ এবং অনুশীলনে অংশগ্রহণের মাধ্যমে সম্পন্ন হয়; অন্যান্য সংস্থার কাছ থেকে শেখার মাধ্যমে সাংগঠনিক জ্ঞানের বাধা অতিক্রম করা যেতে পারে; এবং নতুন প্রযুক্তি শেখা একটি গতিশীল প্রক্রিয়া যা সুযোগের অপেক্ষাকৃত সংকীর্ণ উইন্ডোগুলি দ্বারা চিহ্নিত হয়। শেষের ধারা থেকে আমরা এই সিদ্ধান্তে পৌঁছেছি যে সাংগঠনিক মেমরি ইনফরমেশন সিস্টেমের জন্য ধারণাগত নকশা শিল্পকর্মের উন্নয়নে একটি মূল্যবান অবদান; যোগাযোগ এবং বক্তৃতা সমর্থনকারী সিস্টেমের মাধ্যমে শেখার উন্নতি করা হয়; এবং তথ্য প্রযুক্তির উভয় সক্ষম এবং অক্ষম সাংগঠনিক শেখার সম্ভাবনা রয়েছে। বর্তমানে এই দুই প্রবাহ একে অপরের থেকে স্বাধীনভাবে প্রবাহিত হয়, তাদের ঘনিষ্ঠ ধারণাগত এবং ব্যবহারিক সংযোগ সত্ত্বেও। আমরা পরামর্শ দিচ্ছি যে তথ্য প্রযুক্তি এবং সাংগঠনিক শিক্ষার উপর ভবিষ্যতে গবেষণা আরও সমন্বিত পদ্ধতিতে এগিয়ে যাবে, সাংগঠনিক শিক্ষার অবস্থিত প্রকৃতিকে স্বীকৃতি দেবে, বিতরণকৃত সাংগঠনিক স্মৃতিতে মনোনিবেশ করবে, অনুশীলনে আর্টিফ্যাক্টের কার্যকারিতা প্রদর্শন করবে এবং সম্পর্কিত ক্ষেত্রে প্রাসঙ্গিক গবেষণার ফলাফলের সন্ধান করবে। |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | এই গবেষণায় একটি মাল্টি-মোড বিম-ফর্মিং ৭৭ গিগাহার্জ ফ্রিকোয়েন্সি-মডুলেটেড ক্রমাগত-তরঙ্গ রাডার সিস্টেম উপস্থাপন করা হয়েছে। চারটি ট্রান্সসিভার চিপ ব্যবহার করা হয় যাতে একই অ্যান্টেনা দিয়ে একই সময়ে একটি স্বল্প পরিসরের ফ্রিকোয়েন্সি-ডিভিশন মাল্টিপল-অ্যাক্সেস (এফডিএমএ) মাল্টিপল-ইনপুট-মাল্টিপল-আউটপুট (এমআইএমও) এবং একটি দীর্ঘ পরিসরের ট্রান্সমিট ফেজড অ্যারে (পিএ) রাডার সিস্টেম উপলব্ধ করা যায়। এটি এফডিএমএ এমআইএমও রাডারের উচ্চ কোণীয় রেজোলিউশন এবং পিএ ট্রান্সমিটার অ্যান্টেনার উচ্চ-উপার্জন এবং পরিচালনাযোগ্য বিমকে একত্রিত করে। এই ধারণাটি ব্যবহার করে চারটি অ্যান্টেনা এবং ডিজিটাল বিম ফর্মিং পদ্ধতির সাথে একটি লিনিয়ার অ্যান্টেনা অ্যারে ব্যবহারের সম্ভাব্য সুবিধাগুলি দেখানোর জন্য বেশ কয়েকটি পরিমাপ করা হয়েছিল। |
60611349d1b6d64488a5a88a9193e62d9db27b71 | এই প্রতিবেদনে ক্লান্তি সনাক্তকরণ এবং পূর্বাভাস প্রযুক্তির পর্যালোচনা করা হয়েছে। বিভিন্ন প্রযুক্তির তথ্য বিশ্বব্যাপী বিভিন্ন উৎস থেকে সংগ্রহ করা হয়েছে। এই প্রতিবেদনের প্রথম অর্ধেক প্রযুক্তির বর্তমান গবেষণা ও উন্নয়নের অবস্থা এবং সংবেদনশীলতা, নির্ভরযোগ্যতা, বৈধতা এবং গ্রহণযোগ্যতার মূল বিষয়গুলির সাথে প্রযুক্তির স্থিতির সংক্ষিপ্তসার দেয়। দ্বিতীয় অংশে পরিবহনে প্রযুক্তির ভূমিকা মূল্যায়ন করা হয়েছে এবং অন্যান্য প্রয়োগ ও নিয়ন্ত্রক কাঠামোর সাথে প্রযুক্তির অবস্থান সম্পর্কে মন্তব্য করা হয়েছে, বিশেষত অস্ট্রেলিয়া এবং নিউজিল্যান্ডে। প্রতিবেদনের লেখকরা এই সিদ্ধান্তে পৌঁছেছেন যে হার্ডওয়্যার প্রযুক্তি কখনই কোম্পানির ক্লান্তি ব্যবস্থাপনা সিস্টেম হিসাবে ব্যবহার করা উচিত নয়। হার্ডওয়্যার প্রযুক্তির ক্ষেত্রে কেবলমাত্র শেষ অবলম্বন হিসেবেই নিরাপত্তা ব্যবস্থা গড়ে তোলার সম্ভাবনা রয়েছে। যাইহোক, হার্ডওয়্যার প্রযুক্তির আউটপুট কোম্পানির ক্লান্তি ব্যবস্থাপনা সিস্টেমে বাস্তব সময়ে ঝুঁকি মূল্যায়ন প্রদানের জন্য দরকারীভাবে ফিড করতে পারে। তবে, হার্ডওয়্যার প্রযুক্তির আউটপুট কখনোই ম্যানেজমেন্ট সিস্টেমের একমাত্র ইনপুট হওয়া উচিত নয়। অন্যান্য ইনপুট অন্তত বৈধ সফটওয়্যার প্রযুক্তি, দায়িত্বের জন্য উপযুক্ততার পারস্পরিক মূল্যায়ন এবং কাজের চাপ, সময়সূচী এবং রোস্টারের অন্যান্য ঝুঁকি মূল্যায়ন থেকে আসা উচিত। উদ্দেশ্যঃ তথ্যের জন্য: ভারী যানবাহন চালকদের ক্লান্তি নিয়ন্ত্রণে ক্লান্তি সনাক্তকরণ এবং পূর্বাভাস প্রযুক্তির স্থান সম্পর্কে বোঝার জন্য। |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | পাস্কাল ভিজ্যুয়াল অবজেক্ট ক্লাস (ভিওসি) চ্যালেঞ্জটি ভিজ্যুয়াল অবজেক্ট বিভাগের স্বীকৃতি এবং সনাক্তকরণের একটি মানদণ্ড, যা দৃষ্টি এবং মেশিন লার্নিং সম্প্রদায়কে চিত্র এবং টীকা এবং মানক মূল্যায়ন পদ্ধতির একটি স্ট্যান্ডার্ড ডেটাসেট সরবরাহ করে। ২০০৫ সাল থেকে প্রতিবছর এই চ্যালেঞ্জের আয়োজন করা হয় এবং এর সাথে যুক্ত ডেটা সেটকে অবজেক্ট সনাক্তকরণের মানদণ্ড হিসেবে গ্রহণ করা হয়। এই কাগজটি ডেটাসেট এবং মূল্যায়ন পদ্ধতি বর্ণনা করে। আমরা শ্রেণীবিভাগ এবং সনাক্তকরণ উভয়ই মূল্যায়িত পদ্ধতিতে রাষ্ট্রের শিল্প পর্যালোচনা করি, পদ্ধতিগুলি পরিসংখ্যানগতভাবে আলাদা কিনা তা বিশ্লেষণ করুন, তারা চিত্রগুলি থেকে কী শিখছে (উদাহরণস্বরূপ, বস্তুর বা তার প্রসঙ্গ), এবং কি পদ্ধতি সহজ বা বিভ্রান্তিকর খুঁজে। এই প্রতিবেদনে চ্যালেঞ্জের তিন বছরের ইতিহাসে যে শিক্ষা নেওয়া হয়েছে তা তুলে ধরা হয়েছে এবং ভবিষ্যতে উন্নতি ও সম্প্রসারণের জন্য নির্দেশনা দেওয়া হয়েছে। |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | তারপর, জ্ঞান ব্যবস্থাপনা প্রক্রিয়া কার্যকর করার জন্য, একটি শ্রেণিবদ্ধ মডেল তৈরি করা হয় যা জ্ঞান সম্পদ, মেটা-মডেল এবং ম্যাক্রো প্রক্রিয়া তিনটি উত্সকে একত্রিত করে ক্রমাগত উদ্ভাবনের প্রক্রিয়াতে। এই মডেলটি জ্ঞান এবং উদ্ভাবনের মধ্যে জটিল সম্পর্ককে চারটি স্তরে বিভক্ত করে। ব্যবহারিক প্রভাব - পূর্ববর্তী গবেষণায় জ্ঞান ব্যবস্থাপনা পদ্ধতি সম্পর্কে যে শিক্ষা পাওয়া গেছে, তার মতে, উদ্ভাবনের জন্য জ্ঞান ব্যবস্থাপনা প্রকল্পের সফল বাস্তবায়নের জন্য জ্ঞান ব্যবস্থাপনার তিনটি দৃষ্টিকোণকে একে অপরের সাথে সহযোগিতা করা উচিত। এবং শ্রেণিবদ্ধ মডেলটি উদ্ভাবনের জন্য জ্ঞান ব্যবস্থাপনার সিস্টেমগুলি বাস্তবায়নের জন্য একটি উপযুক্ত স্থাপত্য সরবরাহ করে। মূলধন/মূল্য - জ্ঞান ব্যবস্থাপনার মেটা-মডেল এবং ম্যাক্রো প্রক্রিয়া ব্যাখ্যা করে যে, কিভাবে পরবর্তী প্রজন্মের জ্ঞান ব্যবস্থাপনা মূল্য সৃষ্টিতে সাহায্য করতে পারে এবং সিস্টেম চিন্তাধারার দৃষ্টিকোণ থেকে ক্রমাগত উদ্ভাবনকে সমর্থন করতে পারে। এই শ্রেণীবিন্যাস মডেলটি ক্রমাগত উদ্ভাবনের প্রক্রিয়াতে জটিল জ্ঞান গতিশীলতাকে চিত্রিত করে। উদ্দেশ্য এই গবেষণার উদ্দেশ্য হল উদ্ভাবনের জন্য জ্ঞান ব্যবস্থাপনার (কেএম) প্রক্রিয়াগুলি বোঝা এবং উদ্যোগগুলিকে ক্রমাগত উদ্ভাবনে কেএম কার্যক্রমকে উত্তোলন করার জন্য একটি পদ্ধতি সরবরাহ করা। ডিজাইন/পদ্ধতি/পদ্ধতি - বহুবিষয়ক ক্ষেত্রের সাহিত্যের পর্যালোচনা করে জ্ঞান, জ্ঞান ব্যবস্থাপনা এবং উদ্ভাবনের ধারণাগুলি তদন্ত করা হয়। জ্ঞান সৃষ্টি এবং জ্ঞান ব্যবহারের মাধ্যমে উদ্ভাবনের জন্য দুটি মূল কার্যক্রম চিহ্নিত করে জ্ঞান ব্যবস্থাপনাকে শারীরিক, মানবিক এবং প্রযুক্তিগত দৃষ্টিভঙ্গির মধ্যে পার্থক্য করা হয়েছে। তারপর ক্রমাগত উদ্ভাবনের জন্য একটি প্রয়োজনীয় প্রয়োজনীয়তা - অভ্যন্তরীণীকরণ পর্যায়ের সংজ্ঞা দেওয়া হয়। উদ্ভাবনের জন্য জ্ঞান ও দক্ষতার ব্যবস্থাপনা পদ্ধতি সম্পর্কে ব্যাপক বোঝার জন্য সিস্টেম চিন্তাভাবনা এবং মানবকেন্দ্রিক দৃষ্টিভঙ্গি গ্রহণ করা হয়। ফলাফল - অভ্যন্তরীণীকরণের ধাপটি অন্তর্ভুক্ত করে ক্রমাগত উদ্ভাবনের একটি নেটওয়ার্কিং প্রক্রিয়া প্রস্তাব করা হয়েছে। কেএম এর তিনটি দৃষ্টিকোণ অনুসারে, উদ্ভাবনে সাংগঠনিক জ্ঞানের সম্পদের তিনটি উৎস চিহ্নিত করা হয়েছে। তারপর উদ্ভাবনের দুটি মূল কার্যক্রমের উপর ভিত্তি করে, ক্রমাগত উদ্ভাবনের জন্য কমন ম্যানেজমেন্টের প্রক্রিয়াগুলি মডেল করার জন্য একটি মেটা-মডেল এবং একটি ম্যাক্রো প্রক্রিয়া প্রস্তাব করা হয়। |
1dba1fa6dd287fde87823218d4f03559dde4e15b | এই গবেষণাপত্রে স্টার্ট তথ্য প্রবেশাধিকার ব্যবস্থায় প্রশ্নোত্তর সহজতর করার জন্য প্রাকৃতিক ভাষার টীকা ব্যবহারের কৌশল এবং শিক্ষা উপস্থাপন করা হয়েছে। |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | তরল স্ফটিক পলিমার (এলসিপি) এমন একটি উপাদান যা সম্ভাব্য উচ্চ-পারফরম্যান্স মাইক্রোওয়েভ সাবস্ট্রেট এবং প্যাকেজিং উপাদান হিসাবে মনোযোগ অর্জন করেছে। এই গবেষণায় মিলিমিটার-ওয়েভ ফ্রিকোয়েন্সিগুলির জন্য এলসিপি-র বৈদ্যুতিক বৈশিষ্ট্যগুলি নির্ধারণের জন্য বিভিন্ন পদ্ধতি ব্যবহার করা হয়েছে। মাইক্রোস্ট্রিপ রিং রেজোনার এবং ক্যাভিটি রেজোনারগুলি 30 গিগাহার্টজের উপরে এলসিপি এর ডাইলেট্রিক ধ্রুবক (/ স্প্ল ইপিসি / সাব আর /) এবং ক্ষতির ট্যাঙ্গেন্ট (ট্যান / স্প্ল ডেল্টা /) বৈশিষ্ট্যযুক্ত করার জন্য পরিমাপ করা হয়। পরিমাপকৃত ডাইলেট্রিক ধ্রুবকটি ৩.১৬ এর কাছাকাছি স্থির বলে দেখা যায় এবং ক্ষতির ট্যাঙ্গেন্টটি ০.০০৪৯ এর নীচে থাকে। এছাড়াও, বিভিন্ন এলসিপি সাবস্ট্রেট বেধে বিভিন্ন ট্রান্সমিশন লাইন তৈরি করা হয় এবং ক্ষতির বৈশিষ্ট্যগুলি 2 থেকে 110 গিগাহার্জ পর্যন্ত সেন্টিমিটারে ডেসিবেল হিসাবে দেওয়া হয়। 110 গিগাহার্জেডের শীর্ষ ট্রান্সমিশন লাইন ক্ষতি 0.88-2.55 ডিবি / সেমি, লাইন টাইপ এবং জ্যামিতির উপর নির্ভর করে পরিবর্তিত হয়। এই ফলাফলগুলি প্রথমবারের মতো দেখায় যে, মিলিমিটার-ওয়েভ ফ্রিকোয়েন্সিগুলির মাধ্যমে প্রসারিত অ্যাপ্লিকেশনগুলির জন্য এলসিপি চমৎকার ডাইলেট্রিক বৈশিষ্ট্য রয়েছে। |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | এই গবেষণাপত্রে একটি হাইব্রিড রেডিও ফ্রিকোয়েন্সি (আরএফ) এবং পিওজো ইলেকট্রিক পাতলা ফিল্ম পলিভিনাইলাইডেন ফ্লোরাইড (পিভিডিএফ) কম্পন শক্তি হার্ভেস্টারকে পরিধানযোগ্য ডিভাইসের জন্য বর্ণনা করা হয়েছে। পরজীবী ক্যাপাসিট্যান্স এবং ডিসক্রিট ইন্ডাক্টরগুলির প্রতিবন্ধকতার বৈশিষ্ট্যগুলিকে কাজে লাগিয়ে প্রস্তাবিত হার্ভেস্টারটি কেবল 15 হার্জ কম্পন শক্তিই পরিহার করে না বরং 915 মেগাহার্টজ নমনীয় সিলভার-ইঙ্ক আরএফ ডাইপোল অ্যান্টেনা হিসাবেও কাজ করে। এছাড়াও, একটি ইন্টারফেস সার্কিট যা একটি 6-স্তরের ডিকসন আরএফ-টু-ডিসি কনভার্টার এবং একটি ডায়োড ব্রিজ রিক্টিফায়ারকে অন্তর্ভুক্ত করে যা হাইব্রিড হারভেস্টারের আরএফ এবং কম্পন আউটপুটগুলি প্রতিরোধমূলক লোডগুলিকে পাওয়ারের জন্য ডিসি সংকেতে রূপান্তরিত করে। যখন RF থেকে DC রূপান্তরকারী এবং -8 ডিবিএম ইনপুট RF শক্তি ব্যবহার করা হয় তখন সর্বাধিক 20.9 μ এর একটি ডিসি আউটপুট শক্তি 36% ওপেন-সার্কিট আউটপুট ভোল্টেজ এ অর্জন করা হয় যখন 3 জি কম্পন উত্তেজনার থেকে সংগ্রহ করা ডিসি শক্তি সর্বাধিক 2.8 μW পৌঁছে যায় 51% ওপেন-সার্কিট ভোল্টেজ। পরীক্ষামূলক ফলাফল দেখায় যে পরীক্ষিত হাইব্রিড ফসল সংগ্রহের সিস্টেমটি একই সাথে 7.3 μW ডিসি শক্তি উত্পন্ন করে, যখন ফসল কাটার থেকে 3 W EIRP 915 MHz ট্রান্সমিটার পর্যন্ত দূরত্ব 5.5 মিটার এবং 1.8 গ্রাম কম্পন ত্বরণ শিখর থেকে 1.8 μW ডিসি শক্তি। |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | মানুষ যেভাবে ইন্টারনেট ব্যবহার করে, সেইভাবে ডিভাইসগুলিও ইন্টারনেট অব থিংস (আইওটি) ইকোসিস্টেমের প্রধান ব্যবহারকারী হবে। তাই ডিভাইস টু ডিভাইস (ডি টু ডি) যোগাযোগ আইওটির একটি অভ্যন্তরীণ অংশ হবে বলে আশা করা হচ্ছে। ডিভাইসগুলি একে অপরের সাথে স্বায়ত্তশাসিতভাবে যোগাযোগ করবে, কোনও কেন্দ্রীয় নিয়ন্ত্রণ ছাড়াই এবং মাল্টিহপ পদ্ধতিতে তথ্য সংগ্রহ, ভাগ করে নেওয়ার এবং ফরোয়ার্ড করার জন্য সহযোগিতা করবে। আইওটি-র মূল্যকে কাজে লাগানোর জন্য রিয়েল টাইমে প্রাসঙ্গিক তথ্য সংগ্রহের ক্ষমতা অত্যন্ত গুরুত্বপূর্ণ, কারণ এই ধরনের তথ্যকে বুদ্ধিমত্তায় রূপান্তরিত করা হবে, যা একটি বুদ্ধিমান পরিবেশ তৈরির সুবিধার্থে কাজ করবে। শেষ পর্যন্ত, সংগৃহীত তথ্যের গুণমান নির্ভর করে ডিভাইসগুলো কতটা স্মার্ট। এছাড়াও, এই যোগাযোগকারী ডিভাইসগুলি বিভিন্ন নেটওয়ার্কিং স্ট্যান্ডার্ডের সাথে কাজ করবে, একে অপরের সাথে বিরতিযুক্ত সংযোগের অভিজ্ঞতা অর্জন করতে পারে এবং তাদের মধ্যে অনেকগুলি সংস্থান সীমাবদ্ধ থাকবে। এই বৈশিষ্ট্যগুলি বেশ কয়েকটি নেটওয়ার্কিং চ্যালেঞ্জের মুখোমুখি হয় যা প্রচলিত রাউটিং প্রোটোকলগুলি সমাধান করতে পারে না। ফলস্বরূপ, ডিভাইসগুলিকে বুদ্ধিমান ডি টু ডি যোগাযোগ অর্জনের জন্য বুদ্ধিমান রাউটিং প্রোটোকলের প্রয়োজন হবে। আমরা একটি সারসংক্ষেপ উপস্থাপন করছি কিভাবে ইন্টেলিজেন্ট ডি টু ডি যোগাযোগ আইওটি ইকোসিস্টেমে অর্জন করা যায়। বিশেষ করে, আমরা কিভাবে অত্যাধুনিক রাউটিং অ্যালগরিদম আইওটি-তে বুদ্ধিমান ডি টু ডি যোগাযোগ অর্জন করতে পারে তার উপর ফোকাস করি। |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ট্রাফিক লাইট সনাক্তকরণ (টিএলডি) বুদ্ধিমান যানবাহন এবং ড্রাইভিং সহায়তা সিস্টেম (ডিএএস) উভয়েরই একটি গুরুত্বপূর্ণ অংশ। বেশিরভাগ টিএলডির জন্য সাধারণ বিষয় হল যে, তারা ছোট এবং ব্যক্তিগত ডেটাসেটগুলিতে মূল্যায়ন করা হয়, যা কোনও নির্দিষ্ট পদ্ধতির সঠিক কার্যকারিতা নির্ধারণ করা কঠিন করে তোলে। এই গবেষণায় আমরা সর্বশেষ প্রযুক্তির, রিয়েল টাইম অবজেক্ট ডিটেকশন সিস্টেম ইউ ওয়ানলি লুক ওয়ান (YOLO) ব্যবহার করেছি ভিভা চ্যালেঞ্জের মাধ্যমে পাওয়া যায় এমন পাবলিক লাইসা ট্রাফিক লাইট ডেটাসেটে, যার মধ্যে রয়েছে বিপুল সংখ্যক টীকাযুক্ত ট্রাফিক লাইট, যা বিভিন্ন আলোক এবং আবহাওয়ার অবস্থার মধ্যে ধরা পড়ে। , , , , , , YOLO অবজেক্ট ডিটেক্টরটি দিনক্রমের জন্য একটি চিত্তাকর্ষক 90.49% এর AUC অর্জন করেছে, যা ভিভালয়েঞ্জের সর্বশেষ এসিএফ এন্ট্রিটির তুলনায় 50.32% উন্নতি। এসিএফ ডিটেক্টরের মতো একই প্রশিক্ষণ কনফিগারেশন ব্যবহার করে, YOLO ডিটেক্টর 58.3% এর AUC পৌঁছেছে, যা 18.13% বৃদ্ধি পেয়েছে। |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | দৃশ্যের শ্রেণীবিভাগ কম্পিউটার দৃষ্টিতে একটি মৌলিক সমস্যা। তবে দৃশ্যের বোঝার গবেষণায় বর্তমানে ব্যবহৃত ডাটাবেসের সীমিত পরিসরের কারণে সীমাবদ্ধতা দেখা দিয়েছে যা দৃশ্যের বিভিন্ন শ্রেণীর সম্পূর্ণ বৈচিত্র্যকে ক্যাপচার করে না। বস্তুর শ্রেণীবিভাগের জন্য স্ট্যান্ডার্ড ডাটাবেসগুলিতে শত শত বিভিন্ন শ্রেণীর বস্তু রয়েছে, দৃশ্যের শ্রেণীর বৃহত্তম উপলব্ধ ডেটাসেটে কেবল 15 টি শ্রেণি রয়েছে। এই নিবন্ধে আমরা 899 টি বিভাগ এবং 130,519 টি চিত্রের সমন্বয়ে বিস্তৃত দৃশ্যের UNderstanding (SUN) ডাটাবেসটি প্রস্তাব করছি। আমরা 397 টি ভাল নমুনাযুক্ত বিভাগ ব্যবহার করি দৃশ্যের স্বীকৃতির জন্য অসংখ্য অত্যাধুনিক অ্যালগরিদম মূল্যায়ন করতে এবং পারফরম্যান্সের নতুন সীমা স্থাপন করতে। আমরা সান ডাটাবেসে মানুষের দৃশ্য শ্রেণীবিভাগের পারফরম্যান্স পরিমাপ করি এবং এটিকে কম্পিউটেশনাল পদ্ধতির সাথে তুলনা করি। এছাড়াও, আমরা একটি সূক্ষ্ম-গ্রানযুক্ত দৃশ্যের প্রতিনিধিত্ব অধ্যয়ন করি যাতে বড় দৃশ্যের ভিতরে থাকা দৃশ্যগুলি সনাক্ত করতে পারি। |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | এই কাগজটি একটি টেবিলের উপর ভিত্তি করে একটি প্রাকৃতিক ভাষা বাক্য তৈরি করার জন্য একটি নিউরাল জেনারেটিভ মডেল, যথা টেবিল 2 সেক প্রস্তাব করে। বিশেষ করে, মডেলটি ক্রমাগত ভেক্টরগুলিতে একটি টেবিল ম্যাপ করে এবং তারপরে একটি টেবিলের শব্দার্থকে কাজে লাগিয়ে একটি প্রাকৃতিক ভাষা বাক্য তৈরি করে। যেহেতু বিরল শব্দ, যেমন, সত্তা এবং মান, সাধারণত একটি টেবিলে প্রদর্শিত হয়, আমরা একটি নমনীয় অনুলিপি প্রক্রিয়া বিকাশ করি যা টেবিল থেকে আউটপুট ক্রম থেকে বিষয়বস্তু নির্বাচন করে পুনরায় তৈরি করে। আমরা আমাদের টেবিল টু সেক মডেলের কার্যকারিতা এবং নকশা করা কপি করার প্রক্রিয়াটির কার্যকারিতা প্রদর্শন করতে ব্যাপক পরীক্ষা-নিরীক্ষা চালাচ্ছি। উইকিবিও এবং সিম্পলকিউশনস ডেটাসেটে, টেবিল 2 সেক মডেলটি ব্লু -4 স্কোরের ক্ষেত্রে যথাক্রমে 34.70 থেকে 40.26 এবং 33.32 থেকে 39.12 পর্যন্ত উন্নত ফলাফলের উন্নতি করে। উপরন্তু, আমরা একটি ওপেন-ডোমেইন ডেটাসেট WIKITABLETEXT তৈরি করি যার মধ্যে রয়েছে 13 318 বর্ণনামূলক বাক্য 4962 টেবিলের জন্য। আমাদের টেবিল২সেক মডেলটি উইকিটেবলটেক্সট-এর উপর ৩৮.২৩ এর একটি ব্লু-৪ স্কোর অর্জন করেছে যা টেমপ্লেট-ভিত্তিক এবং ভাষা মডেল-ভিত্তিক পদ্ধতির চেয়ে ভাল। উপরন্তু, একটি সার্চ ইঞ্জিন থেকে 1 এম টেবিল-কোয়েরি জোড়াগুলির উপর পরীক্ষার মাধ্যমে, আমাদের টেবিল 2 সেক মডেলটি একটি টেবিলের কাঠামোগত অংশ বিবেচনা করে, অর্থাৎ, টেবিলের বৈশিষ্ট্য এবং টেবিলের কোষগুলি অতিরিক্ত তথ্য হিসাবে একটি সিকোয়েন্স-টু-সিকোয়েন্স মডেলকে ছাড়িয়ে যায় যা কেবলমাত্র একটি টেবিলের ক্রমাগত অংশ বিবেচনা করে, অর্থাৎ, টেবিলের ক্যাপশন। |
ea951c82efe26424e3ce0d167e01f59e5135a2da | টাইমড আপ অ্যান্ড গো হচ্ছে বয়স্ক এবং পার্কিনসন রোগে আক্রান্তদের গতিশীলতা মূল্যায়নের জন্য একটি ক্লিনিকাল পরীক্ষা। সম্প্রতি পরীক্ষার যন্ত্রানুষঙ্গিক সংস্করণ বিবেচনা করা হচ্ছে, যেখানে নিষ্ক্রিয় সেন্সরগুলি গতি মূল্যায়ন করে। এর ব্যাপকতা, ব্যবহারের সহজতা এবং খরচ বাড়ানোর জন্য আমরা স্মার্টফোনের অ্যাক্সিলারোমিটারকে পরিমাপ ব্যবস্থা হিসেবে বিবেচনা করি। পরীক্ষার সময় রেকর্ড করা সংকেত থেকে বেশ কয়েকটি পরামিতি (সাধারণত অত্যন্ত সম্পর্কযুক্ত) গণনা করা যেতে পারে। অতিরিক্ত কাজ এড়াতে এবং যন্ত্রের গতিশীলতার জন্য সবচেয়ে সংবেদনশীল বৈশিষ্ট্যগুলি পেতে, প্রধান উপাদান বিশ্লেষণ (পিসিএ) এর মাধ্যমে একটি মাত্রিকতা হ্রাস করা হয়েছিল। বিভিন্ন বয়সের ৪৯ জন সুস্থ ব্যক্তির উপর পরীক্ষা করা হয়। পিসিএ নতুন বৈশিষ্ট্য (প্রধান উপাদান) বের করার জন্য করা হয়েছিল যা মূল পরামিতিগুলির অতিরিক্ত সংমিশ্রণ নয় এবং ডেটা ভেরিয়েবিলিটির বেশিরভাগ অংশের জন্য দায়ী। এগুলি অনুসন্ধানমূলক বিশ্লেষণ এবং বহিরাগত সনাক্তকরণের জন্য উপযোগী হতে পারে। এরপর মূল উপাদানগুলোর সাথে সংশ্লিষ্টতার বিশ্লেষণের মাধ্যমে মূল প্যারামিটারগুলোর একটি সংক্ষিপ্ত সেট নির্বাচন করা হয়। এই সেটটি সুস্থ প্রাপ্তবয়স্কদের উপর ভিত্তি করে গবেষণার জন্য সুপারিশ করা যেতে পারে। প্রস্তাবিত পদ্ধতিটি শ্রেণীবিভাগের গবেষণায় প্রথম স্তরের বৈশিষ্ট্য নির্বাচন হিসাবে ব্যবহার করা যেতে পারে (যেমন এই প্রযুক্তির মাধ্যমে ভবিষ্যতে একটি সম্পূর্ণ গতি বিশ্লেষণ ব্যবস্থা স্মার্টফোনে সংযুক্ত করা সম্ভব হবে। |
e467278d981ba30ab3b24235d09205e2aaba3d6f | এই গবেষণার লক্ষ্য ছিল কর্মচারীদের কল্যাণে প্যাসিভ লিডারশিপের নেতিবাচক সম্পর্ক ব্যাখ্যা করে একটি ধারাবাহিক মধ্যস্থতা মডেল বিকাশ ও পরীক্ষা করা। ভূমিকা চাপ তত্ত্বের উপর ভিত্তি করে, আমরা ধরে নিই যে প্যাসিভ নেতৃত্ব উচ্চ স্তরের ভূমিকা দ্ব্যর্থতা, ভূমিকা দ্বন্দ্ব এবং ভূমিকা ওভারলোডের পূর্বাভাস দেবে। সংস্থান সংরক্ষণ তত্ত্বের উপর ভিত্তি করে আমরা আরও অনুমান করি যে এই ভূমিকা চাপের কারণগুলি পরোক্ষভাবে এবং নেতিবাচকভাবে কর্মচারীদের কল্যাণের দুটি দিককে প্রভাবিত করবে, যথা সামগ্রিক মানসিক স্বাস্থ্য এবং সামগ্রিক কাজের মনোভাব, মানসিক কাজের ক্লান্তির মাধ্যমে। মার্কিন যুক্তরাষ্ট্রের ২৪৬৭ জন শ্রমিকের একটি সম্ভাব্য নমুনা ব্যবহার করে, কাঠামোগত সমীকরণ মডেলিং মডেলটিকে সমর্থন করে যে ভূমিকা চাপ এবং মানসিক কাজের ক্লান্তি আংশিকভাবে প্যাসিভ নেতৃত্ব এবং কর্মচারীদের কল্যাণের উভয় দিকের মধ্যে নেতিবাচক সম্পর্ককে মধ্যস্থতা করে। এই অনুমান করা পরিক্রমিক পরোক্ষ সম্পর্কগুলো প্যাসিভ লিডারশিপ এবং মানসিক স্বাস্থ্যের মধ্যে সামগ্রিক সম্পর্কের ৪৭.৯% এবং প্যাসিভ লিডারশিপ এবং সামগ্রিক কাজের মনোভাবের মধ্যে সামগ্রিক সম্পর্কের ২৬.৬% ব্যাখ্যা করেছে। কপিরাইট © 2016 জন উইলি অ্যান্ড সন্স, লিমিটেড |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | নিবন্ধের ইতিহাসঃ ২২ আগস্ট ২০০৭ তারিখে প্রাপ্ত ২৯ ফেব্রুয়ারি ২০০৮ তারিখে গৃহীত অনলাইনে পাওয়া যায় |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | গভীর ডোমেন অভিযোজন পদ্ধতি ডোমেন-অবিন্যস্ত এম্বেডিং শিখার মাধ্যমে বন্টন অসঙ্গতি হ্রাস করতে পারে। যাইহোক, এই পদ্ধতিগুলি কেবলমাত্র উৎস এবং লক্ষ্য চিত্রগুলির মধ্যে শ্রেণিবদ্ধ স্তরের সম্পর্কগুলি বিবেচনা না করে পুরো ডেটা বিতরণগুলিকে সারিবদ্ধ করার দিকে মনোনিবেশ করে। এইভাবে, একটি পাখির লক্ষ্যবস্তু এম্বেডিংগুলি একটি বিমানের উত্স এম্বেডিংয়ের সাথে সারিবদ্ধ করা যেতে পারে। এই শব্দার্থিক ভুল প্রান্তিককরণ সরাসরি লক্ষ্য ডেটাসেটের শ্রেণিবদ্ধকরণের কার্যকারিতা হ্রাস করতে পারে। এই সমস্যাটি দূর করতে, আমরা একটি সমতুল্য সীমাবদ্ধ প্রান্তিককরণ (এসসিএ) পদ্ধতি উপস্থাপন করি যা অনিয়ন্ত্রিত ডোমেন অভিযোজন। এমবেডিং স্পেসে বিতরণগুলি সারিবদ্ধ করার সময়, এসসিএ উত্স এবং লক্ষ্য চিত্রগুলির মধ্যে শ্রেণিবদ্ধ স্তরের সম্পর্ক বজায় রাখার জন্য একটি সাদৃশ্য-সংরক্ষণের সীমাবদ্ধতা প্রয়োগ করে, অর্থাৎ, যদি একটি উত্স চিত্র এবং একটি লক্ষ্য চিত্র একই শ্রেণীর লেবেলের হয় তবে তাদের সংশ্লিষ্ট এমবেডিংগুলি কাছাকাছি সারিবদ্ধ করা উচিত এবং বিপরীতভাবে। টার্গেট লেবেল না থাকায় আমরা টার্গেট ইমেজগুলোর জন্য ছদ্ম-লেবেল নির্ধারণ করি। লেবেলযুক্ত উৎস চিত্র এবং ছদ্ম-লেবেলযুক্ত লক্ষ্য চিত্রগুলি দেওয়া, ত্রিগুণ ক্ষতিকে কমিয়ে তুলতে সাদৃশ্য-সংরক্ষণের সীমাবদ্ধতা বাস্তবায়ন করা যেতে পারে। ডোমেইন অ্যালাইনমেন্ট লস এবং সাদৃশ্য-সংরক্ষণের সীমাবদ্ধতার যৌথ তত্ত্বাবধানে আমরা একটি নেটওয়ার্ককে দুটি সমালোচনামূলক বৈশিষ্ট্য, ইনট্রা-ক্লাস কম্প্যাক্টনেস এবং আন্তঃ-ক্লাস বিচ্ছিন্নতা সহ ডোমেইন-অবিন্যস্ত এমবেডিংগুলি পেতে প্রশিক্ষণ দিই। দুটি ডেটাসেটে পরিচালিত বিস্তৃত পরীক্ষাগুলি এসসিএর কার্যকারিতা ভালভাবে প্রদর্শন করে। |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | এই নিবন্ধে, আমরা একটি পোর্টেবল স্মার্ট রাডার সেন্সর থেকে স্বাক্ষরগুলির নিদর্শন স্বীকৃতির উপর ভিত্তি করে একটি মানব অঙ্গভঙ্গি স্বীকৃতি সিস্টেমের নকশা বিবেচনা করি। এএএ ব্যাটারি দিয়ে চালিত এই স্মার্ট রাডার সেন্সরটি ২.৪ গিগাহার্জ শিল্প, বিজ্ঞান ও চিকিৎসা (আইএসএম) ব্যান্ডে কাজ করে। আমরা বৈশিষ্ট্য স্থান বিশ্লেষণ করেছি মূল উপাদান ব্যবহার করে এবং অ্যাপ্লিকেশন-নির্দিষ্ট সময় এবং ফ্রিকোয়েন্সি ডোমেন বৈশিষ্ট্য দুটি ভিন্ন সেট অঙ্গভঙ্গির জন্য রাডার সংকেত থেকে বের করা হয়েছে। আমরা দেখিয়েছি যে নিকটতম প্রতিবেশী ভিত্তিক শ্রেণীবিভাগকারীটি বহু শ্রেণীর শ্রেণিবদ্ধকরণের জন্য 95% এর বেশি নির্ভুলতা অর্জন করতে পারে যখন 10 ফোল্ড ক্রস ভ্যালিডেশন ব্যবহার করে বৈশিষ্ট্যগুলি আকারের পার্থক্য এবং ডপলার শিফটগুলির উপর ভিত্তি করে বের করা হয় orthogonal রূপান্তরগুলির মাধ্যমে বের করা বৈশিষ্ট্যগুলির তুলনায়। এই ফলাফলগুলি স্মার্ট হোম এবং স্বাস্থ্য পর্যবেক্ষণের জন্য একটি প্যাটার্ন স্বীকৃতি সিস্টেমের সাথে সংযুক্ত বুদ্ধিমান রাডারগুলির সম্ভাব্যতাকে চিত্রিত করে। |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | নেটওয়ার্ক এবং তাদের সম্পদের বিরুদ্ধে আক্রমণের ক্রমাগত বৃদ্ধি (যেমন সম্প্রতি কোডরেড কৃমি দ্বারা প্রদর্শিত হয়েছে) এই মূল্যবান সম্পদগুলি রক্ষা করার প্রয়োজনীয়তা সৃষ্টি করে। ফায়ারওয়াল এখন একটি সাধারণ ইনস্টলেশন যা প্রথম স্থানে অনুপ্রবেশের প্রচেষ্টাকে প্রতিহত করে। আক্রমণ সনাক্তকরণ ব্যবস্থা (আইডিএস), যা ক্ষতিকারক কার্যকলাপ প্রতিরোধের পরিবর্তে সনাক্ত করার চেষ্টা করে, যখন প্রথম প্রতিরক্ষা পরিধিটি প্রবেশ করা হয় তখন অতিরিক্ত সুরক্ষা সরবরাহ করে। আইডি সিস্টেমগুলি সংগ্রহ করা ডেটাকে পূর্ব নির্ধারিত স্বাক্ষরগুলির সাথে তুলনা করে আক্রমণগুলি চিহ্নিত করার চেষ্টা করে যা দূষিত (স্বাক্ষর ভিত্তিক) বা আইনী আচরণের একটি মডেল (অ্যানোমালি ভিত্তিক) । অ্যানোমালি ভিত্তিক সিস্টেমগুলির পূর্বে অজানা আক্রমণগুলি সনাক্ত করতে সক্ষম হওয়ার সুবিধা রয়েছে তবে তারা গ্রহণযোগ্য আচরণের একটি শক্ত মডেল তৈরির অসুবিধা এবং অস্বাভাবিক তবে অনুমোদিত ক্রিয়াকলাপের কারণে বিপদের উচ্চ সংখ্যা ভোগ করে। আমরা এমন একটি পদ্ধতির কথা বলছি যা সুরক্ষিত থাকা উচিত এমন নেটওয়ার্ক পরিষেবাগুলির অ্যাপ্লিকেশন-নির্দিষ্ট জ্ঞানকে ব্যবহার করে। এই তথ্য বর্তমান, সহজ নেটওয়ার্ক ট্রাফিক মডেলগুলিকে একটি অ্যাপ্লিকেশন মডেল গঠনে সহায়তা করে যা একক নেটওয়ার্ক প্যাকেটে লুকানো দূষিত সামগ্রী সনাক্ত করতে দেয়। আমরা আমাদের প্রস্তাবিত মডেলের বৈশিষ্ট্য বর্ণনা করি এবং পরীক্ষামূলক তথ্য উপস্থাপন করি যা আমাদের সিস্টেমের দক্ষতার উপর জোর দেয়। |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | প্রাপ্তঃ ২০ জুলাই ২০১২ সংশোধিতঃ ১৮ ফেব্রুয়ারি ২০১৩ দ্বিতীয় সংশোধনঃ ২৮ জুন ২০১৩ তৃতীয় সংশোধনঃ ২০ সেপ্টেম্বর ২০১৩ চতুর্থ সংশোধনঃ ৭ নভেম্বর ২০১৩ গৃহীতঃ ১ ফেব্রুয়ারি ২০১৪ সারাংশ সামাজিক যোগাযোগের সাইটগুলিতে (এসএনএস) এম্বেড করা বার্তা এবং সামাজিক সম্পর্কের সংখ্যা বাড়ার সাথে সাথে ব্যক্তিদের প্রতিক্রিয়া দাবি করে সামাজিক তথ্যের পরিমাণও বাড়ছে। আমরা লক্ষ্য করেছি যে, এর ফলে এসএনএস ব্যবহারকারীরা মনে করেন যে তারা অন্য এসএনএস ব্যবহারকারীদের জন্য খুব বেশি সামাজিক সহায়তা প্রদান করছেন। সামাজিক সহায়তা তত্ত্ব (এসএসটি) থেকে আমরা এই নেতিবাচক সমিতিকে এসএনএস ব্যবহারের সাথে "সামাজিক ওভারলোড" বলে অভিহিত করি এবং এটি পরিমাপ করার জন্য একটি লুকানো পরিবর্তনশীল বিকাশ করি। এরপর আমরা সামাজিক ওভারলোডের তাত্ত্বিক পূর্বসূরী এবং পরিণতিগুলো চিহ্নিত করি এবং সামাজিক ওভারলোড মডেলটি 12 জনের সাথে সাক্ষাত্কার এবং 571 জন ফেসবুক ব্যবহারকারীর একটি সমীক্ষার মাধ্যমে পরীক্ষামূলকভাবে মূল্যায়ন করি। ফলাফলগুলি দেখায় যে ব্যবহারের পরিমাণ, বন্ধুদের সংখ্যা, বিষয়গত সামাজিক সমর্থন নিয়ম এবং সম্পর্কের ধরণ (শুধুমাত্র অনলাইন বনাম অফলাইন বন্ধুরা) এমন বিষয় যা সরাসরি সামাজিক ওভারলোডের জন্য অবদান রাখে যখন বয়স কেবল পরোক্ষ প্রভাব ফেলে। সামাজিক ওভারলোডের মানসিক ও আচরণগত পরিণতিগুলির মধ্যে রয়েছে ব্যবহারকারীদের দ্বারা এসএনএস ক্লান্তির অনুভূতি, ব্যবহারকারীর সন্তুষ্টির নিম্ন স্তর এবং এসএনএস ব্যবহার হ্রাস বা এমনকি বন্ধ করার উচ্চ উদ্দেশ্য। এসএসটি এবং এসএনএস গ্রহণযোগ্যতা গবেষণার জন্য ফলস্বরূপ তাত্ত্বিক প্রভাবগুলি নিয়ে আলোচনা করা হয় এবং সংস্থাগুলি, এসএনএস সরবরাহকারী এবং এসএনএস ব্যবহারকারীদের জন্য ব্যবহারিক প্রভাবগুলি আঁকা হয়। ইউরোপীয় জার্নাল অফ ইনফরমেশন সিস্টেমস অগ্রিম অনলাইন প্রকাশনা, ৪ মার্চ ২০১৪; doi:10.1057/ejis.2014.3; সংশোধন করা হয়েছে অনলাইন ১১ মার্চ ২০১৪ |
ffcb7146dce1aebf47a910b51a873cfec897d602 | স্ক্যান এবং সেগমেন্ট স্ক্যান বিভিন্ন অ্যাপ্লিকেশনের জন্য গুরুত্বপূর্ণ ডেটা-সমান্তরাল প্রাইমাইটিভ। আমরা গ্রাফিক্স প্রসেসিং ইউনিট (জিপিইউ) -এর উপর এই প্রাইমাইটিভগুলির জন্য দ্রুত, কার্যকর অ্যালগরিদম উপস্থাপন করছি। আমরা নতুন ডেটা রেপ্রেজেনটেশন ব্যবহার করি যা GPU আর্কিটেকচারের সাথে ভালভাবে ম্যাপ করে। আমাদের অ্যালগরিদমগুলি মেমরির পারফরম্যান্স উন্নত করতে শেয়ার মেমরি ব্যবহার করে। আমরা আমাদের অ্যালগরিদমের পারফরম্যান্স আরও উন্নত করি শেয়ার্ড-মেমরি ব্যাংক দ্বন্দ্ব দূর করে এবং পূর্ববর্তী শেয়ার্ড-মেমরি জিপিইউ অ্যালগরিদমের ওভারহেডগুলি হ্রাস করে। উপরন্তু, আমাদের অ্যালগরিদমগুলি সাধারণ ডেটা সেটগুলিতে ভাল কাজ করার জন্য ডিজাইন করা হয়েছে, যার মধ্যে রয়েছে ইচ্ছাকৃত সেগমেন্ট দৈর্ঘ্যের সাথে সেগমেন্টযুক্ত অ্যারে। আমরা সেগমেন্টের দৈর্ঘ্যের উপর ভিত্তি করে সেগমেন্ট স্ক্যানের পারফরম্যান্স উন্নত করার জন্য অপ্টিমাইজেশানগুলিও উপস্থাপন করি। আমরা আমাদের অ্যালগরিদমগুলি একটি এনভিডিয়া জিফোর্স ৮৮০০ জিপিইউ সহ একটি পিসিতে প্রয়োগ করেছি এবং আমাদের ফলাফলগুলিকে পূর্ববর্তী জিপিইউ-ভিত্তিক অ্যালগরিদমগুলির সাথে তুলনা করেছি। আমাদের ফলাফলগুলো লক্ষ লক্ষ উপাদান নিয়ে ইনপুট সিকোয়েন্সের উপর পূর্ববর্তী অ্যালগরিদমের তুলনায় ১০ গুণ বেশি পারফরম্যান্সের ইঙ্গিত দেয়। |
6a640438a4e50fa31943462eeca716413891a773 | আমরা একটি নতুন র্যাঙ্কিং অ্যালগরিদম উপস্থাপন করছি যা পূর্ববর্তী দুটি পদ্ধতির শক্তিকে একত্রিত করে: বর্ধিত বৃক্ষ শ্রেণীবিভাগ এবং ল্যাম্বডা আর, যা ব্যাপকভাবে ব্যবহৃত তথ্য পুনরুদ্ধারের পরিমাপের জন্য অভিজ্ঞতাগতভাবে সর্বোত্তম হিসাবে প্রমাণিত হয়েছে। এই অ্যালগরিদমটি বুস্ট রেগ্রেশন ট্রি (boosted regression trees) এর উপর ভিত্তি করে তৈরি করা হয়েছে, যদিও এই ধারণাগুলি দুর্বল শিক্ষার্থীদের ক্ষেত্রে প্রযোজ্য এবং এটি তুলনামূলকভাবে দ্রুততর, কারণ এটি ট্রেন এবং টেস্ট উভয় পর্যায়েই উন্নত প্রযুক্তির তুলনায় দ্রুততর। আমরা দেখাবো কিভাবে যেকোন দুই রানকারের জন্য সর্বোত্তম লিনিয়ার সমন্বয় খুঁজে পাওয়া যায়, এবং আমরা এই পদ্ধতিটি ব্যবহার করে লাইন সার্চ সমস্যাটি ঠিক ডু রিং বুস্টিং এর মাধ্যমে সমাধান করব। উপরন্তু, আমরা দেখাতে যে একটি পূর্বে প্রশিক্ষিত মডেল দিয়ে শুরু, এবং তার অবশিষ্টাংশ ব্যবহার boosting, মডেল অভিযোজন জন্য একটি কার্যকর কৌশল প্রদান করে, এবং আমরা একটি বিশেষভাবে চাপ সমস্যা জন্য ফলাফল প্রদান ওয়েব অনুসন্ধান প্রশিক্ষণ র্যাঙ্কিং জন্য বাজারের জন্য যা শুধুমাত্র ছোট পরিমাণে বা লেবেল তথ্য পাওয়া যায়, একটি বৃহত্তর বাজার থেকে অনেক বেশি তথ্য থেকে প্রশিক্ষিত একটি র্যাঙ্কিং দেওয়া. |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | আমরা একটি গভীর নেটওয়ার্ক আর্কিটেকচার চালু করছি যার নাম হচ্ছে DerainNet যা একটি ছবি থেকে বৃষ্টির ধারা সরিয়ে দেয়। গভীর কনভলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর উপর ভিত্তি করে, আমরা সরাসরি তথ্য থেকে বৃষ্টি এবং পরিষ্কার চিত্রের বিশদ স্তরের মধ্যে ম্যাপিং সম্পর্ক শিখতে পারি। যেহেতু আমাদের কাছে বাস্তব জগতে বৃষ্টির ছবির সাথে মিলিত মৌলিক সত্য নেই, তাই আমরা প্রশিক্ষণের জন্য বৃষ্টির সাথে ছবি সংকলন করি। অন্যান্য সাধারণ কৌশলগুলির বিপরীতে যা নেটওয়ার্কের গভীরতা বা প্রস্থ বাড়ায়, আমরা চিত্র প্রক্রিয়াকরণ ডোমেন জ্ঞান ব্যবহার করি উদ্দেশ্য ফাংশনটি সংশোধন করতে এবং একটি বিনয়ী আকারের সিএনএন দিয়ে ডেরাইনিং উন্নত করতে। বিশেষ করে, আমরা আমাদের DerainNet কে ছবির ডোমেইনের পরিবর্তে বিস্তারিত (হাই-পাস) স্তরটিতে প্রশিক্ষণ দিই। যদিও ডেরেইননেটকে সিন্থেটিক ডেটাতে প্রশিক্ষণ দেওয়া হয়েছে, আমরা দেখতে পাচ্ছি যে শেখানো নেটওয়ার্ক পরীক্ষার জন্য বাস্তব বিশ্বের ছবিতে খুব কার্যকরভাবে অনুবাদ করে। তাছাড়া, আমরা সিএনএন ফ্রেমওয়ার্কের সাথে ছবির উন্নতি করে ভিজ্যুয়াল ফলাফল উন্নত করেছি। অত্যাধুনিক একক চিত্রের বৃষ্টিপাত অপসারণ পদ্ধতির তুলনায়, আমাদের পদ্ধতিতে বৃষ্টিপাত অপসারণের উন্নতি হয়েছে এবং নেটওয়ার্ক প্রশিক্ষণের পরে গণনা সময় অনেক দ্রুত হয়েছে। |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | লার্নিং অ্যানালিটিক্স প্রযুক্তি-বিকাশিত শিক্ষার একটি গুরুত্বপূর্ণ ক্ষেত্র যা গত দশকে উদ্ভূত হয়েছে। এই ক্ষেত্রের এই পর্যালোচনাটি প্রযুক্তিগত, শিক্ষাগত এবং রাজনৈতিক কারণগুলির একটি পরীক্ষা দিয়ে শুরু হয় যা শিক্ষাগত সেটিংসে বিশ্লেষণের বিকাশকে চালিত করেছে। এই বইয়ে শেখার বিশ্লেষণের উত্থান, বিংশ শতাব্দীতে এর উৎপত্তি, তথ্য-চালিত বিশ্লেষণের বিকাশ, শেখার উপর দৃষ্টিভঙ্গির উত্থান এবং জাতীয় অর্থনৈতিক উদ্বেগের প্রভাবের কথা বলা হয়েছে। এর পর এটি লার্নিং অ্যানালিটিক্স, এডুকেশনাল ডেটা মাইনিং এবং একাডেমিক অ্যানালিটিক্সের মধ্যে সম্পর্কের উপর দৃষ্টি নিবদ্ধ করে। অবশেষে, এটি লার্নিং অ্যানালিটিক্স গবেষণার উন্নয়নশীল ক্ষেত্রগুলি পরীক্ষা করে এবং ভবিষ্যতের চ্যালেঞ্জগুলির একটি সিরিজ চিহ্নিত করে। |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | তবে, জায়গার অভাবে এই বিভাগটি ব্যাপকভাবে হ্রাস পেয়েছে। এছাড়াও, সময়, ভূ-স্থান, ব্যক্তি, ঘটনা এবং নেটওয়ার্ক অপারেশনগুলিতে মনোনিবেশ করা ইউটিলিটি অ্যান্টোলজিগুলি সংক্ষেপে বর্ণনা করা হয়েছে। এই ইউটিলিটি অ্যান্টোলজিগুলিকে বিশেষায়িত সুপার-ডোমেন বা এমনকি মধ্য-স্তরের অ্যান্টোলজি হিসাবে দেখা যেতে পারে, যেহেতু তারা অনেকগুলিকে স্প্যান করে, যদি বেশিরভাগ না হয় তবে অ্যান্টোলজিগুলি - যে কোনও সাইবার অ্যান্টোলজি সহ। ট্রেড স্টাডিতে ব্যবহৃত অনটোলজিক্যাল আর্কিটেকচারের একটি সামগ্রিক দৃশ্যও দেওয়া হয়েছে। বাণিজ্য অধ্যয়নের প্রতিবেদনটি বাণিজ্যের ধারাবাহিক বিবর্তনের কিছু প্রস্তাবিত পরবর্তী পদক্ষেপের সাথে সমাপ্ত হয়। এই কাগজটি একটি বাণিজ্যিক গবেষণার প্রতিবেদন যা আমরা একটি প্রাথমিক ম্যালওয়্যার অ্যান্টোলজি থেকে সাইবার অ্যান্টোলজি বিকাশের জন্য পরিচালিত করেছি। সাইবার অ্যান্টোলজি প্রচেষ্টার লক্ষ্যগুলি প্রথমে বর্ণনা করা হয়েছে, তারপরে ব্যবহৃত অ্যান্টোলজি বিকাশ পদ্ধতির একটি আলোচনা অনুসরণ করা হয়েছে। এই গবেষণাপত্রের মূল অংশটি নিম্নরূপ, যা সম্ভাব্য অনটোলজি এবং মানগুলির একটি বিবরণ যা সাইবার অনটোলজিকে প্রাথমিকভাবে সীমাবদ্ধ ম্যালওয়্যার ফোকাস থেকে প্রসারিত করতে ব্যবহার করা যেতে পারে। এই সম্পদগুলির মধ্যে রয়েছে, বিশেষত, সাইবার এবং ম্যালওয়্যার স্ট্যান্ডার্ড, স্কিম এবং পরিভাষা যা সরাসরি প্রাথমিক ম্যালওয়্যার অ্যান্টোলজি প্রচেষ্টায় অবদান রেখেছিল। অন্যান্য সম্পদ হলো উচ্চতর (কখনও কখনও প্রাথমিক বলা হয়) অনটোলজি। যে কোন সাইবার অ্যান্টোলজি যে মূল ধারণাগুলি প্রসারিত করবে তা ইতিমধ্যে এই মৌলিক অ্যান্টোলজিগুলিতে চিহ্নিত এবং কঠোরভাবে সংজ্ঞায়িত করা হয়েছে। |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | ট্র্যাকিং-বাই-ডিটেকশন (ডিটিসি) প্রমাণিত হয়েছে যে, সীমাবদ্ধ নয় এমন পরিস্থিতিতে একাধিক টার্গেট ট্র্যাক করার ক্ষেত্রে এটি সবচেয়ে সফল কৌশল [যেমন, [৪০, ৫৩, ৫৫] ঐতিহ্যগতভাবে, প্রাক-প্রক্রিয়াকরণ ধাপে উত্পন্ন একটি বিচ্ছিন্ন সনাক্তকরণের একটি সেট একটি উচ্চ-স্তরের ট্র্যাকারের ইনপুট হিসাবে কাজ করে যার লক্ষ্য সময়ের সাথে সাথে এই ডটগুলি সঠিকভাবে সংযুক্ত করা। এই পদ্ধতির একটি সুস্পষ্ট ত্রুটি হল যে চিত্রের ক্রমগুলিতে উপলব্ধ বেশিরভাগ তথ্য কেবলমাত্র দুর্বল সনাক্তকরণ প্রতিক্রিয়াগুলিকে থ্রেশহোল্ডিং করে এবং অ-সর্বোচ্চ দমন প্রয়োগ করে উপেক্ষা করা হয়। আমরা একটি মাল্টি টার্গেট ট্র্যাকার প্রস্তাব করছি যা নিম্ন স্তরের চিত্রের তথ্য ব্যবহার করে এবং প্রতিটি (সুপার) পিক্সেলকে একটি নির্দিষ্ট লক্ষ্যের সাথে যুক্ত করে বা এটিকে ব্যাকগ্রাউন্ড হিসাবে শ্রেণিবদ্ধ করে। ফলস্বরূপ, আমরা সীমাবদ্ধ, বাস্তব বিশ্বের ভিডিওগুলিতে ক্লাসিকাল বাউন্ডিং-বক্স উপস্থাপনার পাশাপাশি একটি ভিডিও বিভাগন পাই। আমাদের পদ্ধতি অনেক স্ট্যান্ডার্ড বেঞ্চমার্ক সিকোয়েন্সের উপর উৎসাহজনক ফলাফল দেখায় এবং দীর্ঘমেয়াদী আংশিক আচ্ছাদন সহ ভিড়ের দৃশ্যগুলিতে অত্যাধুনিক ট্র্যাকিং-বাই-ডিটেকশন পদ্ধতিগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়। |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | কয়েক দশক ধরে, পরিসংখ্যানবিদরা পুনরাবৃত্ত প্রত্যাশা-সর্বোচ্চীকরণ (ইএম) কৌশলগুলির মাধ্যমে একটি জেনারেটিভ মডেলের পরামিতিগুলি অনুমান করে শ্রেণিবদ্ধকরণকারীদের প্রশিক্ষণের জন্য লেবেলযুক্ত এবং লেবেলযুক্ত ডেটাগুলির একটি সংমিশ্রণ ব্যবহারের পক্ষে পরামর্শ দিয়েছেন। এই অধ্যায়টি এই পদ্ধতির কার্যকারিতা পরীক্ষা করে যখন এটি পাঠ্য শ্রেণীর আইফিকেশন ডোমেনের ক্ষেত্রে প্রয়োগ করা হয়। এখানে টেক্সট ডকুমেন্টগুলোকে ব্যাগ অব ওয়ার্ড মডেলের মাধ্যমে উপস্থাপন করা হয়েছে, যা বহুপদীয় শব্দগুলির মিশ্রণের উপর ভিত্তি করে একটি জেনারেটিভ শ্রেণীবিভাগের মডেলের দিকে পরিচালিত করে। এই মডেলটি লিখিত পাঠ্যের জটিলতার একটি অত্যন্ত সরল উপস্থাপনা। এই অধ্যায়টি ব্যাখ্যা করে এবং উপস্থাপন করে তিনটি মূল পয়েন্ট আধা-নিরীক্ষিত শিক্ষার জন্য পাঠ্য শ্রেণীবিভাগের জন্য জেনারেটিভ মডেলগুলির সাথে। প্রথমত, সরলীকৃত উপস্থাপনা সত্ত্বেও, কিছু পাঠ্য মেইন জেনারেটিভ মডেল সম্ভাব্যতা এবং শ্রেণীবিভাগের নির্ভুলতার মধ্যে একটি উচ্চ ইতিবাচক সম্পর্ক রয়েছে। এই ক্ষেত্রগুলিতে, সহজ বেজ টেক্সট মডেলের সাথে ইএম এর একটি সহজ প্রয়োগ ভাল কাজ করে। দ্বিতীয়ত, কিছু টেক্সট ডোমেইন এই সম্পর্ক নেই। এখানে আমরা একটি আরো এক্সপ্রেশনাল এবং উপযুক্ত প্রজন্মের মডেল যে একটি ইতিবাচক correlation আছে নির্বাচন করতে পারেন. এই ক্ষেত্রে, আধা-নিরীক্ষিত শিক্ষণ আবার শ্রেণীবিভাগের দক্ষতা উন্নত করে। শেষ পর্যন্ত, EM স্থানীয় সর্বোচ্চের সমস্যায় ভুগছে, বিশেষ করে উচ্চ মাত্রার নেটওয়ার্ক যেমন পাঠ্য শ্রেণীবিভাগ। আমরা দেখিয়েছি যে ইএম এর একটি বৈকল্পিক, নির্ধারিত অ্যানিলিং, স্থানীয় সর্বোচ্চের সমস্যাটি কাটিয়ে উঠতে এবং যখন জেনারেটিভ মডেলটি উপযুক্ত হয় তখন শ্রেণিবদ্ধকরণের নির্ভুলতা আরও বাড়িয়ে তুলতে সহায়তা করতে পারে। |
696ad1c38b588dae3295668a0fa34021c4481030 | আমরা মাল্টি-লেবেল, ব্যাপকভাবে মাল্টি-ক্লাস ইমেজ শ্রেণীবিভাগ মডেল প্রশিক্ষণের জন্য একটি পদ্ধতি উপস্থাপন করি, যা সিগময়েড ক্রস-এন্ট্রপি ক্ষতি (লজিস্টিক রিগ্রেশন) এর মাধ্যমে তত্ত্বাবধানে দ্রুত এবং আরও সঠিক। আমাদের পদ্ধতিতে উচ্চ মাত্রিক বিচ্ছিন্ন লেবেলগুলিকে ইউনিট-নরমযুক্ত ভেক্টরগুলির নিম্ন মাত্রিক ঘন গোলকটিতে এম্বেড করা এবং শ্রেণিবদ্ধকরণ সমস্যাটিকে এই গোলকের উপর কোসাইন প্রক্সিমিটি রিগ্রেশন সমস্যা হিসাবে বিবেচনা করা হয়। আমরা আমাদের পদ্ধতিটি পরীক্ষা করেছি ৩০০ মিলিয়ন উচ্চ-রেজোলিউশনের ছবির একটি ডেটাসেটে ১৭,০০০ লেবেলের সাথে, যেখানে এটি উল্লেখযোগ্যভাবে দ্রুততর সংযোজন দেয়, পাশাপাশি লজিস্টিক রিগ্রেশনের তুলনায় গড় গড় নির্ভুলতা ৭% বেশি। |
ad5974c04b316f4f379191e4dbea836fd766f47c | এই গবেষণাপত্রটি মেশিন অনুবাদে বৃহত আকারের পরিসংখ্যানিক ভাষা মডেলিংয়ের সুবিধার প্রতিবেদন করে। একটি বিতরণ করা পরিকাঠামো প্রস্তাবিত যা আমরা ব্যবহার করি ২ ট্রিলিয়ন টোকেন পর্যন্ত প্রশিক্ষণের জন্য, যার ফলে ভাষা মডেলগুলিতে 300 বিলিয়ন এন-গ্রাম পর্যন্ত থাকে। এটি দ্রুত, একক-পাস ডিকোডিংয়ের জন্য মসৃণ সম্ভাবনা প্রদান করতে সক্ষম। আমরা একটি নতুন মসৃণকরণ পদ্ধতি চালু করেছি, যার নাম দেওয়া হয়েছে বোকা ব্যাকঅফ, যা বড় ডেটা সেট নিয়ে প্রশিক্ষণ দেওয়া সস্তা এবং প্রশিক্ষণ ডেটার পরিমাণ বাড়ার সাথে সাথে এটি কনেসার-নেই মসৃণকরণের মানের কাছাকাছি চলে আসে। |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | এই প্রকল্পে, আমরা সুপরিচিত স্ট্যানফোর্ড প্রশ্ন উত্তর ডেটাসেট (SQuAD) -এ প্রশ্ন উত্তর দেওয়ার কাজের জন্য একটি এন্ড-টু-এন্ড নিউরাল নেটওয়ার্ক আর্কিটেকচার তৈরি করতে আগ্রহী। আমাদের বাস্তবায়ন একটি সাম্প্রতিক উচ্চ-পারফরম্যান্স অর্জনের পদ্ধতি থেকে অনুপ্রাণিত হয় যা কোঅ্যাটেনশন এনকোডারকে ডায়নামিক পয়েন্টিং ডিকোডার দিয়ে ডায়নামিক কোঅ্যাটেনশন নেটওয়ার্ক নামে পরিচিত। আমরা বিভিন্ন সমন্বয় এবং ডিকোডিং কৌশল পরীক্ষা করেছি যা আমরা বিশ্বাস করি যে এই ধরনের সিস্টেমের কর্মক্ষমতা উন্নত করতে পারে। |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | আমাদের সমাজের নেটওয়ার্কযুক্ত কম্পিউটারের উপর নির্ভরতা ভয়ঙ্কর হয়ে উঠেছে: অর্থনীতিতে, সম্পূর্ণ ডিজিটাল নেটওয়ার্কগুলি সুবিধার্থীদের থেকে ড্রাইভারগুলিতে পরিণত হয়েছে; সাইবার-ফিজিক্যাল সিস্টেমগুলি বয়সের সাথে সাথে, কম্পিউটার নেটওয়ার্কগুলি এখন আমাদের শারীরিক বিশ্বের কেন্দ্রীয় স্নায়ুতন্ত্র হয়ে উঠছে - এমনকি বিদ্যুৎ নেটওয়ার্কের মতো অত্যন্ত গুরুত্বপূর্ণ অবকাঠামোগুলিরও। একই সময়ে, ২৪ ঘন্টা, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৭ দিন, ৮ দিন, ৭ দিন, ৮ দিন, ৮ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন, ৯ দিন। অনুপ্রবেশ সনাক্তকরণ ব্যবস্থা (আইডিএস) সংশ্লিষ্ট প্রতিরক্ষা ব্যবস্থাগুলির একটি মূল উপাদান; তারা ব্যাপকভাবে অধ্যয়ন করা হয়েছে এবং অতীতে ব্যবহৃত হয়েছে। যেহেতু প্রচলিত আইডিএসগুলি বড় কোম্পানির নেটওয়ার্ক এবং এর বাইরেও স্কেলযোগ্য নয়, বা ব্যাপকভাবে সমান্তরাল আক্রমণে, সহযোগী আইডিএস (সিআইডিএস) উদ্ভূত হয়েছে। এই ব্যবস্থাগুলোতে বেশ কয়েকটি পর্যবেক্ষণ উপাদান রয়েছে যা তথ্য সংগ্রহ ও বিনিময় করে। নির্দিষ্ট সিআইডিএস আর্কিটেকচারের উপর নির্ভর করে, কেন্দ্রীয় বা বিতরণ বিশ্লেষণ উপাদানগুলি আক্রমণগুলি সনাক্ত করতে সংগৃহীত ডেটা খনি করে। এই সতর্কতা একাধিক মনিটরের মধ্যে সংশ্লিষ্ট হয় যাতে মনিটর করা নেটওয়ার্কের একটি সামগ্রিক দৃশ্য তৈরি করা যায়। এই নিবন্ধটি প্রথমে সিআইডিএস-এর জন্য প্রাসঙ্গিক প্রয়োজনীয়তা নির্ধারণ করে; এটি তারপর একটি সিআইডিএস নকশা স্থান প্রবর্তন এবং প্রয়োজনীয়তা সম্পর্কিত এটি আলোচনা করার জন্য একটি ভিত্তি হিসাবে স্বতন্ত্র বিল্ডিং ব্লক পার্থক্য। এই নকশা স্থান উপর ভিত্তি করে, আক্রমণ যে CIDSs এড়াতে এবং CIDSs নিজেদের প্রাপ্যতা আক্রমণ আলোচনা করা হয়। প্রয়োজনীয়তা, বিল্ডিং ব্লক এবং আক্রমণের পুরো কাঠামোটি সহযোগিতামূলক অনুপ্রবেশ সনাক্তকরণের শিল্পের অবস্থা সম্পর্কে একটি বিস্তৃত বিশ্লেষণের জন্য ব্যবহৃত হয়, যার মধ্যে একটি বিশদ জরিপ এবং নির্দিষ্ট সিআইডিএস পদ্ধতির তুলনা অন্তর্ভুক্ত রয়েছে। |
720158a53b79667e39c2caf2f7ebb2670b848693 | শরীরের সেন্সর নেটওয়ার্ক (বিএসএন) এর মতো গুরুত্বপূর্ণ, জীবন রক্ষাকারী পরিকাঠামোর জন্য একজন ব্যক্তির গোপনীয়তা রক্ষা করা অত্যন্ত গুরুত্বপূর্ণ। এই কাগজটি একটি নতুন কী চুক্তি স্কিম উপস্থাপন করে যা একটি বিএসএন-তে দুটি সেন্সরকে ইলেক্ট্রোকার্ডিওগ্রাম (ইকেজি) সংকেত ব্যবহার করে উত্পন্ন একটি সাধারণ কীতে সম্মত হতে দেয়। এই ইকেজি-ভিত্তিক কী চুক্তি (ইকেএ) স্কিমের লক্ষ্য হল "প্লাগ-এন-প্লে" প্যারাডিগমটি বিএসএন সুরক্ষায় আনা, যার মাধ্যমে কেবলমাত্র বিষয়টির উপর সেন্সর স্থাপন করা নিরাপদ যোগাযোগ সক্ষম করতে পারে, যেমন প্রাক-প্রয়োগের মতো কোনও ধরণের প্রাথমিককরণের প্রয়োজন হয় না। প্রকৃত ইকেজি তথ্যের উপর ভিত্তি করে এই স্কিমের বিশ্লেষণ (এমআইটি ফিজিওব্যাঙ্ক ডাটাবেস থেকে প্রাপ্ত) দেখায় যে ইকেএর ফলে কীগুলি হ লঃ এলোমেলো, সময় বৈকল্পিক, স্বল্প-দৈর্ঘ্যের ইকেজি পরিমাপের ভিত্তিতে উত্পন্ন হতে পারে, একটি নির্দিষ্ট বিষয়ের জন্য একই এবং পৃথক ব্যক্তিদের জন্য আলাদা। |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | অনেক বছর ধরে, আইটি শিল্প বিদ্যমান সফটওয়্যার সম্পদ থেকে নতুন অ্যাপ্লিকেশন একত্রিত করে সফটওয়্যার উন্নয়ন প্রক্রিয়া ত্বরান্বিত করার চেষ্টা করেছে। যাইহোক, 1960 এর দশকে ডগলাস ম্যাকলরয়ের পরিকল্পিত ফর্মের সত্যিকারের উপাদান-ভিত্তিক পুনরায় ব্যবহার এখনও নিয়মের চেয়ে ব্যতিক্রম এবং আজকাল অনুশীলন করা বেশিরভাগ পদ্ধতিগত সফ্টওয়্যার পুনরায় ব্যবহারের ক্ষেত্রে পণ্য-লাইন ইঞ্জিনিয়ারিং বা ডোমেন-নির্দিষ্ট কাঠামোর মতো ভারী ওজন পদ্ধতি ব্যবহার করা হয়। কম্পোনেন্ট বলতে আমরা বুঝাতে চাইছি সফটওয়্যার ফাংশনালিটির যে কোন সমন্বিত এবং কম্প্যাক্ট ইউনিট যার একটি সুনির্দিষ্ট ইন্টারফেস রয়েছে - সহজ প্রোগ্রামিং ভাষা ক্লাস থেকে শুরু করে আরও জটিল আর্টিফ্যাক্ট যেমন ওয়েব সার্ভিস এবং এন্টারপ্রাইজ জাভাবিয়ানস। |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | একটি ব্রডব্যান্ড এবং সহজ টরাস নোড একক মোনোপোল অ্যান্টেনা এই চিঠিতে উপস্থাপিত হয়েছে। এন্টেনটি তৈরি করা হয়েছে অ্যাডিটিভ ম্যানুফ্যাকচারিং প্রযুক্তি ব্যবহার করে, যা সাধারণত থ্রিডি প্রিন্টিং নামে পরিচিত। অ্যান্টেনাটি যান্ত্রিকভাবে সহজেই তৈরি করা যায় এবং এর স্থিতিশীল বিকিরণ প্যাটার্ন রয়েছে এবং ইনপুট প্রতিফলন সহগ -১০ ডিবি এর নিচে ১-২ গিগাহার্টজ ফ্রিকোয়েন্সি পরিসরে। এছাড়াও অ্যান্টেনার পরিমাপিত এবং সিমুলেটেড পারফরম্যান্সের একটি তুলনা উপস্থাপন করা হয়েছে। |
206b204618640917f278e72bd0e2a881d8cec7ad | প্যাটার্ন স্বীকৃতির জন্য বেয়েসিয়ান পদ্ধতি ব্যবহারের প্রধান বাধাগুলির মধ্যে একটি হল এর কম্পিউটেশনাল ব্যয়। এই থিসিস একটি আনুমানিক কৌশল উপস্থাপন করে যা আগে সম্ভব ছিল তার চেয়ে দ্রুত এবং আরও সঠিকভাবে বেজিয়ান অনুমান করতে পারে। এই পদ্ধতি, "প্রত্যাশা প্রসার", দুটি পূর্ববর্তী কৌশলকে একত্রিত ও সাধারণ করেঃ অনুমিত ঘনত্ব ফিল্টারিং, কালম্যান ফিল্টারের একটি এক্সটেনশন, এবং লুপি বিশ্বাস প্রসার, বেয়েসিয়ান নেটওয়ার্কগুলিতে বিশ্বাসের প্রসারের একটি এক্সটেনশন। ঐক্যবদ্ধতা দেখায় যে এই উভয় অ্যালগরিদমকে কীভাবে আরও সহজ বন্টনের সাথে সত্যিকারের পশ্চাৎবর্তী বন্টনকে ঘনিষ্ঠ হিসাবে দেখা যায়, যা কেএল-বিভক্তির অর্থে ঘনিষ্ঠ। প্রত্যাশা প্রসারণ উভয় অ্যালগরিদমের সেরাটি কাজে লাগায়ঃ অনুমিত-ঘনত্বের ফিল্টারিংয়ের সাধারণতা এবং লুপি বিশ্বাসের প্রসারণের নির্ভুলতা। লুপি বিশ্বাস প্রসার, কারণ এটি সঠিক বিশ্বাসের অবস্থা প্রসারিত করে, সীমাবদ্ধ ধরণের বিশ্বাস নেটওয়ার্কগুলির জন্য দরকারী, যেমন খাঁটিভাবে বিচ্ছিন্ন নেটওয়ার্ক। প্রত্যাশা প্রসারণ বিশ্বাসের অবস্থাকে প্রত্যাশার সাথে ঘনিষ্ঠ করে, যেমন অর্থ এবং বৈচিত্র্য, এটিকে আরও বিস্তৃত সুযোগ দেয়। প্রত্যাশা প্রসারণ বিপরীত দিকের বিশ্বাসের প্রসারণকে প্রসারিত করে- সমৃদ্ধ বিশ্বাসের রাজ্যগুলিকে প্রসারিত করে যা ভেরিয়েবলগুলির মধ্যে সম্পর্ককে অন্তর্ভুক্ত করে। এই কাঠামোটি বিভিন্ন পরিসংখ্যানগত মডেলের মাধ্যমে প্রদর্শিত হয় যা সিন্থেটিক এবং বাস্তব-বিশ্বের তথ্য ব্যবহার করে। গাউসিয়ান মিশ্রণ সমস্যার ক্ষেত্রে, একই পরিমাণ গণনার জন্য, প্রতিদ্বন্দ্বী আনুমানিক কৌশলগুলির চেয়ে প্রত্যাশা প্রসারণ দৃঢ়ভাবে ভাল বলে মনে করা হয়ঃ মন্টে কার্লো, ল্যাপ্লাসের পদ্ধতি এবং বৈকল্পিক বেজ। প্যাটার্ন স্বীকৃতির জন্য, এক্সপেক্টেশন প্রপাগেশন বেস পয়েন্ট মেশিন শ্রেণিবদ্ধকরণকারীদের প্রশিক্ষণের জন্য একটি অ্যালগরিদম সরবরাহ করে যা পূর্বে পরিচিত যেকোনটির চেয়ে দ্রুত এবং আরও নির্ভুল। ফলাফলের শ্রেণীবিভাগকারীগুলি তুলনামূলক প্রশিক্ষণ সময় ছাড়াও বেশ কয়েকটি স্ট্যান্ডার্ড ডেটাসেটে সাপোর্ট ভেক্টর মেশিনগুলিকে ছাড়িয়ে যায়। বেয়েসিয়ান মডেল নির্বাচনের মাধ্যমে শ্রেণীবিভাগের জন্য উপযুক্ত বৈশিষ্ট্য সেট নির্বাচন করতেও প্রত্যাশা প্রসার ব্যবহার করা যেতে পারে। থিসিস সুপারভাইজার: রোজালিন্ড পিকার্ড পদবিঃ মিডিয়া আর্টস অ্যান্ড সায়েন্সেস এর সহযোগী অধ্যাপক |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | এই নিবন্ধটি কর্পোরেট বন্ড মূল্য নির্ধারণের পাঁচটি কাঠামোগত মডেলকে পরীক্ষামূলকভাবে পরীক্ষা করেঃ মার্টন (1974), গ্যাস্কে (1977), লংস্ট্যাফ এবং শোয়ার্জ (1995), লিল্যান্ড এবং টোফ্ট (1996), এবং কলিন-ডুফ্রেসন এবং গোল্ডস্টেইন (2001) । আমরা ১৯৮৬-১৯৯৭ সালের মধ্যে সহজ মূলধন কাঠামোযুক্ত কোম্পানিগুলোর ১৮২টি বন্ডের দামের একটি নমুনা ব্যবহার করে মডেলগুলো বাস্তবায়ন করেছি। প্রচলিত জ্ঞান হচ্ছে যে কাঠামোগত মডেলগুলি বন্ড বাজারে দেখা যায় এমন উচ্চতর স্প্রেড তৈরি করে না এবং প্রত্যাশার সাথে সত্য, আমরা দেখতে পাই যে মার্টন মডেলের আমাদের বাস্তবায়নে পূর্বাভাসিত স্প্রেডগুলি খুব কম। কিন্তু অন্যান্য কাঠামোগত মডেলগুলোতে, স্প্রেডের পূর্বাভাস দেওয়া হয়েছে, যা গড় হিসেবে অনেক বেশি। তবে, সঠিকতা একটি সমস্যা, যেহেতু নতুন মডেলগুলি উচ্চ লিভারেজ বা অস্থিরতার সাথে সংস্থাগুলির ক্রেডিট ঝুঁকিকে মারাত্মকভাবে বাড়িয়ে তোলে এবং তবুও নিরাপদ বন্ডগুলির সাথে স্প্রেডের অধীনে ভবিষ্যদ্বাণী করার সমস্যা থেকে ভোগে। লেল্যান্ড এবং টফ্ট মডেল একটি ব্যতিক্রম যে এটি বেশিরভাগ বন্ডের উপর স্প্রেডের পূর্বাভাস দেয়, বিশেষ করে উচ্চ কুপনযুক্ত। আরো সঠিক কাঠামোগত মডেলগুলি এমন বৈশিষ্ট্যগুলি এড়াতে হবে যা ঝুঁকিপূর্ণ বন্ডের উপর ক্রেডিট ঝুঁকি বাড়ায় যখন নিরাপদ বন্ডের স্প্রেডগুলিকে খুব কমই প্রভাবিত করে। |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | এই সমীক্ষাটি কম্পিউটেশনাল এজেন্টদের মধ্যে মানসিক ক্ষমতার স্বায়ত্তশাসিত বিকাশের একটি ওভারভিউ উপস্থাপন করে। এটি জ্ঞানীয় সিস্টেমগুলির একটি বৈশিষ্ট্যগতকরণের উপর ভিত্তি করে এমন সিস্টেমগুলিকে দেখায় যা অভিযোজিত, প্রত্যাশিত এবং উদ্দেশ্যমূলক লক্ষ্য-নির্দেশিত আচরণ প্রদর্শন করে। আমরা জ্ঞানীয় (শারীরিক প্রতীক ব্যবস্থা) পদ্ধতির, উদ্ভুত সিস্টেম পদ্ধতির, সংযোগবাদী, গতিশীল এবং সক্রিয় সিস্টেমগুলিকে অন্তর্ভুক্ত করে এবং হাইব্রিড সিস্টেমে উভয়কে একত্রিত করার প্রচেষ্টাকে সম্বোধন করে জ্ঞানীয়তার বিভিন্ন প্যারাডাইমগুলির একটি বিস্তৃত সমীক্ষা উপস্থাপন করি। এরপর আমরা এই প্যারাডিগম থেকে তৈরি বিভিন্ন জ্ঞানীয় আর্কিটেকচার পর্যালোচনা করি। এই ক্ষেত্রগুলির প্রত্যেকটিতে আমরা একটি উন্নয়নমূলক পদ্ধতি গ্রহণের প্রভাব এবং সংশ্লিষ্ট সমস্যাগুলিকে তুলে ধরছি, উভয়ই ফাইলোজেনেটিক এবং অ্যান্টোজেনেটিক দৃষ্টিকোণ থেকে। আমরা মূল স্থাপত্য বৈশিষ্ট্যগুলির একটি সংক্ষিপ্তসার দিয়ে শেষ করি যে মানসিক ক্ষমতার স্বয়ংক্রিয় বিকাশের জন্য সক্ষম সিস্টেমগুলি প্রদর্শন করা উচিত |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | সম্প্রতি বিভিন্ন এলএসটিএম-ভিত্তিক শর্তসাপেক্ষ ভাষা মডেল (এলএম) বিভিন্ন ভাষা প্রজন্মের কাজ জুড়ে প্রয়োগ করা হয়েছে। এই কাজের মধ্যে আমরা বিভিন্ন মডেল আর্কিটেকচার এবং বিভিন্ন উপায়ে অধ্যয়ন করি যা উৎস তথ্যকে প্রতিনিধিত্ব করে এবং একান্তে নিউরাল ডায়ালগ সিস্টেমের কাঠামোর মধ্যে একত্রিত করে। স্ন্যাপশট লার্নিং নামে একটি পদ্ধতিও প্রস্তাবিত হয়েছে যাতে কন্ডিশনিং ভেক্টরে একটি সঙ্গী ক্রস-এন্ট্রপি অবজেক্ট ফাংশন প্রয়োগ করে তদারকিযুক্ত ক্রমাগত সংকেত থেকে শেখার সুবিধার্থে। পরীক্ষামূলক এবং বিশ্লেষণাত্মক ফলাফল প্রথমত দেখায় যে কন্ডিশনিং ভেক্টর এবং এলএম এর মধ্যে প্রতিযোগিতা ঘটে এবং বিভিন্ন আর্কিটেকচারগুলি উভয়ের মধ্যে বিভিন্ন বাণিজ্য সরবরাহ করে। দ্বিতীয়ত, কন্ডিশনার ভেক্টরের বৈষম্যমূলক ক্ষমতা এবং স্বচ্ছতা মডেলের ব্যাখ্যাযোগ্যতা এবং উন্নত পারফরম্যান্স উভয়ই প্রদানের মূল বিষয়। তৃতীয়ত, স্ন্যাপশট লার্নিং কোন আর্কিটেকচার ব্যবহার করা হয় তার উপর নির্ভর না করেই ক্রমাগত পারফরম্যান্সের উন্নতি করে। |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | একটি 2x1 ডুয়াল-পোলারাইজড এল-সোন্ড স্ট্যাকড প্যাচ অ্যান্টেনা অ্যারে উপস্থাপিত হয়। এটি দুটি ইনপুট পোর্টের মধ্যে উচ্চ বিচ্ছিন্নতা অর্জনের জন্য একটি নতুন কৌশল ব্যবহার করেছে। প্রস্তাবিত অ্যান্টেনার ১৪ ডিবি রিটার্ন লস ব্যান্ডউইথ ১৯.৮% যা উভয় পোর্টের জন্য ০.৮০৮ থেকে ০.৯৮৬ গিগাহার্জ পর্যন্ত। এছাড়াও, এটিতে 30 ডিবি এর বেশি ইনপুট পোর্ট বিচ্ছিন্নতা এবং এই ব্যান্ডউইথের উপর গড় লাভ 10.5 ডিবিআই। উপরন্তু, দুটি প্রধান সমতল তার বিকিরণ প্যাটার্ন ক্রস-পোলারেশন স্তর কম -15 dB এর মধ্যে আছে 3dB beamwidths জুড়ে passband. এই বৈশিষ্ট্যগুলির কারণে, এই অ্যান্টেনা অ্যারেটি বহিরঙ্গন বেস স্টেশনের জন্য অত্যন্ত উপযুক্ত যা সিডিএমএ 800 এবং জিএসএম 900 মোবাইল যোগাযোগ সিস্টেম উভয়ের অপারেটিং ব্যান্ডউইথগুলি কভার করতে হবে। |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | সুপারিশকারী সিস্টেমগুলি ব্যক্তিগতকৃত প্রিয় পরিষেবা প্রদানের জন্য প্রতিশ্রুতিবদ্ধ। সহযোগী ফিল্টারিং (সিএফ) প্রযুক্তি, ব্যবহারকারীদের পূর্ববর্তী আচরণের উপর ভিত্তি করে ব্যবহারকারীদের পছন্দগুলির পূর্বাভাস দেয়, আধুনিক সুপারিশকারী সিস্টেমগুলি তৈরির জন্য সবচেয়ে সফল কৌশলগুলির মধ্যে একটি হয়ে উঠেছে। পূর্বে প্রস্তাবিত সিএফ পদ্ধতিতে বেশ কয়েকটি চ্যালেঞ্জিং সমস্যা দেখা দেয়ঃ (1) বেশিরভাগ সিএফ পদ্ধতি ব্যবহারকারীদের প্রতিক্রিয়া নিদর্শনগুলি উপেক্ষা করে এবং পক্ষপাতমূলক প্যারামিটার অনুমান এবং অনুপম পারফরম্যান্স দিতে পারে; (2) কিছু সিএফ পদ্ধতি হিউরিস্টিক ওজন সেটিংস গ্রহণ করে, যার একটি পদ্ধতিগত বাস্তবায়ন নেই; এবং (3) মাল্টিমিনাল মিশ্রণ মডেলগুলি ডেটা ম্যাট্রিক্স তৈরির জন্য ম্যাট্রিক্স ফ্যাক্টরাইজেশনের গণনা ক্ষমতাকে দুর্বল করতে পারে, যার ফলে প্রশিক্ষণের গণনা ব্যয় বৃদ্ধি পায়। এই সমস্যাগুলি সমাধানের জন্য, আমরা ব্যবহারকারীদের প্রতিক্রিয়া মডেলগুলিকে সম্ভাব্যতা ম্যাট্রিক্স ফ্যাক্টরাইজেশন (পিএমএফ) -এ অন্তর্ভুক্ত করি, একটি জনপ্রিয় ম্যাট্রিক্স ফ্যাক্টরাইজেশন সিএফ মডেল, প্রতিক্রিয়া সচেতন সম্ভাব্যতা ম্যাট্রিক্স ফ্যাক্টরাইজেশন (আরএপিএমএফ) কাঠামো প্রতিষ্ঠা করতে। আরো নির্দিষ্টভাবে, আমরা ব্যবহারকারীর প্রতিক্রিয়াকে একটি বার্নুলি বন্টন হিসাবে অনুমান করি যা পর্যবেক্ষণকৃত রেটিংগুলির জন্য রেটিং স্কোর দ্বারা পরামিতিযুক্ত হয় যখন পর্যবেক্ষণহীন রেটিংগুলির জন্য একটি ধাপ ফাংশন হিসাবে। উপরন্তু, আমরা একটি মিনি-ব্যাচ বাস্তবায়ন এবং একটি কারুশিল্প সময়সূচী নীতি দ্বারা অ্যালগরিদম গতি বাড়াতে। অবশেষে, আমরা বিভিন্ন পরীক্ষামূলক প্রোটোকল ডিজাইন করি এবং প্রস্তাবিত RAPMF এবং এর মিনি-ব্যাচ বাস্তবায়নের গুণাবলী প্রদর্শন করতে সিন্থেটিক এবং বাস্তব বিশ্বের ডেটাসেট উভয়ই পদ্ধতিগত অভিজ্ঞতার মূল্যায়ন পরিচালনা করি। |
1459d4d16088379c3748322ab0835f50300d9a38 | ক্রস-ডোমেন ভিজ্যুয়াল ডেটা মিলিয়ে দেখা অনেক বাস্তব-বিশ্বের দৃষ্টিশক্তির কাজগুলির মধ্যে একটি মৌলিক সমস্যা, যেমন, আইডি ফটো এবং নজরদারি ভিডিওগুলির মধ্যে ব্যক্তিদের মিলিয়ে দেখা। এই সমস্যার প্রচলিত পদ্ধতিতে সাধারণত দুটি ধাপ থাকে: i) বিভিন্ন ডোমেইন থেকে নমুনাগুলিকে একটি সাধারণ স্থানে প্রজেক্ট করা, এবং ii) একটি নির্দিষ্ট দূরত্বের উপর ভিত্তি করে এই স্থানে (dis-) অনুরূপতা গণনা করা। এই গবেষণাপত্রে আমরা একটি নতুন জোড়া সাদৃশ্য পরিমাপ উপস্থাপন করছি যা i) প্রচলিত রৈখিক অভিক্ষেপকে অ্যাফিন ট্রান্সফর্মেশনে প্রসারিত করে এবং ii) ডেটা-চালিত সংমিশ্রণের মাধ্যমে অ্যাফিন মাহালানোবিস দূরত্ব এবং কোসাইন সাদৃশ্যকে একত্রিত করে বিদ্যমান মডেলগুলিকে এগিয়ে নিয়ে যায়। উপরন্তু, আমরা আমাদের সাদৃশ্য পরিমাপকে গভীর কনভলুশনাল নিউরাল নেটওয়ার্কের মাধ্যমে বৈশিষ্ট্য প্রতিনিধিত্ব শেখার সাথে একত্রিত করি। বিশেষ করে, আমরা গভীর স্থাপত্যের মধ্যে সাদৃশ্য পরিমাপ ম্যাট্রিক্স অন্তর্ভুক্ত করি, মডেল অপ্টিমাইজেশনের একটি শেষ থেকে শেষ উপায় সক্ষম করে। আমরা বিভিন্ন চ্যালেঞ্জিং ক্রস-ডোমেন ম্যাচিং টাস্কগুলিতে আমাদের সাধারণীকৃত সাদৃশ্য মডেলকে ব্যাপকভাবে মূল্যায়ন করিঃ বিভিন্ন দৃষ্টিকোণ থেকে ব্যক্তির পুনরায় সনাক্তকরণ এবং বিভিন্ন মোডালাইজেশনের উপর মুখ যাচাইকরণ (যেমন, স্থির চিত্র এবং ভিডিও থেকে মুখ, বয়স্ক এবং তরুণ মুখ, এবং স্কেচ এবং ফটো প্রতিকৃতি) । পরীক্ষামূলক ফলাফলগুলি আমাদের মডেলের অন্যান্য অত্যাধুনিক পদ্ধতির চেয়ে উচ্চতর পারফরম্যান্স প্রদর্শন করে। |
03a00248b7d5e2d89f5337e62c39fad277c66102 | সমস্যাগুলি বহুপদী-সময় সমাধানযোগ্য সমস্যার শ্রেণিটি বোঝার জন্য, আমাদের প্রথমে একটি "সমস্যা" কী তা সম্পর্কে একটি আনুষ্ঠানিক ধারণা থাকতে হবে। আমরা একটি বিমূর্ত সমস্যা Q কে একটি সমস্যা ইন্সট্যান্সের একটি সেট এবং সমস্যা সমাধানের একটি সেট S এর একটি বাইনারি সম্পর্ক হিসাবে সংজ্ঞায়িত করি। উদাহরণস্বরূপ, SHORTEST-PATH এর একটি উদাহরণ হল একটি গ্রাফ এবং দুটি শীর্ষের একটি ট্রিপল কনসাইটিং। একটি সমাধান হল g raph এর শীর্ষগুলির একটি ক্রম, সম্ভবত খালি ক্রমটি নির্দেশ করে যে কোন পথ নেই। SHORTEST-PATH সমস্যাটি নিজেই সম্পর্ক যা একটি গ্রাফের প্রতিটি উদাহরণ এবং দুটি শীর্ষকে গ্রাফের সবচেয়ে সংক্ষিপ্ত পথের সাথে যুক্ত করে যা দুটি শীর্ষকে সংযুক্ত করে। সংক্ষিপ্ততম পথগুলি অগত্যা অনন্য নয়, একটি নির্দিষ্ট সমস্যার ক্ষেত্রে একাধিক সমাধান থাকতে পারে। একটি বিমূর্ত সমস্যার এই সূত্রটি আমাদের উদ্দেশ্যগুলির জন্য প্রয়োজনীয় তুলনায় আরো সাধারণ। যেমন আমরা উপরে দেখেছি, NP-সম্পূর্ণতা তত্ত্ব সিদ্ধান্তের সমস্যার দিকে মনোযোগ আকর্ষণ করে: যাদের একটি হ্যাঁ/না সমাধান রয়েছে। এই ক্ষেত্রে, আমরা একটি বিমূর্ত সিদ্ধান্ত সমস্যাকে এমন একটি ফাংশন হিসেবে দেখতে পারি যা ইনস্ট্যান্স সেট I কে সমাধান সেট {0, 1} এর সাথে ম্যাপ করে। উদাহরণস্বরূপ, SHORTEST-PATH i এর সাথে সম্পর্কিত একটি সিদ্ধান্ত সমস্যা হল PATH সমস্যা যা আমরা আগে দেখেছি। যদি i = G,u,v,k সিদ্ধান্ত সমস্যা PATH এর একটি উদাহরণ হয়, তাহলে PATH ((i)) = 1 (হ্যাঁ) যদি u থেকে v পর্যন্ত সবচেয়ে সংক্ষিপ্ত পথের সর্বাধিক k প্রান্ত থাকে, এবং PATH (i ) = 0 (না) অন্যথায়। অনেক বিমূর্ত সমস্যা সিদ্ধান্তের সমস্যা নয়, বরং অপ্টিমাইজেশান সমস্যা, যেখানে কিছু মানকে সর্বনিম্ন বা সর্বাধিক করা উচিত। কিন্তু আমরা উপরে যেমন দেখেছি, সাধারণত অপ্টিমাইজেশান সমস্যাকে এমন একটি সিদ্ধান্তের সমস্যা হিসেবে পুনরায় গঠন করা সহজ ব্যাপার যা কঠিন নয়। 1টিউরিং-মেশিন মডেলের একটি পুঙ্খানুপুঙ্খ চিকিত্সার জন্য হপক্রফট এবং উলম্যান [156] বা লুইস এবং পাপাডিমিট্রিও [20 4] দেখুন। ৩৪.১ বহুপদ সময় |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | এই গবেষণাপত্রের প্রথম অংশে একটি বিতরণকৃত সিস্টেম স্থাপত্যের উপর ভিত্তি করে স্বয়ংক্রিয় গাড়ি বিকাশের জন্য একটি উন্নয়ন প্রক্রিয়া এবং একটি সিস্টেম প্ল্যাটফর্মের প্রস্তাব দেওয়া হয়েছে। প্রস্তাবিত উন্নয়ন পদ্ধতির ফলে একটি স্বয়ংক্রিয় গাড়ি ডিজাইন ও বিকাশ সম্ভব হয়েছে যার ফলে কম্পিউটারের জটিলতা, ত্রুটি-সহনশীল বৈশিষ্ট্য এবং সিস্টেমের মডুলারতার মতো সুবিধা রয়েছে। এই গবেষণাপত্রে (দ্বিতীয় অংশ) একটি স্বয়ংক্রিয় ড্রাইভিং সিস্টেমের বাস্তবায়ন প্রক্রিয়া দেখিয়ে প্রস্তাবিত উন্নয়ন পদ্ধতির একটি কেস স্টাডিকে সম্বোধন করা হয়েছে। বাস্তবায়ন প্রক্রিয়াটি স্বজ্ঞাতভাবে বর্ণনা করার জন্য, মূল স্বায়ত্তশাসিত ড্রাইভিং অ্যালগরিদম (স্থানীয়করণ, উপলব্ধি, পরিকল্পনা, যানবাহন নিয়ন্ত্রণ এবং সিস্টেম পরিচালনা) সংক্ষিপ্তভাবে প্রবর্তিত হয় এবং একটি স্বায়ত্তশাসিত ড্রাইভিং সিস্টেমের বাস্তবায়নের জন্য প্রয়োগ করা হয়। আমরা একটি স্বশাসিত সিস্টেম বাস্তবায়ন একটি কেস স্টাডি পরিচালনা করে একটি বিতরণ সিস্টেম স্থাপত্য এবং প্রস্তাবিত উন্নয়ন প্রক্রিয়া সুবিধার পরীক্ষা করতে সক্ষম হয়। প্রস্তাবিত পদ্ধতির বৈধতা প্রমাণিত হয়েছে স্বয়ংক্রিয় গাড়ি A1 এর মাধ্যমে যা 2012 সালে কোরিয়ায় স্বয়ংক্রিয় যানবাহন প্রতিযোগিতায় বিজয়ী হয়েছিল এবং সমস্ত মিশন সম্পন্ন হয়েছিল। |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | যদিও সমস্ত বিদ্যমান বায়ু-ভরা সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এএফএসআইডাব্লু) টপোলজিগুলি একটি সাবস্ট্রেট-স্বাধীন বৈদ্যুতিক কর্মক্ষমতা দেয়, তবে তারা বায়ু-ভরা অঞ্চলগুলি তৈরি করতে ডেডিকেটেড, ব্যয়বহুল, স্তরিত উপর নির্ভর করে যা বৈদ্যুতিন চৌম্বকীয় ক্ষেত্রগুলি ধারণ করে। এই গবেষণাপত্রটি একটি নতুন সাবস্ট্রেট-নির্ভর এএফএসআইডাব্লু উত্পাদন প্রযুক্তির প্রস্তাব দেয়, যা সাধারণ উদ্দেশ্যযুক্ত বাণিজ্যিকভাবে উপলব্ধ পৃষ্ঠের উপকরণগুলির একটি বিস্তৃত পরিসরে উচ্চ-পারফরম্যান্স মাইক্রোওয়েভ উপাদানগুলির সহজেই সংহতকরণ সক্ষম করে। প্রথমত, এএফএসআইডব্লিউ ওয়েভগাইডের কার্যকর অনুমতি এবং ক্ষতির ট্যাঙ্গেনটের জন্য একটি বিশ্লেষণাত্মক সূত্র প্রাপ্ত হয়। এটি ডিজাইনারকে উচ্চ-ফ্রিকোয়েন্সি ল্যামিনেটে সাধারণত দেখা যায় এমন স্তরে সাবস্ট্রেট ক্ষতি হ্রাস করতে দেয়। তারপর, মাইক্রোওয়েভের বিভিন্ন উপাদান ডিজাইন ও তৈরি করা হয়। একাধিক এএফএসআইডব্লিউ ওয়েভগাইড এবং একটি চার-পথের পাওয়ার ডিভাইডার / কম্বিনার, উভয়ই একটি নতুন সমাক্ষ-থেকে-বায়ু-পূর্ণ এসআইডব্লিউ ট্রানজিশনের উপর নির্ভর করে, প্রমাণ করে যে এই অভিনব পদ্ধতিটি মাইক্রোওয়েভ উপাদানগুলিকে প্রতিদিনের পৃষ্ঠগুলিতে সরাসরি সংহত করার জন্য উপযুক্ত করে তোলে, কম সন্নিবেশ ক্ষতির সাথে এবং পুরো [5.15-5.85] গিগাহার্জ ব্যান্ডে দুর্দান্ত মিল এবং বিচ্ছিন্নতা। এই উদ্ভাবনী পদ্ধতির মাধ্যমে নতুন প্রজন্মের সুলভ, উচ্চ কার্যকারিতা সম্পন্ন এবং অদৃশ্যভাবে সংহত স্মার্ট সারফেস সিস্টেম তৈরির পথ প্রশস্ত করা হয়েছে। |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | মোবাইল লাইভ স্ট্রিমিং এখন তার তৃতীয় ঢেউয়ের মধ্যে রয়েছে। প্রাথমিক পদ্ধতি যেমন Bambuser এবং Qik থেকে শুরু করে আরো জনপ্রিয় অ্যাপস Meerkat এবং Periscope, আজকের ফেসবুক এবং ইনস্টাগ্রামের সমন্বিত সামাজিক স্ট্রিমিং বৈশিষ্ট্য, প্রযুক্তি এবং ব্যবহার উভয়ই নাটকীয়ভাবে পরিবর্তিত হয়েছে। লাইভ স্ট্রিমিংয়ের এই সর্বশেষ পর্যায়ে, ক্যামেরাগুলি চারপাশের দিকে ফোকাস করার পরিবর্তে স্ট্রিমারকে ফোকাস করার জন্য ভিতরে ঘুরছে। কিশোর-কিশোরীরা বন্ধুদের বিনোদন দিতে, নতুন মানুষদের সাথে পরিচিত হতে এবং একই আগ্রহের বিষয় নিয়ে অন্যদের সাথে যোগাযোগ করতে এই প্ল্যাটফর্মগুলিকে ক্রমবর্ধমানভাবে ব্যবহার করছে। আমরা এই নতুন প্ল্যাটফর্মগুলোতে কিশোর-কিশোরীদের লাইভ স্ট্রিমিং আচরণ এবং প্রেরণা নিয়ে গবেষণা করেছি, ২,২৪৭ জন আমেরিকান লাইভ স্ট্রিমারের সমীক্ষা এবং ২০ জন কিশোর-কিশোরীর সাক্ষাৎকারের মাধ্যমে, পরিবর্তিত অভ্যাস, কিশোর-কিশোরীদের সাধারণ জনগোষ্ঠীর থেকে পার্থক্য এবং নতুন লাইভ স্ট্রিমিং পরিষেবাদির নকশার প্রভাব তুলে ধরেছি। |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | অসম্ভবতা তত্ত্ব থেকে বোঝা যায় যে, সমন্বিত বরাদ্দকরণের সমস্যার একমাত্র কার্যকর ও কৌশলগত পদ্ধতি - যেমন, শিক্ষার্থীদের জন্য কোর্সের সময়সূচী নির্ধারণ - হ ল একনায়কতন্ত্র। একনায়কতন্ত্রকে সাধারণত অন্যায় বলেই প্রত্যাখ্যান করা হয়: যে কোন দুই এজেন্টের ক্ষেত্রে, একজন তাদের সকল বস্তু বেছে নেয় অন্যজন কোনটি বেছে নেওয়ার আগে। যে কোন সমাধানের জন্য দক্ষতা, প্রণোদনা এবং ন্যায়সঙ্গত বিবেচনার মধ্যে একটি আপস জড়িত থাকবে। এই কাগজটি সংমিশ্রণীয় বরাদ্দকরণ সমস্যার একটি সমাধান প্রস্তাব করে। এটি চারটি ধাপে বিকশিত হয়। প্রথমত, আমি ফলাফলের ন্যায্যতার দুটি নতুন মানদণ্ডের প্রস্তাব দিচ্ছি, সর্বোচ্চ শেয়ার গ্যারান্টি এবং একক পণ্য দ্বারা আবদ্ধ ঈর্ষা, যা অবিভাজ্যতাকে সামঞ্জস্য করার জন্য সুপরিচিত মানদণ্ডকে দুর্বল করে; মানদণ্ডগুলি আনুষ্ঠানিকভাবে ব্যাখ্যা করে যে কেন স্বৈরশাসন অন্যায়। দ্বিতীয়ত, আমি প্রমাণ করি যে সমান আয় থেকে প্রতিযোগিতামূলক সমতুল্যের একটি সমীকরণ বিদ্যমান যেখানে (i) আয়গুলি অসম কিন্তু নির্বিচারে একে অপরের কাছাকাছি; (ii) বাজার ত্রুটি সহ পরিষ্কার হয়, যা সীমাবদ্ধতার শূন্যের কাছাকাছি এবং বাস্তবসম্মত সমস্যার জন্য ছোট। তৃতীয়ত, আমি দেখিয়েছি যে এই আনুমানিক CEEI ন্যায্যতা মানদণ্ড পূরণ করে। শেষ পর্যন্ত, আমি আনুমানিক CEEI এর উপর ভিত্তি করে একটি প্রক্রিয়া সংজ্ঞায়িত করি যা জিরো-মেজ এজেন্টদের জন্য কৌশলগতভাবে প্রমাণিত হয় যা অর্থনীতিবিদরা ঐতিহ্যগতভাবে মূল্য গ্রহণকারী হিসাবে বিবেচনা করে। প্রস্তাবিত প্রক্রিয়াটি বাস্তব তথ্যের উপর ভিত্তি করে ক্যালিব্রেট করা হয় এবং তত্ত্ব এবং অনুশীলনের বিকল্পগুলির সাথে তুলনা করা হয়ঃ অন্যান্য সমস্ত পরিচিত প্রক্রিয়াগুলি শূন্য-পদক্ষেপ এজেন্ট দ্বারা বা অন্যায় এক্স-পোস্ট দ্বারা পরিচালিত হয় এবং বেশিরভাগই উভয়ই পরিচালনাযোগ্য এবং অন্যায়। |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | তিন-পর্যায়, চার-সুইচ, এক-পর্যায়, বিচ্ছিন্ন শূন্য-ভোল্টেজ-সুইচিং (ZVS) র্যাক্টিফায়ারের নকশা বিবেচনা এবং কার্যকারিতা মূল্যায়ন উপস্থাপন করা হয়। এই সার্কিটটি তিন-পর্যায়ের, দ্বি-সুইচ, ZVS, বিচ্ছিন্ন-বর্তমান-মোড (ডিসিএম), বুস্ট পাওয়ার-ফ্যাক্টর-করেকশন (পিএফসি) র্যাক্টিফায়ার, সংক্ষিপ্তভাবে TAIPEI র্যাক্টিফায়ার নামে পরিচিত, ZVS পূর্ণ-ব্রিজ (এফবি) ফেজ-শিফট ডিসি / ডিসি কনভার্টার সহ। এই প্রোটোটাইপটি পুরো ইনপুট ভোল্টেজ এবং লোড-বর্তমানের পরিসরে ZVS দিয়ে কাজ করে এবং 95% পরিসরের দক্ষতার সাথে 5% এরও কম ইনপুট-বর্তমান THD অর্জন করে। |
5417bd72d1b787ade0c485f1188189474c199f4d | আমরা একটি নতুন প্রশিক্ষণ পদ্ধতির প্রস্তাব দিচ্ছি, যা একটি অভিযোজিত হিঞ্জার ক্ষতির উদ্দেশ্য ফাংশন ব্যবহার করে স্থায়িত্ব এবং কর্মক্ষমতা উন্নত করতে পারে। আমরা লক্ষ্য বন্টনের প্রত্যাশিত শক্তির সাথে উপযুক্ত বেঞ্চ ক্ষতির মার্জিনের অনুমান করি এবং মার্জিন আপডেট করার জন্য একটি নীতিগত মানদণ্ড এবং আনুমানিক ঘনিষ্ঠতা পরিমাপ উভয়ই বের করি। এর ফলে প্রশিক্ষণ পদ্ধতিটি সহজ হলেও বিভিন্ন ডেটাসেটের উপর নির্ভরশীল। আমরা প্রস্তাবিত প্রশিক্ষণ পদ্ধতির মূল্যায়ন করি, যা অ-নিরীক্ষিত চিত্র তৈরির কাজকে মানগত এবং পরিমাণগত উভয় কার্যকারিতা উন্নতিতে উল্লেখ করে। |
007ee2559d4a2a8c661f4f5182899f03736682a7 | কন্ট্রোলার-এরিয়া নেটওয়ার্ক (সিএএন) বাস প্রোটোকল [1] একটি বাস প্রোটোকল যা ১৯৮৬ সালে রবার্ট বোশ জিএমবিএইচ দ্বারা উদ্ভাবিত হয়েছিল, মূলত অটোমোবাইল ব্যবহারের জন্য। এখন পর্যন্ত, বাসটি গাড়ি এবং ট্রাক থেকে শুরু করে, বিদ্যুতের সেটআপ থেকে শুরু করে শিল্পের তাঁতশালায় পাওয়া যায়। এর প্রকৃতির কারণে, এটি একটি সিস্টেম যা নিরাপত্তার উপর খুব বেশি মনোযোগ দেয়, অর্থাৎ, নির্ভরযোগ্যতা। দুর্ভাগ্যবশত, নিরাপত্তা জোরদার করার জন্য কোন অন্তর্নির্মিত উপায় নেই, যেমন এনক্রিপশন বা প্রমাণীকরণ। এই গবেষণাপত্রে আমরা ক্যান বাসে একটি ব্যাকওয়ার্ড কম্প্যাটিবল মেসেজ অথেন্টিকেশন প্রোটোকল বাস্তবায়নের সাথে সম্পর্কিত সমস্যাগুলি তদন্ত করি। আমরা দেখাবো যে এই ধরনের প্রোটোকল কোন সীমাবদ্ধতা পূরণ করতে হবে এবং কেন এটি আমাদের জ্ঞানের সর্বোত্তম হিসাবে, সমস্ত প্রকাশিত প্রমাণীকরণ প্রোটোকলকে বাদ দেয়। উপরন্তু, আমরা একটি বার্তা প্রমাণীকরণ প্রোটোকল, CANAuth, যা সব প্রয়োজনীয়তা পূরণ করে এবং CAN বাসের কোন সীমাবদ্ধতা লঙ্ঘন করে না। মূলশব্দ-সিএএন বাস, এমবেডেড নেটওয়ার্ক, ব্রডকাস্ট প্রমাণীকরণ, সিম্যাট্রিক ক্রিপ্টোগ্রাফি |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | এক্সএফআই একটি বিস্তৃত সুরক্ষা ব্যবস্থা যা নমনীয় অ্যাক্সেস নিয়ন্ত্রণ এবং মৌলিক অখণ্ডতা গ্যারান্টি উভয়ই সরবরাহ করে, যে কোনও প্রভিলেজ স্তরে এবং এমনকি পণ্য সিস্টেমে লিগেসি কোডের জন্য। এই উদ্দেশ্যে, এক্সএফআই ইনলাইন সফটওয়্যার গার্ড এবং একটি দুই-স্ট্যাক এক্সিকিউশন মডেলের সাথে স্ট্যাটিক বিশ্লেষণের সমন্বয় করে। আমরা x86 আর্কিটেকচারে উইন্ডোজের জন্য এক্সএফআই বাস্তবায়ন করেছি বাইনারি পুনর্লিখন এবং একটি সহজ, স্বতন্ত্র যাচাইকারী ব্যবহার করে; বাস্তবায়নের সঠিকতা যাচাইকারীর উপর নির্ভর করে, তবে পুনর্লিখনের উপর নয়। আমরা এক্সএফআইকে ডিভাইস ড্রাইভার এবং মাল্টিমিডিয়া কোডেকের মতো সফটওয়্যারে প্রয়োগ করেছি। ফলে তৈরি মডিউলগুলি কার্নেল এবং ইউজার-মোড উভয় ঠিকানা স্পেসের মধ্যে নিরাপদে কাজ করে, শুধুমাত্র বিনয়ী প্রয়োগের ওভারহেড সহ। |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | সংকেত প্রক্রিয়াকরণ এবং পরিসংখ্যানের মতো অ্যাপ্লিকেশনে, অনেক সমস্যার মধ্যে রয়েছে অল্প-নির্ধারিত রৈখিক সমীকরণগুলির সমাধান খুঁজে পাওয়া। এই সমস্যাগুলিকে একটি কাঠামোগত নন-স্মথ অপ্টিমাইজেশন সমস্যা হিসাবে সূচিত করা যেতে পারে, অর্থাৎ, `1-নিয়মিত রৈখিক সর্বনিম্ন বর্গক্ষেত্র সমস্যাগুলিকে ন্যূনতম করার সমস্যা। এই গবেষণাপত্রে, আমরা ∀1-নিয়মিত কনভেক্স মিনিমাইজেশন সমস্যা সমাধানের জন্য একটি ব্লক সমন্বয় গ্রেডিয়েন্ট বংশোদ্ভূত পদ্ধতি (সিজিডি হিসাবে সংক্ষিপ্ত) প্রস্তাব করি, অর্থাৎ, ∀1-নিয়মিত কনভেক্স মসৃণ ফাংশনকে ন্যূনতম করার সমস্যা। আমরা আমাদের পদ্ধতির জন্য একটি Q- রৈখিক ঘনিষ্ঠতা হার স্থাপন করি যখন সমন্বয় ব্লকটি যথেষ্ট বংশোদ্ভূততা নিশ্চিত করার জন্য একটি গাউস-সাউথওয়েল-টাইপ নিয়ম দ্বারা নির্বাচিত হয়। আমরা সিজিডি পদ্ধতির কার্যকর বাস্তবায়ন প্রস্তাব করি এবং ডেটা শ্রেণিবিন্যাসে বৈশিষ্ট্য নির্বাচনের জন্য বড় আকারের ∀1-নিয়ন্ত্রিত লিনিয়ার সর্বনিম্ন স্কোয়ার সমস্যা সমাধানের পাশাপাশি সংকুচিত সেন্সিং এবং চিত্র ডিকনভোলিউশনের পাশাপাশি বড় আকারের ∀1-নিয়ন্ত্রিত লজিস্টিক রিগ্রেশন সমস্যা সমাধানের জন্য সংখ্যাসূচক ফলাফলের প্রতিবেদন করি। বিভিন্ন অত্যাধুনিক অ্যালগরিদমের সাথে তুলনা করা হয়েছে, যা বিশেষভাবে বড় আকারের ∀1-নিয়মিত লিনিয়ার সর্বনিম্ন স্কোয়ার বা লজিস্টিক রিগ্রেশন সমস্যার সমাধানের জন্য ডিজাইন করা হয়েছে, এটি সুপারিশ করে যে একটি দক্ষতার সাথে বাস্তবায়িত সিজিডি পদ্ধতি এই অ্যালগরিদমগুলিকে ছাড়িয়ে যেতে পারে, যদিও সিজিডি পদ্ধতিটি কেবলমাত্র এই বিশেষ শ্রেণীর সমস্যার সমাধানের জন্য বিশেষভাবে ডিজাইন করা হয়নি। |
8ad03b36ab3cba911699fe1699332c6353f227bc | ইউনেস্কোর মতে, শিক্ষা একটি মৌলিক মানবাধিকার এবং প্রতিটি দেশের নাগরিকদের সমান মানের সাথে সর্বজনীন অ্যাক্সেস দেওয়া উচিত। যেহেতু এই লক্ষ্য এখনো অধিকাংশ দেশে, বিশেষ করে উন্নয়নশীল এবং নিম্নোন্নত দেশগুলোতে অর্জন করা সম্ভব হয়নি, তাই শিক্ষার উন্নতির জন্য আরও কার্যকর উপায় খুঁজে বের করা অত্যন্ত গুরুত্বপূর্ণ। এই গবেষণাপত্রটি কম্পিউটেশনাল ইন্টেলিজেন্স (ডেটা মাইনিং এবং ডেটা সায়েন্স) এর উপর ভিত্তি করে একটি মডেল উপস্থাপন করেছে যা শিক্ষার্থীদের জ্ঞান প্রোফাইলের বিকাশের দিকে পরিচালিত করে এবং যা তাদের শিক্ষার্থীদের সর্বোত্তম দিকনির্দেশের জন্য তাদের সিদ্ধান্ত গ্রহণে শিক্ষকদের সহায়তা করতে পারে। এই মডেলটি প্রতিটি শিক্ষার্থীর জন্য একত্রিত হওয়া পৃথক কৌশলগত পরিকল্পনার মধ্যে লক্ষ্য অর্জনের পর্যবেক্ষণের জন্য মূল পারফরম্যান্স সূচকগুলি প্রতিষ্ঠার চেষ্টা করে। মডেলটি শ্রেণীবিভাগ এবং পূর্বাভাসের জন্য র্যান্ডম ফরেস্ট, ডেটা স্ট্রাকচার ভিজ্যুয়ালাইজেশনের জন্য গ্রাফের বর্ণনা এবং সুপারিশ সিস্টেম ব্যবহার করে স্টেকহোল্ডারদের কাছে প্রাসঙ্গিক তথ্য উপস্থাপন করে। উপস্থাপিত ফলাফলগুলি একটি ব্রাজিলিয়ান বেসরকারী কে -৯ (প্রাথমিক বিদ্যালয়) থেকে প্রাপ্ত বাস্তব ডেটাসেটের উপর ভিত্তি করে তৈরি করা হয়েছিল। এই গবেষণায় মূল তথ্যের মধ্যে সম্পর্ক, শিক্ষার্থীদের পারফরম্যান্সের পূর্বাভাসের জন্য একটি মডেল এবং সংশ্লিষ্টদের জন্য সুপারিশগুলি অন্তর্ভুক্ত করা হয়েছে। |
500923d2513d30299350a6a0e9b84b077250dc78 | তথ্য পুনরুদ্ধার এবং তথ্য একীকরণে শব্দার্থিক সাদৃশ্যের পরিমাপ গুরুত্বপূর্ণ ভূমিকা পালন করে। আধ্যাত্মিক সাদৃশ্য মডেলিংয়ের ঐতিহ্যগত পদ্ধতিগুলি একটি একক অনটোলজির মধ্যে সংজ্ঞাগুলির মধ্যে আধ্যাত্মিক দূরত্ব গণনা করে। এই একক অনটোলজি হয় একটি ডোমেন-স্বাধীন অনটোলজি বা বিদ্যমান অনটোলজিগুলির সংহতকরণের ফলাফল। আমরা একটি পদ্ধতির উপস্থাপন করছি যা একটি একক অনটলজির প্রয়োজনীয়তাকে প্রশমিত করে এবং বিভিন্ন অনটলজি স্পেসিফিকেশনের স্পষ্টতা এবং আনুষ্ঠানিককরণের স্তরের পার্থক্যের জন্য অ্যাকাউন্ট করে। একটি সাদৃশ্য ফাংশন একটি সমার্থক সেট, শব্দার্থিক আশেপাশের এবং বৈশিষ্ট্যগুলিকে শ্রেণিবদ্ধ করে এমন বৈশিষ্ট্যগুলিকে শ্রেণিবদ্ধ করে এমন একটি মিলিত প্রক্রিয়া ব্যবহার করে অনুরূপ সত্তা শ্রেণীর নির্ধারণ করে। বিভিন্ন অনটোলজি সহ পরীক্ষামূলক ফলাফলগুলি ইঙ্গিত দেয় যে মডেলটি ভাল ফলাফল দেয় যখন অনটোলজিগুলিতে সত্তা শ্রেণীর সম্পূর্ণ এবং বিস্তারিত উপস্থাপনা থাকে। শব্দ মিলন এবং শব্দার্থিক প্রতিবেশী মিলনের সমন্বয় সমতুল্য সত্তা শ্রেণী সনাক্ত করার জন্য পর্যাপ্ত হলেও, বৈশিষ্ট্য মিলন আমাদের অনুরূপ, কিন্তু অগত্যা সমতুল্য নয়, সত্তা শ্রেণীর মধ্যে বৈষম্য করতে দেয়। |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | স্ট্যাকড জেনারালাইজেশন হল উচ্চ-স্তরের মডেল ব্যবহার করে নিম্ন-স্তরের মডেলগুলিকে একত্রিত করার একটি সাধারণ পদ্ধতি যা আরও বেশি পূর্বাভাস সঠিকতা অর্জন করে। এই গবেষণাপত্রে আমরা দুটি গুরুত্বপূর্ণ বিষয় নিয়ে আলোচনা করব যা ১৯৯২ সালে ওলপার্ট দ্বারা স্ট্যাকড জেনারেলাইজেশন প্রবর্তনের পর থেকে শ্রেণিবদ্ধকরণ কার্যক্রমে একটি কালো শিল্প হিসাবে বিবেচিত হয়েছেঃ উচ্চ স্তরের মডেলটি প্রাপ্ত করার জন্য উপযুক্ত সাধারণকরণের ধরণ এবং এর ইনপুট হিসাবে কী ধরণের বৈশিষ্ট্য ব্যবহার করা উচিত। আমরা দেখেছি যে সর্বোত্তম ফলাফল তখনই পাওয়া যায় যখন উচ্চ স্তরের মডেল নিম্ন স্তরের মডেলগুলির ঘনত্বকে (এবং কেবল ভবিষ্যদ্বাণী নয়) একত্রিত করে। আমরা শ্রেণীবিভাগের কাজগুলোতে তিনটি ভিন্ন ধরনের লার্নিং অ্যালগরিদমের সমন্বয় সাধনের জন্য স্ট্যাকড জেনারেলাইজেশনের কার্যকারিতা প্রদর্শন করছি। আমরা সংখ্যাগরিষ্ঠ ভোটের সাথে স্ট্যাকড জেনারালাইজেশনের পারফরম্যান্স এবং আর্চিং এবং ব্যাগিংয়ের প্রকাশিত ফলাফলের সাথে তুলনা করি। |
017ee86aa9be09284a2e07c9200192ab3bea9671 | শর্তসাপেক্ষ জিএএনগুলি প্রাকৃতিক চিত্র সংশ্লেষণের অগ্রভাগে রয়েছে। এই ধরনের মডেলের প্রধান ত্রুটি হল লেবেলযুক্ত তথ্যের প্রয়োজনীয়তা। এই কাজের মধ্যে আমরা দুটি জনপ্রিয় অনিয়ন্ত্রিত শিক্ষণ কৌশল, প্রতিদ্বন্দ্বিতামূলক প্রশিক্ষণ এবং স্ব-নিরীক্ষণের সুবিধা গ্রহণ করি, যাতে শর্তসাপেক্ষ এবং শর্তহীন GAN এর মধ্যে ব্যবধানটি বন্ধ করা যায়। বিশেষ করে, আমরা নেটওয়ার্কগুলোকে প্রতিনিধিত্বমূলক শিক্ষার কাজে সহযোগিতা করার অনুমতি দিই, যখন আমরা ক্লাসিক GAN গেমের সাথে বিরোধিতা করি। স্বনিয়ন্ত্রিত তত্ত্বাবধানে ভূমিকা হল বৈষম্যকারীকে অর্থপূর্ণ বৈশিষ্ট্য উপস্থাপনা শিখতে উৎসাহিত করা যা প্রশিক্ষণের সময় ভুলে যায় না। আমরা পরীক্ষামূলকভাবে উভয়ই শিখেছি চিত্র উপস্থাপনার গুণমান, এবং সংশ্লেষিত চিত্রের গুণমান। একই শর্তে, স্ব-নিরীক্ষিত GAN অত্যাধুনিক শর্তসাপেক্ষ প্রতিপক্ষের অনুরূপ পারফরম্যান্স অর্জন করে। অবশেষে, আমরা দেখিয়েছি যে সম্পূর্ণভাবে নিরীক্ষণহীন শিক্ষার এই পদ্ধতিটি 33 এর একটি FID অর্জন করতে পারে অনশর্তিত IMAGENET প্রজন্মের উপর। |
5c695f1810951ad1bbdf7da5f736790dca240e5b | সামাজিক যোগাযোগ মাধ্যমে ব্যবহারকারী-উত্পাদিত বিষয়বস্তু বিশ্লেষণ এবং পণ্য এবং ইভেন্টের প্রতি ব্যবহারকারীর মতামত সঠিকভাবে নির্দিষ্ট করা অনেক অ্যাপ্লিকেশনের জন্য বেশ মূল্যবান। ওয়েব ২.০ এর প্রসার এবং ব্যবহারকারী-উত্পাদিত বিষয়বস্তুর দ্রুত বৃদ্ধি, যা সূক্ষ্ম-গ্রানুল তথ্য প্রদান করে, তা বিশ্লেষণের জন্য দৃষ্টিভঙ্গি স্তরের দৃষ্টিভঙ্গিগুলি অত্যন্ত আগ্রহের বিষয়। এই গবেষণায়, দৃষ্টিভঙ্গি ভিত্তিক অনুভূতি বিশ্লেষণের জন্য একটি শ্রেণিবদ্ধকরণ সমষ্টি পদ্ধতির উপস্থাপন করা হয়েছে। এই পদ্ধতিটি সাধারণ এবং একটি বিষয় মডেলিং এবং ব্যবহারকারীদের যে মূল দিকগুলি সম্বোধন করে তা নির্দিষ্ট করার জন্য ল্যাটিন্ট ডায়রিচলেট বরাদ্দ ব্যবহার করে। এরপর প্রতিটি মন্তব্য বিশ্লেষণ করা হয় এবং শব্দ ও দিকের মধ্যে সম্পর্ককে নির্দেশ করে এমন শব্দ নির্ভরতা বের করা হয়। একটি সমষ্টি শ্রেণীবিভাগক যা নেভ বেজ, সর্বাধিক এন্ট্রপি এবং সাপোর্ট ভেক্টর মেশিন দ্বারা প্রণীত হয়, প্রতিটি দিকের প্রতি ব্যবহারকারীর মন্তব্যের ধ্রুবতা স্বীকৃতি দেওয়ার জন্য ডিজাইন করা হয়েছে। মূল্যায়নের ফলাফলগুলি পৃথক শ্রেণিবদ্ধকরণের তুলনায় ভাল উন্নতি দেখায় এবং নির্দেশ করে যে সমষ্টিগত সিস্টেমটি ব্যবহারকারীর উত্পন্ন সামগ্রী বিশ্লেষণে এবং ব্যবহারকারীদের মতামত এবং মনোভাব নির্দিষ্ট করার ক্ষেত্রে স্কেলযোগ্য এবং সঠিক। |
4f1fe957a29a2e422d4034f4510644714d33fb20 | আমরা বিষয় অনুযায়ী নথি শ্রেণীবদ্ধ করার সমস্যা বিবেচনা করি না, বরং সামগ্রিক অনুভূতি দ্বারা, উদাহরণস্বরূপ, একটি পর্যালোচনা ইতিবাচক বা নেতিবাচক কিনা তা নির্ধারণ করা। তথ্য হিসেবে সিনেমা পর্যালোচনা ব্যবহার করে আমরা দেখতে পাই যে, মেশিন লার্নিংয়ের স্ট্যান্ডার্ড কৌশলগুলো মানুষের তৈরি বেসলাইনগুলোকে অতিক্রম করে। যাইহোক, আমরা যে তিনটি মেশিন লার্নিং পদ্ধতি ব্যবহার করেছি (নৈব বেজ, সর্বাধিক এন্ট্রপি শ্রেণিবিন্যাস এবং সমর্থন ভেক্টর মেশিন) ঐতিহ্যবাহী বিষয় ভিত্তিক শ্রেণিবিন্যাসের মতো অনুভূতি শ্রেণিবিন্যাসে ভাল কাজ করে না। আমরা এমন কিছু বিষয়ের উপর আলোকপাত করে এই আলোচনা শেষ করছি যা এই সমস্যার আরও জটিলতা সৃষ্টি করে। প্রকাশনা তথ্যঃ ইএমএনএলপি এর কার্যক্রম, 2002, পৃষ্ঠা ৭৯-৮৬। |
722e2f7894a1b62e0ab09913ce9b98654733d98e | এই প্রকাশনায় পুনঃপ্রতিষ্ঠিত নিবন্ধ রয়েছে যার জন্য আইইইই কপিরাইট রাখে না। এই নিবন্ধগুলির সম্পূর্ণ পাঠ্য IEEE এক্সপ্লোরের জন্য উপলব্ধ নয়। |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | এই গবেষণাপত্রে আমরা চীনের একটি বড় আকারের মুখের ডাটাবেস, CAS-PEAL মুখের ডাটাবেস, এর অধিগ্রহণ এবং বিষয়বস্তু বর্ণনা করছি। CAS-PEAL মুখের ডাটাবেস তৈরির লক্ষ্যগুলির মধ্যে রয়েছেঃ 1) বিশ্বব্যাপী মুখের স্বীকৃতি গবেষকদের বিভিন্ন বৈচিত্র্য, বিশেষত পোজ, এক্সপ্রেশন, আনুষাঙ্গিক এবং আলোকসজ্জার (পিইএএল) এবং একটি অভিন্ন ডাটাবেসে নিখুঁত গ্রাউন্ড-সত্য তথ্যের সাথে সরবরাহ করা; 2) অফ-দ্য-শেল্ফ ইমেজিং সরঞ্জাম ব্যবহার করে এবং ডাটাবেসে স্বাভাবিক মুখের বৈচিত্র্য ডিজাইন করে ব্যবহারিক অ্যাপ্লিকেশনগুলির লক্ষ্যে অত্যাধুনিক মুখের স্বীকৃতি প্রযুক্তিগুলিকে এগিয়ে নেওয়া; এবং 3) মঙ্গোলিয়ান ভাষার একটি বৃহত আকারের মুখের ডাটাবেস সরবরাহ করা। বর্তমানে, CAS-PEAL মুখের ডাটাবেসে ১০৪০ জন ব্যক্তির (৫৯৫ জন পুরুষ এবং ৪৪৫ জন মহিলা) ৯৯,৫৯৪ টি চিত্র রয়েছে। মোট নয়টি ক্যামেরা একটি আর্ক বাহুতে অনুভূমিকভাবে মাউন্ট করা হয় যাতে বিভিন্ন পোজে একই সাথে চিত্রগুলি ক্যাপচার করা যায়। প্রত্যেককে সোজা সামনে, উপরে, নিচে তাকিয়ে তিনবারের মধ্যে ২৭টি ছবি আঁকতে বলা হয়। ৫টি মুখের ভাব, ৬টি আনুষাঙ্গিক এবং ১৫টি আলোর পরিবর্তনও ডাটাবেজে অন্তর্ভুক্ত করা হয়েছে। ডাটাবেসের একটি নির্বাচিত উপসেট (CAS-PEAL-R1, যার মধ্যে ১০৪০ জনের ৩০,৮৬৩টি ছবি রয়েছে) এখন অন্যান্য গবেষকদের জন্য উপলব্ধ। আমরা CAS-PEAL-R1 ডাটাবেসের উপর ভিত্তি করে মূল্যায়ন প্রোটোকল নিয়ে আলোচনা করি এবং নিম্নলিখিত কাজগুলি করার জন্য একটি বেসলাইন হিসাবে চারটি অ্যালগরিদমের কার্যকারিতা উপস্থাপন করিঃ 1) প্রাথমিকভাবে মুখের স্বীকৃতি অ্যালগরিদমের জন্য ডাটাবেসের অসুবিধা মূল্যায়ন করুন; 2) ডাটাবেস ব্যবহার করে গবেষকদের জন্য পছন্দ মূল্যায়নের ফলাফল; এবং 3) সাধারণভাবে ব্যবহৃত অ্যালগরিদমের শক্তি এবং দুর্বলতাগুলি চিহ্নিত করুন। |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | সমষ্টি পদ্ধতি হল এমন একটি শিক্ষণীয় অ্যালগরিদম যা শ্রেণীবিভাগের একটি সেট তৈরি করে এবং তারপরে তাদের ভবিষ্যদ্বাণীগুলির একটি ওজনের ভোট গ্রহণ করে নতুন ডেটা পয়েন্টগুলি শ্রেণীবদ্ধ করে। মূল সমষ্টি পদ্ধতিটি বেজিয়ান গড় তবে আরও সাম্প্রতিক অ্যালগরিদমগুলির মধ্যে ত্রুটি সংশোধন আউটপুট কোডিং ব্যাগিং এবং বর্ধন অন্তর্ভুক্ত রয়েছে এই কাগজটি এই পদ্ধতিগুলি পর্যালোচনা করে এবং ব্যাখ্যা করে যে কেন সমষ্টিগুলি প্রায়শই কোনও একক শ্রেণিবদ্ধের চেয়ে ভাল পারফরম্যান্স করতে পারে। সমষ্টি পদ্ধতিগুলির তুলনা করে কিছু পূর্ববর্তী গবেষণা পর্যালোচনা করা হয় এবং কিছু নতুন পরীক্ষা-নিরীক্ষা উপস্থাপিত হয় যে কারণে অ্যাডাবোস্ট দ্রুত ওভারটেক করে না t |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | আমরা অ-নেগেটিভ ম্যাট্রিক্স ফ্যাক্টরাইজেশন সমস্যাটি অধ্যয়ন করি যা নিম্ন-র্যাঙ্ক ফ্যাক্টরাইজেশন দ্বারা একটি অ-নেগেটিভ ম্যাট্রিক্সকে ঘনিষ্ঠ করে। এই সমস্যাটি মেশিন লার্নিংয়ের ক্ষেত্রে বিশেষভাবে গুরুত্বপূর্ণ এবং এটি অনেকগুলি অ্যাপ্লিকেশনে নিজেকে খুঁজে পায়। দুর্ভাগ্যবশত, মূল সূত্রটি ভুলভাবে লেখা হয়েছে এবং এনফার্ড। এই গবেষণাপত্রে, আমরা পৃথকযোগ্য অনুমানের অধীনে এনএমএফ সমস্যা সমাধানের জন্য রোল এন্ট্রপি মিনিমাইজেশনের উপর ভিত্তি করে একটি সারি বিচ্ছিন্ন মডেলের প্রস্তাব দিই যা বলে যে প্রতিটি ডেটা পয়েন্ট কয়েকটি স্বতন্ত্র ডেটা কলামের একটি উত্তোলিত সমন্বয়। আমরা এন্ট্রপি ফাংশন এবং `∞ নর্মের ঘনত্ব ব্যবহার করি যাতে শক্তিকে সবচেয়ে কম সংখ্যক লুকানো ভেরিয়েবলের উপর কেন্দ্রীভূত করতে পারি। আমরা প্রমাণ করি যে বিচ্ছিন্নতা অনুমানের অধীনে, আমাদের প্রস্তাবিত মডেলটি ডাটাসেট তৈরি করে এমন ডেটা কলামগুলিকে দৃঢ়ভাবে পুনরুদ্ধার করে, এমনকি যখন ডেটা গোলমাল দ্বারা ক্ষতিগ্রস্থ হয়। আমরা প্রস্তাবিত মডেলের দৃঢ়তাকে বৈজ্ঞানিকভাবে যুক্তিযুক্ত বলে প্রমাণ করেছি এবং দেখিয়েছি যে এটি অত্যাধুনিক বিচ্ছিন্নযোগ্য এনএমএফ অ্যালগরিদমের চেয়ে উল্লেখযোগ্যভাবে আরও দৃঢ়। |
f829fa5686895ec831dd157f88949f79976664a7 | শ্রেণীবিন্যাসমূলক বেয়েসিয়ান পদ্ধতিগুলি অভিজ্ঞতার বিপণনে একটি কেন্দ্রীয় ভূমিকা পালন করে কারণ তারা স্বতন্ত্র-স্তরের প্যারামিটার অনুমান দেয় যা সিদ্ধান্তগুলি লক্ষ্যবস্তু করার জন্য ব্যবহার করা যেতে পারে। এমসিএমসি পদ্ধতিগুলি শ্রেণিবদ্ধ বেয়েসিয়ান মডেলগুলি অনুমান করার জন্য পছন্দের পদ্ধতি ছিল কারণ তারা সঠিক পৃথক-স্তরের অনুমান সরবরাহ করতে সক্ষম। তবে, এমসিএমসি পদ্ধতিগুলি গণনাগতভাবে নিষিদ্ধ এবং যখন বিগ ডেটা এর বর্তমান যুগে সাধারণ হয়ে উঠেছে তখন ব্যাপক ডেটা সেটগুলিতে প্রয়োগ করা হয় তখন ভালভাবে স্কেল হয় না। আমরা বিপণন সাহিত্যে একটি নতুন শ্রেণীর বেয়েসিয়ান অনুমান কৌশল প্রবর্তন করি যা ভেরিয়েশনাল বেয়েসিয়ান (ভিবি) অনুমান হিসাবে পরিচিত। এই পদ্ধতিগুলি পিছিয়ে থাকা বন্টনকে আনুমানিকভাবে নির্ধারণের জন্য একটি নির্ধারক অপ্টিমাইজেশন পদ্ধতির মাধ্যমে স্কেলিবিলিটি চ্যালেঞ্জ মোকাবেলা করে এবং সিমুলেশন-ভিত্তিক এমসিএমসি পদ্ধতির সাথে যুক্ত গণনা ব্যয়ের একটি ভগ্নাংশে সঠিক অনুমান দেয়। আমরা বৈচিত্র্যময় বেজিয়ান অনুমানের সাম্প্রতিক উন্নয়নগুলিকে কাজে লাগাই এবং প্রসারিত করি এবং হাইলাইট করি যে কীভাবে দুটি ভিবি অনুমানের পদ্ধতি - সংযুক্ত মডেলগুলির জন্য গড়-ক্ষেত্রের ভিবি (যা গিবস নমুনার সাথে অনুরূপ) এবং ফিক্সড-ফর্ম ভিবি (যা মেট্রোপলিস-হ্যাস্টিংয়ের সাথে অনুরূপ) নন-সংযুক্ত মডেলগুলির জন্য - জটিল বিপণন মডেলগুলির অনুমানের জন্য কার্যকরভাবে একত্রিত হতে পারে। আমরা দেখাবো কিভাবে সাম্প্রতিক অগ্রগতি সমান্তরাল কম্পিউটিং এবং স্টোক্যাস্টিক অপ্টিমাইজেশনে এই ভিবি পদ্ধতির গতি বাড়ানোর জন্য ব্যবহার করা যেতে পারে। সিমুলেটেড এবং বাস্তব ডেটা সেট ব্যবহার করে, আমরা বেশ কয়েকটি সাধারণভাবে ব্যবহৃত বিপণন মডেলগুলিতে ভিবি পদ্ধতি প্রয়োগ করি (যেমন মিশ্র রৈখিক, লজিট, নির্বাচন এবং শ্রেণিবদ্ধ অর্ডিনাল লজিট মডেল) এবং দেখান যে কীভাবে বিপণনের সমস্যার জন্য ভিবি অনুমান ব্যাপকভাবে প্রযোজ্য। |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | উচ্চ স্তরের ফিউশন পদ্ধতির প্রয়োগের ফলে মাল্টি সেন্সর ডেটা ফিউশনের ক্ষেত্রে উল্লেখযোগ্য সুবিধা দেখা যায় এবং অটোমোবাইল নিরাপত্তা ফিউশন সিস্টেমগুলিও এর ব্যতিক্রম নয়। উচ্চ স্তরের ফিউশনটি অটোমোবাইল সেন্সর নেটওয়ার্কগুলিতে প্রয়োগ করা যেতে পারে যা পরিপূরক বা / এবং অতিরিক্ত ক্ষেত্রের সাথে দেখা যায়। এই পদ্ধতির সুবিধা হল এটি সিস্টেমের মডুলারতা নিশ্চিত করে এবং এটির মধ্যে ব্যাকআপ এবং লুপের অনুমতি দেয় না। এই গবেষণাপত্রে দুটি উচ্চ স্তরের ডেটা ফিউশন পদ্ধতির বর্ণনা দেওয়া হয়েছে যার মধ্যে একটি সংক্ষিপ্ত স্থাপত্য এবং অ্যালগরিদমিক উপস্থাপনা রয়েছে। এই পদ্ধতিগুলি মূলত তাদের ডেটা সমিতি অংশে পৃথক হয়ঃ (ক) ট্র্যাক স্তরের সংমিশ্রণ পদ্ধতিটি এটিকে বিন্দু থেকে বিন্দু সমিতির সাথে সমাধান করে যা বস্তুর ধারাবাহিকতা এবং বহুমাত্রিক অ্যাসাইনমেন্টের উপর জোর দেয় এবং (খ) গ্রিড ভিত্তিক সংমিশ্রণ পদ্ধতি যা পরিবেশের মডেলিং এবং সেন্সর ডেটা সংমিশ্রণ করার জন্য একটি জেনেরিক উপায় প্রস্তাব করে। এই পদ্ধতির জন্য পরীক্ষার ক্ষেত্রে একটি মাল্টি সেন্সর সজ্জিত PREVENT/ProFusion2 ট্রাক প্রদর্শক যানবাহন। |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | শ্রেণীবিভাগের সমস্যাটি ডেটা মাইনিং, মেশিন লার্নিং, ডাটাবেস এবং তথ্য পুনরুদ্ধার সম্প্রদায়ের বিভিন্ন ক্ষেত্রে যেমন টার্গেট মার্কেটিং, মেডিকেল ডায়াগনস্টিক, নিউজ গ্রুপ ফিল্টারিং এবং ডকুমেন্ট অর্গানাইজেশনের ক্ষেত্রে ব্যাপকভাবে অধ্যয়ন করা হয়েছে। এই নিবন্ধে আমরা বিভিন্ন ধরনের পাঠ্য শ্রেণীবিভাগের একটি সমীক্ষা প্রদান করব |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | এই ধরনের পদ্ধতিগুলি সম্ভাব্যভাবে উচ্চতর পারফরম্যান্স প্রদান করতে পারে, যেহেতু তারা প্রাকৃতিক ভাষা ধারণাগুলির সাথে সম্পর্কিত অন্তর্নিহিত, শব্দার্থবিজ্ঞান বৈশিষ্ট্যগুলি বিশ্লেষণ করতে সক্ষম। এই গবেষণাপত্রে আমরা সেমেটিক সেন্টিমেন্ট অ্যানালিসিস চ্যালেঞ্জের চতুর্থ সংস্করণ উপস্থাপন করছি, যেখানে বড় টেস্ট সেট এবং বিভিন্ন সেন্টিমেন্টের কাজ নিয়ে একটি প্রতিযোগিতায় সেমেটিক বৈশিষ্ট্যগুলি বাস্তবায়ন বা নির্ভরশীল সিস্টেমগুলি মূল্যায়ন করা হয়। মূল্যায়ন দ্বারা কেবলমাত্র বাক্য গঠন/শব্দ-গণনা বা কেবলমাত্র শব্দকোষ-ভিত্তিক পদ্ধতির উপর ভিত্তি করে সিস্টেমগুলি বাদ দেওয়া হয়েছে। এরপর আমরা প্রতিটি কাজের মূল্যায়নের ফলাফল উপস্থাপন করি এবং সবচেয়ে উদ্ভাবনী পদ্ধতির পুরস্কারের বিজয়ীকে দেখাই, যা অনুভূতি বিশ্লেষণের কাজ মোকাবেলার জন্য বিভিন্ন জ্ঞানের ভিত্তিকে একত্রিত করে। সংবেদন বিশ্লেষণ গবেষণা এবং শিল্প উভয় ক্ষেত্রেই একটি ব্যাপকভাবে অধ্যয়ন করা গবেষণা ক্ষেত্র এবং সংবেদন বিশ্লেষণ সম্পর্কিত কাজগুলি মোকাবেলার জন্য বিভিন্ন পদ্ধতি রয়েছে। সেন্টিমেন্ট অ্যানালিসিস ইঞ্জিনগুলি লেক্সিকন-ভিত্তিক কৌশল থেকে শুরু করে মেশিন লার্নিং বা সিনট্যাক্টিকাল রুলস বিশ্লেষণ সহ পদ্ধতিগুলি বাস্তবায়ন করে। আন্তর্জাতিক গবেষণা চ্যালেঞ্জের মাধ্যমে এই ধরনের সিস্টেমগুলি ইতিমধ্যেই মূল্যায়ন করা হয়েছে। তবে, সেমান্টিক সেন্টিমেন্ট অ্যানালিসিস পদ্ধতি, যা বড় আকারের জ্ঞান বেসগুলিকে বিবেচনা করে বা নির্ভর করে এবং সেমান্টিক ওয়েবের সেরা অনুশীলনগুলি বাস্তবায়ন করে, অন্যান্য আন্তর্জাতিক চ্যালেঞ্জগুলির দ্বারা নির্দিষ্ট পরীক্ষামূলক মূল্যায়ন এবং তুলনা করা হয় না। |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | এই গবেষণাপত্রটি ভবিষ্যদ্বাণী এবং উপলব্ধিগত শ্রেণিবদ্ধকরণকে একটি অনুমান সমস্যা হিসাবে বিবেচনা করে যা মস্তিষ্ক দ্বারা সমাধান করা হয়। আমরা ধরে নিই যে মস্তিষ্ক বিশ্বকে একটি শ্রেণিবিন্যাস বা গতিশীল সিস্টেমের ক্যাসকেড হিসাবে মডেল করে যা সেন্সরিয়ামে কারণীয় কাঠামো এনকোড করে। সংবেদনশীল তথ্য ব্যাখ্যা করার জন্য এই অভ্যন্তরীণ মডেলগুলির অপ্টিমাইজেশন বা বিপরীতকরণের সাথে উপলব্ধি সমান। সংবেদনশীল তথ্য কিভাবে উৎপন্ন হয় তার একটি মডেল দেওয়া হলে, আমরা মডেলের প্রমাণের সাথে আবদ্ধ মুক্ত শক্তির উপর ভিত্তি করে মডেল বিপরীতের একটি সাধারণ পদ্ধতির আহ্বান করতে পারি। নিম্নলিখিত মুক্ত শক্তির সূত্রটি সমীকরণ প্রদান করে যা স্বীকৃতির প্রক্রিয়া নির্ধারণ করে, যেমনঃ নিউরোনাল ক্রিয়াকলাপের গতিশীলতা যা সংবেদনশীল ইনপুটের কারণগুলিকে প্রতিনিধিত্ব করে। এখানে আমরা একটি সাধারণ মডেলের উপর ফোকাস করছি, যার শ্রেণিবদ্ধ এবং গতিশীল কাঠামো সিমুলেটেড মস্তিষ্ককে সংবেদনশীল অবস্থার ট্র্যাজেক্টরি বা ক্রমগুলি চিনতে এবং ভবিষ্যদ্বাণী করতে সক্ষম করে। আমরা প্রথমে শ্রেণীবিন্যাসীয় গতিশীল মডেল এবং তাদের বিপরীত পর্যালোচনা করি। এরপর আমরা দেখাব যে মস্তিষ্কের এই বিপরীতকরণ বাস্তবায়নের জন্য প্রয়োজনীয় পরিকাঠামো রয়েছে এবং এই বিষয়টিকে চিত্রিত করব কৃত্রিম পাখি ব্যবহার করে যা পাখির গানকে চিনতে এবং শ্রেণীবদ্ধ করতে পারে। |
38a935e212c8e10460545b74a7888e3966c03e74 | এই গবেষণাপত্রটি 3D বস্তুর সনাক্তকরণের অ্যামোডাল উপলব্ধির সমস্যাকে সম্বোধন করে। কাজটি কেবলমাত্র 3D জগতে বস্তুর অবস্থান খুঁজে পাওয়া নয়, বরং তাদের শারীরিক আকার এবং অবস্থানগুলি অনুমান করা, এমনকি যদি তাদের অংশগুলি RGB-D ইমেজে দৃশ্যমান হয়। সাম্প্রতিক পদ্ধতিতে গভীরতা চ্যানেল থেকে পয়েন্ট ক্লাউডকে 3D স্পেসে সরাসরি 3D বৈশিষ্ট্যগুলি কাজে লাগানোর চেষ্টা করা হয়েছে এবং ঐতিহ্যগত 2.5D উপস্থাপনা পদ্ধতির উপর শ্রেষ্ঠত্ব প্রদর্শন করেছে। আমরা 2.5D উপস্থাপনা কাঠামোর সাথে লেগে থাকায় অ্যামোডাল 3D সনাক্তকরণ সমস্যাটি পুনরায় দেখি, এবং সরাসরি 2.5D ভিজ্যুয়াল চেহারাকে 3D বস্তুর সাথে সম্পর্কিত করি। আমরা একটি নতুন 3D অবজেক্ট ডিটেকশন সিস্টেম প্রস্তাব করছি যা একই সাথে অভ্যন্তরীণ দৃশ্যের 3D অবজেক্টের অবস্থান, ভৌত আকার এবং ওরিয়েন্টেশন পূর্বাভাস দেয়। এনওয়াইইউভি২ ডেটাসেটের উপর করা পরীক্ষাগুলোতে দেখা গেছে যে আমাদের অ্যালগরিদমটি অত্যাধুনিক প্রযুক্তির তুলনায় অনেক বেশি কার্যকর এবং ইঙ্গিত দেয় যে ২.৫ ডি উপস্থাপনাটি ৩ ডি অ্যামোডাল অবজেক্ট সনাক্তকরণের জন্য বৈশিষ্ট্যগুলি এনকোড করতে সক্ষম। সমস্ত সোর্স কোড এবং ডেটা https://github.com/phoenixnn/Amodal3Det. |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | নিম্ন-শক্তি এবং লসি নেটওয়ার্কগুলির জন্য রাউটিং প্রোটোকল (আরপিএল) একটি নতুন রাউটিং প্রোটোকল যা 6LoWPAN নেটওয়ার্কগুলির মতো সীমাবদ্ধ পরিবেশের জন্য মানক করা হয়েছে। আইপিভি৬/আরপিএল সংযুক্ত ৬লওডব্লিউপ্যানগুলিতে নিরাপত্তা প্রদান করা একটি চ্যালেঞ্জ, কারণ ডিভাইসগুলি অবিশ্বস্ত ইন্টারনেটে সংযুক্ত এবং সংস্থান সীমাবদ্ধ, যোগাযোগের লিঙ্কগুলি ক্ষতিগ্রস্থ এবং ডিভাইসগুলি নতুন আইওটি প্রযুক্তির একটি সেট যেমন আরপিএল, ৬লওডব্লিউপ্যান এবং কোএপি/কোএপি ব্যবহার করে। এই গবেষণাপত্রে আমরা আইওটি প্রযুক্তির এবং তাদের নতুন নিরাপত্তা ক্ষমতা যা আক্রমণকারী বা আইডিএস দ্বারা শোষিত হতে পারে একটি ব্যাপক বিশ্লেষণ প্রদান। এই গবেষণাপত্রের অন্যতম প্রধান অবদান হল 6LoWPAN নেটওয়ার্কের বিরুদ্ধে পরিচিত রাউটিং আক্রমণগুলি বাস্তবায়ন এবং প্রদর্শন করা যা RPLকে রাউটিং প্রোটোকল হিসাবে চালায়। আমরা এই আক্রমণগুলি কনটিকি অপারেটিং সিস্টেমের আরপিএল বাস্তবায়নে বাস্তবায়ন করি এবং এই আক্রমণগুলি কুজা সিমুলেটরে প্রদর্শন করি। এছাড়াও, আমরা আইপিভি৬ প্রোটোকলের নতুন নিরাপত্তা বৈশিষ্ট্য তুলে ধরছি এবং একটি হালকা হার্টবিট প্রোটোকল বাস্তবায়নের মাধ্যমে আইওটি-তে অনুপ্রবেশ সনাক্তকরণের জন্য এই বৈশিষ্ট্যগুলির ব্যবহারের উদাহরণ দিচ্ছি। |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | আজকের উচ্চ-কার্যক্ষম প্রসেসরের মধ্যে প্রচলিত ক্যাশ শ্রেণিবিন্যাসকে অ্যাকাউন্টে নিতে হবে যাতে এমন অ্যালগরিদম ডিজাইন করা যায় যা অনুশীলনে ভাল কাজ করে। এই গবেষণাপত্রটি এই উদ্দেশ্যে বাহ্যিক মেমরি অ্যালগরিদমের অভিযোজনকে সমর্থন করে। এই ধারণা এবং এর সাথে জড়িত ব্যবহারিক সমস্যাগুলি একটি দ্রুত অগ্রাধিকার সারি ইঞ্জিনিয়ারিং দ্বারা উদাহরণস্বরূপ বহিরাগত মেমরি এবং ক্যাশে মেমরির জন্য উপযুক্ত যা <i>k</i>-পথের সংমিশ্রণের উপর ভিত্তি করে। এটি পূর্ববর্তী বহিরাগত মেমরি অ্যালগরিদমকে ক্যাশে মেমরিতে স্থানান্তর করার জন্য গুরুত্বপূর্ণ ধ্রুবক কারণ দ্বারা উন্নত করে। ওয়ার্কস্টেশনের ক্যাশে শ্রেণিবিন্যাসে চালিত, অ্যালগরিদমটি বড় ইনপুটগুলির জন্য বাইনারি হিল এবং 4-অ্যারি হিলের একটি অনুকূলিত বাস্তবায়নের চেয়ে কমপক্ষে দ্বিগুণ দ্রুত। |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | আমরা কনভলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর সাথে প্রাক-প্রশিক্ষিত শব্দ ভেক্টরগুলির উপরে প্রশিক্ষিত পরীক্ষার একটি সিরিজের প্রতিবেদন করি যা বাক্য-স্তরের শ্রেণিবদ্ধকরণ কার্যের জন্য। আমরা দেখিয়েছি যে, সামান্য হাইপারপ্যারামিটার টিউনিং এবং স্ট্যাটিক ভেক্টর সহ একটি সাধারণ সিএনএন একাধিক মানদণ্ডের উপর চমৎকার ফলাফল অর্জন করে। সূক্ষ্ম-নির্ধারণের মাধ্যমে কার্য-নির্দিষ্ট ভেক্টরগুলি শেখার ফলে কর্মক্ষমতা আরও বৃদ্ধি পায়। আমরা অতিরিক্তভাবে আর্কিটেকচারের একটি সহজ পরিবর্তন প্রস্তাব করি যাতে টাস্ক-নির্দিষ্ট এবং স্ট্যাটিক ভেক্টর উভয়ের ব্যবহারের অনুমতি দেওয়া যায়। এখানে আলোচনা করা সিএনএন মডেলগুলি সাতটি কাজগুলির মধ্যে চারটিতে শিল্পের অবস্থা উন্নত করে, যার মধ্যে অনুভূতি বিশ্লেষণ এবং প্রশ্ন শ্রেণিবিন্যাস অন্তর্ভুক্ত রয়েছে। |