_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
798957b4bbe99fcf9283027d30e19eb03ce6b4d5 | আমরা নির্ভরতা বিশ্লেষণের জন্য LR অ্যালগরিদমের একটি ডেটা-চালিত বৈকল্পিক উপস্থাপন করি এবং সম্ভাব্যতাবাদী সাধারণীকৃত LR নির্ভরতা বিশ্লেষণের জন্য সেরা-প্রথম অনুসন্ধানের সাথে এটি প্রসারিত করি। পার্সারের ক্রিয়াকলাপগুলি একটি শ্রেণিবদ্ধকরণকারী দ্বারা নির্ধারিত হয়, যা পার্সারের বর্তমান অবস্থা উপস্থাপন করে এমন বৈশিষ্ট্যগুলির উপর ভিত্তি করে। আমরা CoNLL 2007 শেয়ার্ড টাস্কের উভয় ট্র্যাকের জন্য এই পার্সিং ফ্রেমওয়ার্ক প্রয়োগ করি, প্রতিটি ক্ষেত্রে বিভিন্ন শিক্ষার্থীদের সাথে প্রশিক্ষিত একাধিক মডেলের সুবিধা গ্রহণ করে। বহুভাষিক ট্র্যাকের ক্ষেত্রে, আমরা দশটি ভাষার প্রত্যেকটির জন্য তিনটি এলআর মডেল প্রশিক্ষণ দিই এবং প্রতিটি পৃথক মডেলের সাথে প্রাপ্ত বিশ্লেষণগুলিকে সর্বাধিক স্প্যানিং ট্রি ভোটিং স্কিমের সাথে একত্রিত করি। ডোমেইন অভিযোজন ট্র্যাকের ক্ষেত্রে, আমরা দুটি মডেল ব্যবহার করি লক্ষ্য ডোমেইনে লেবেলযুক্ত আউট-অফ-ডোমেন প্রশিক্ষণ সেটকে পরিপূরক করার জন্য, কো-ট্রেনিংয়ের একটি পুনরাবৃত্তির অনুরূপ একটি স্কিমে লেবেলযুক্ত ডেটা পার্স করতে। |
2b329183e93cb8c1c20c911c765d9a94f34b5ed5 | আমরা একটি নতুন কাঠামোর প্রস্তাব দিচ্ছি একটি বিরোধী পদ্ধতির মাধ্যমে জেনারেটিভ মডেলের অনুমান করার জন্য, যেখানে আমরা একই সাথে দুটি মডেলকে প্রশিক্ষণ দিচ্ছি: একটি জেনারেটিভ মডেল জি যা ডেটা বিতরণকে ক্যাপচার করে, এবং একটি বৈষম্যমূলক মডেল ডি যা অনুমান করে যে একটি নমুনা প্রশিক্ষণ ডেটা থেকে এসেছে G এর পরিবর্তে। জি এর জন্য প্রশিক্ষণ পদ্ধতিটি ডি এর একটি ভুল করার সম্ভাবনাকে সর্বাধিক করে তোলা। এই ফ্রেমওয়ার্কটি একটি মিনিম্যাক্স দুই-প্লেয়ার গেমের সাথে মিলে যায়। G এবং D এর মধ্যে, একটি অনন্য সমাধান রয়েছে, যেখানে G প্রশিক্ষণ তথ্য বিতরণ পুনরুদ্ধার করে এবং D সর্বত্র 12 এর সমান। যদি G এবং D বহুস্তরীয় সংজ্ঞায়িত হয়, তাহলে পুরো সিস্টেমকে ব্যাকপ্রোপাগেশন দিয়ে প্রশিক্ষণ দেওয়া যায়। প্রশিক্ষণ বা নমুনা প্রজন্মের সময় কোনও মার্কভ চেইন বা আনুমানিক অনুমান নেটওয়ার্কগুলির প্রয়োজন নেই। পরীক্ষাগুলি তৈরি নমুনার গুণগত এবং পরিমাণগত মূল্যায়নের মাধ্যমে কাঠামোর সম্ভাবনা প্রদর্শন করে। |
7e403d160f3db4a5d631ac450abcba190268c0e6 | এই কাগজটি SAIL, একটি একক অ্যাক্সেস পয়েন্ট ভিত্তিক ইনডোর লোকেলাইজেশন সিস্টেম উপস্থাপন করে। যদিও ওয়াই-ফাই ভিত্তিক অবস্থান নির্ধারণের কৌশলগুলিতে অগ্রগতি হয়েছে, আমরা দেখতে পাচ্ছি যে বিদ্যমান সমাধানগুলির জন্য অ্যাক্সেস পয়েন্ট (এপি) এর ঘন স্থাপনার প্রয়োজন হয়, ম্যানুয়াল ফিঙ্গারপ্রিন্টিং, শক্তি-ক্ষুধার্ত ওয়াই-ফাই স্ক্যানিং, বা অত্যাধুনিক এপি হার্ডওয়্যার। আমরা SAIL-এর নকশা করেছি যাতে এই সীমাবদ্ধতা এড়াতে একটি একক পণ্য ওয়াইফাই এপি ব্যবহার করা হয়। SAIL ক্লায়েন্ট এবং একটি AP এর মধ্যে দূরত্ব গণনা করে, উভয়টির মধ্যে সংকেত প্রসারণের বিলম্ব ব্যবহার করে, দূরত্বকে স্মার্টফোনের মৃত-গণনা কৌশলগুলির সাথে একত্রিত করে এবং জ্যামিতিক পদ্ধতিগুলি ব্যবহার করে শেষ পর্যন্ত একটি একক AP ব্যবহার করে ক্লায়েন্টের অবস্থান প্রদান করে। SAIL, সরাসরি পথের প্রসার বিলম্ব গণনা করার জন্য ফিজিক্যাল লেয়ার (PHY) তথ্য এবং মানব গতির সমন্বয় করে, মাল্টিপ্যাথের বিরূপ প্রভাবকে দূর করে এবং সাব-মিটার দূরত্বের অনুমানের নির্ভুলতা প্রদান করে। এছাড়া, সায়েল স্মার্টফোন সেন্সর ব্যবহার করে ডেড অ্যাকাউন্টিংয়ের ক্ষেত্রে কিছু সাধারণ চ্যালেঞ্জের মোকাবিলা করে এবং বিদ্যমান কৌশলগুলির তুলনায় ২-৫ গুণ নির্ভুলতা অর্জন করে। আমরা পণ্যের ওয়্যারলেস এপি এবং স্মার্টফোনে SAIL প্রয়োগ করেছি। ১০ জন মোবাইল ব্যবহারকারীর সাথে একটি বড় আকারের এন্টারপ্রাইজ পরিবেশে মূল্যায়ন দেখায় যে SAIL শুধুমাত্র একটি একক AP ব্যবহার করে ২.৩ মিটার গড় ত্রুটি সহ ব্যবহারকারীর অবস্থান ক্যাপচার করতে পারে। |
649f417531ac7b1408b80fb35125319f86d00f79 | "সবুজ" ইলেকট্রনিক্স শুধুমাত্র একটি নতুন বৈজ্ঞানিক শব্দই নয়, বরং প্রাকৃতিক উৎপত্তি সংমিশ্রণ সনাক্তকরণ এবং পরিবেশগতভাবে নিরাপদ (বায়োডেগ্রেডেবল) এবং/অথবা বায়োকম্প্যাটিবল ডিভাইসগুলিতে প্রয়োগযোগ্য সিন্থেটিক উপকরণ উৎপাদনের জন্য অর্থনৈতিকভাবে দক্ষ রুট প্রতিষ্ঠার লক্ষ্যে গবেষণার একটি উদীয়মান ক্ষেত্রও প্রতিনিধিত্ব করে। এই গবেষণার চূড়ান্ত লক্ষ্য হল সাধারণভাবে মানব ও পরিবেশবান্ধব ইলেকট্রনিক্স উৎপাদনের পথ তৈরি করা এবং বিশেষ করে জীবন্ত টিস্যুতে এই ধরনের ইলেকট্রনিক সার্কিটগুলির একীকরণ। "সবুজ" ইলেকট্রনিক্সের নতুন শ্রেণীর উপর গবেষণা কেবলমাত্র জৈব ইলেকট্রনিক্সের মূল প্রতিশ্রুতি পূরণে সহায়তা করতে পারে না যা কম খরচে এবং শক্তি দক্ষ উপকরণ এবং ডিভাইস সরবরাহ করা হয় তবে ইলেকট্রনিক্সের জন্য অকল্পনীয় কার্যকারিতা অর্জন করতে পারে, উদাহরণস্বরূপ জীবন এবং পরিবেশের সাথে অশুভ একীকরণ। এই পর্যালোচনাটি এই উদ্ভূত উপাদানগুলির গ্রুপে সাম্প্রতিক গবেষণা অগ্রগতি এবং অস্বাভাবিক জৈব ইলেকট্রনিক ডিভাইসে তাদের সংহতকরণকে তুলে ধরবে। |
c8e424defb590f6b3eee659eb097ac978bf49348 | স্বনিয়ন্ত্রিত শিক্ষা সফল অনলাইন শিক্ষার জন্য একটি গুরুত্বপূর্ণ উপাদান হিসেবে স্বীকৃত এবং শিক্ষার্থীদের উপলব্ধি করা একাডেমিক নিয়ন্ত্রণ এবং একাডেমিক আবেগ স্বনিয়ন্ত্রিত শিক্ষার গুরুত্বপূর্ণ পূর্বসূরী। যেহেতু আবেগ এবং জ্ঞানীয়তা পরস্পরের সাথে সম্পর্কিত, তাই স্ব-নিয়ন্ত্রিত শিক্ষার উপর উপলব্ধি করা একাডেমিক নিয়ন্ত্রণ এবং একাডেমিক আবেগগুলির মধ্যে যৌথ সম্পর্ক তদন্ত করা স্ব-নিয়ন্ত্রিত শিক্ষার প্রক্রিয়াটি বোঝার জন্য মূল্যবান হবে। তাই এই গবেষণায় অনলাইন শিক্ষায় শিক্ষাগত নিয়ন্ত্রণ এবং স্বনিয়ন্ত্রিত শিক্ষার মধ্যে সম্পর্কের ক্ষেত্রে একাডেমিক আবেগের (আনন্দ, উদ্বেগ এবং বিরক্তি) ভূমিকা নিয়ে গবেষণা করা হয়েছে। একাডেমিক আবেগের মধ্যস্থতা এবং পরিমিত প্রভাব পরীক্ষা করার জন্য পথ মডেলটি প্রস্তাব করা হয়েছিল। ৪২৬ জন কোরিয়ান কলেজ ছাত্রের তথ্য সংগ্রহ করা হয় যারা অনলাইন কোর্সে নিবন্ধিত এবং একটি পথ বিশ্লেষণ করা হয়। ফলাফলগুলি দেখিয়েছে যে উপভোগের অনুভূত একাডেমিক নিয়ন্ত্রণ এবং স্ব-নিয়ন্ত্রিত শেখার মধ্যে সম্পর্ককে মধ্যস্থতা করে, তবে উপভোগের পরিমিত প্রভাবটি উল্লেখযোগ্য ছিল না। ক্লান্তি এবং উদ্বেগ স্ব-নিয়ন্ত্রিত শেখার উপর উল্লেখযোগ্য মধ্যস্থতা প্রভাব ছিল না, যখন তারা অনুভূত একাডেমিক নিয়ন্ত্রণ এবং স্ব-নিয়ন্ত্রিত শেখার মধ্যে সম্পর্কের মধ্যে উল্লেখযোগ্য পরিমিত প্রভাব দেখিয়েছে। এই গবেষণার ফলাফলের ভিত্তিতে শিক্ষার্থীদের অনলাইন শিক্ষায় স্বনিয়ন্ত্রিত শিক্ষার ক্ষেত্রে শিক্ষাগত আবেগের ভূমিকা এবং এর প্রভাব নিয়ে আলোচনা করা হয়। ২০১৪ এ্যালসেভিয়ার লিমিটেড। সমস্ত অধিকার সংরক্ষিত। |
82b2c431035e5c0faa20895fe9f002327c0994bd | ইন্টারনেট অব থিংস বর্তমানে সংযোগহীন জিনিস এবং মানুষকে সংযুক্ত করতে পারে। বর্তমান ব্যবস্থাকে রূপান্তরিত করে সমাজের জন্য পরিষেবাগুলির ব্যয়-কার্যকর মানের পরিবর্তন করা হচ্ছে। স্মার্ট সিটি ভিউ সমর্থন করার জন্য, আরবান আইওটি ডিজাইন পরিকল্পনা নাগরিকদের জন্য মূল্য সংযোজন পরিষেবা এবং সর্বাধিক উন্নত যোগাযোগ প্রযুক্তির সাথে শহরের প্রশাসনকে কাজে লাগায়। জরুরি অবস্থা মোকাবিলায় রিয়েল টাইম ব্যবস্থাপনা করতে, আইওটি প্রথম প্রতিক্রিয়াশীলদের কাজকে উন্নত করে এবং জরুরি ব্যবস্থাপকদের প্রয়োজনীয় আপ টু ডেট তথ্য এবং যোগাযোগের মাধ্যমে এই সম্পদগুলি ব্যবহার করতে সহায়তা করে। দুর্বল যোগাযোগ নেটওয়ার্ক এবং তথ্যের বিলম্বের মতো বর্তমান সমস্যা সহ জরুরি প্রতিক্রিয়ার অনেকগুলি চ্যালেঞ্জকে আইওটি প্রশমিত করে। এই গবেষণাপত্রে প্রস্তাব করা হয়েছে যে, আইওটি স্ট্যান্ডার্ডাইজড কাঠামো ব্যবহার করে অগ্নিকাণ্ডের ঝুঁকি মোকাবিলায় জরুরি ব্যবস্থা গ্রহণের ব্যবস্থা করা হবে। এই প্রকল্প বাস্তবায়নের জন্য কম খরচে ইএসপি-৩২, ফ্লেম ডিটেকশন সেন্সর, স্মোক ডিটেকশন সেন্সর (এমকিউ-৫), জ্বলন্ত গ্যাস ডিটেকশন সেন্সর এবং একটি জিপিএস মডিউল ব্যবহার করা হয়েছে। সেন্সরগুলো বিপদকে চিহ্নিত করে এবং স্থানীয় জরুরি উদ্ধারকারী সংস্থাগুলোকে সতর্ক করে দেয় যেমন ফায়ার ডিপার্টমেন্ট এবং পুলিশ। দ্রুত ও নির্ভরযোগ্য যোগাযোগের জন্য সামগ্রিক নেটওয়ার্কটি একটি হালকা ওজনের ডেটা ভিত্তিক প্রকাশ-সাবস্ক্রাইব বার্তা প্রোটোকল এমকিউটিটি পরিষেবাদি ব্যবহার করে। এইভাবে, একটি বুদ্ধিমান সমন্বিত সিস্টেম আইওটির সাহায্যে ডিজাইন করা হয়। |
95d2a3c89bd97436aac9c72affcd0edc5c7d2e58 | হাঁটার স্বীকৃতি ক্ষেত্রে, টেমপ্লেট-ভিত্তিক পদ্ধতি যেমন হাঁটার শক্তি চিত্র (জিইআই) এবং ক্রোনো-গেইট চিত্র (সিজিআই) কম কম্পিউটেশনাল ব্যয়ের সাথে ভাল স্বীকৃতির পারফরম্যান্স অর্জন করতে পারে। সিজিআই জিইআই এর চেয়ে ভালো টাইমাল ইনফরমেশন সংরক্ষণ করতে পারে। তবে, তারা স্থানীয় আকারের বৈশিষ্ট্যগুলিতে কম মনোযোগ দেয়। সময়গত তথ্য সংরক্ষণ এবং আরো প্রচুর স্থানীয় আকৃতি বৈশিষ্ট্য তৈরি করতে, আমরা জিইআই এবং সিজিআই টেমপ্লেটগুলির হিস্টোগ্রাম অফ ওরিয়েন্টেড গ্রেডিয়েন্টস (এইচওজি) বের করে একাধিক এইচওজি টেমপ্লেট তৈরি করি। পরীক্ষাগুলি দেখায় যে বেশ কয়েকটি প্রকাশিত পদ্ধতির তুলনায়, আমাদের প্রস্তাবিত একাধিক এইচওজি টেমপ্লেটগুলি হাঁটার স্বীকৃতির জন্য আরও ভাল পারফরম্যান্স অর্জন করে। |
235723a15c86c369c99a42e7b666dfe156ad2cba | লগ-সম্ভাবনা ফাংশনকে সর্বাধিক করে তুলতে পর্যবেক্ষণ করা নমুনাগুলির ওজন দ্বারা ভবিষ্যদ্বাণীমূলক ঘনত্বের একটি শ্রেণি প্রাপ্ত হয়। এই পদ্ধতিটি নমুনা জরিপ বা পরীক্ষার নকশা যেমন ক্ষেত্রে কার্যকর, যেখানে পর্যবেক্ষণ করা কোভারিট পুরো জনসংখ্যার চেয়ে আলাদা বিতরণ অনুসরণ করে। প্যারামিটারিক মডেলের ভুল নির্দিষ্টকরণের অধীনে, ওজন ফাংশনের সর্বোত্তম পছন্দটি সমষ্টিতে সমষ্টির ঘনত্ব ফাংশনের অনুপাত হিসাবে পর্যবেক্ষণের সাথে সম্পর্কিত হিসাবে প্রমাণিত হয়। এটি নমুনা জরিপের ছদ্ম-সর্বোচ্চ সম্ভাব্যতা অনুমান। সর্বোত্তমতা প্রত্যাশিত কুলব্যাক-লাইবলার ক্ষতি দ্বারা সংজ্ঞায়িত করা হয়, এবং সর্বোত্তম ওজন গুরুত্ব নমুনা পরিচয় বিবেচনা করে প্রাপ্ত হয়। কিন্তু মডেলের সঠিক স্পেসিফিকেশনের অধীনে, সাধারণ সর্বোচ্চ সম্ভাব্যতা অনুমান (যেমন, সমতুল্য ওজন) অ্যাসাইম্টোটিকভাবে সর্বোত্তম বলে প্রমাণিত হয়েছে। নমুনা আকারের জন্য, পরিস্থিতি দুটি চরম ক্ষেত্রে মধ্যে হয়, এবং ওজন ফাংশনটি প্রত্যাশিত ক্ষতির একটি অনুমান হিসাবে প্রাপ্ত তথ্য মানদণ্ডের একটি বৈকল্পিককে সর্বনিম্ন করে বেছে নেওয়া হয়। এই পদ্ধতিটি বেজিয়ান ভবিষ্যদ্বাণী ঘনত্বের একটি ওজনের সংস্করণেও প্রয়োগ করা হয়। বহুপদী বিপর্যয়ের জন্য সংখ্যাসূচক উদাহরণ এবং মন্টে-কার্লো সিমুলেশন দেখানো হয়েছে। এই পদ্ধতির সাথে দৃঢ় প্যারামিটারিক অনুমানের সম্পর্ক আলোচনা করা হয়েছে। © 2000 এ্যালসেভিয়ার সায়েন্স বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
130dab15d243e5569925aa8d2eafb080078baf79 | আমরা সিএমওএস অপারেশনাল এম্প্লিফায়ারগুলির জন্য উপাদান এবং ট্রানজিস্টর আকারের অনুকূলিতকরণ এবং স্বয়ংক্রিয়করণের জন্য একটি পদ্ধতি উপস্থাপন করি। আমরা লক্ষ্য করেছি যে বিভিন্ন ধরণের পারফরম্যান্স পরিমাপগুলি ডিজাইন ভেরিয়েবলের পসিনোমিয়াল ফাংশন হিসাবে তৈরি করা যেতে পারে। ফলস্বরূপ, এম্প্লিফায়ার ডিজাইন সমস্যাগুলি একটি জ্যামিতিক প্রোগ্রাম হিসাবে তৈরি করা যেতে পারে, এটি একটি বিশেষ ধরণের কনভেক্স অপ্টিমাইজেশন সমস্যা যার জন্য খুব দক্ষ গ্লোবাল অপ্টিমাইজেশন পদ্ধতি সম্প্রতি বিকাশ করা হয়েছে। সংশ্লেষণ পদ্ধতিটি দ্রুত, এবং বিশ্বব্যাপী সর্বোত্তম নকশা নির্ধারণ করে; বিশেষত চূড়ান্ত সমাধানটি শুরু বিন্দু থেকে সম্পূর্ণ স্বাধীন (যা এমনকি অসম্ভবও হতে পারে), এবং অসম্ভব স্পেসিফিকেশনগুলি স্পষ্টভাবে সনাক্ত করা হয়। এম. হার্শেনসন এবং অন্যান্যদের দ্বারা সংক্ষিপ্তভাবে পদ্ধতিটি প্রবর্তন করার পরে, আমরা দেখাব যে পদ্ধতিটি কীভাবে ছয়টি সাধারণ অপ-এম্প আর্কিটেকচারে প্রয়োগ করা যেতে পারে এবং বেশ কয়েকটি উদাহরণ নকশা দেয়। |
ccb2b479b2b430e284e1c3afb1f9362cd1c95119 | বিভিন্ন কাঠামোগত নিদর্শন সনাক্তকরণের জন্য গ্রাফ হিসাবে উপস্থাপিত ডেটা খনির ক্ষমতা বেশ কয়েকটি ডোমেনের মধ্যে গুরুত্বপূর্ণ হয়ে উঠেছে। ডেটা মাইনিং এর একটি গুরুত্বপূর্ণ ক্ষেত্র হল অ্যানোমালি সনাক্তকরণ, কিন্তু গ্রাফ-ভিত্তিক ডেটাতে অ্যানোমালি সনাক্তকরণের ক্ষেত্রে খুব কম কাজ করা হয়েছে। এই গবেষণাপত্রে আমরা গ্রাফ-ভিত্তিক পদ্ধতির মাধ্যমে অ্যাপ্লিকেশনগুলিতে অস্বাভাবিকতা খুঁজে বের করার পদ্ধতির কথা তুলে ধরছি। |
096e07ced8d32fc9a3617ff1f725efe45507ede8 | আমরা বিভিন্ন জনপ্রিয় শিক্ষণ পদ্ধতির প্রয়োগযোগ্যতা মূল্যায়ন করি, যা পজ, আলোকসজ্জা এবং আশেপাশের বিশৃঙ্খলা সহ সাধারণ ভিজ্যুয়াল বিভাগগুলিকে স্বীকৃতি দেওয়ার সমস্যার জন্য। একটি বড় ডেটা সেট যা 36 টি অজিমথ, 9 টি উচ্চতা এবং 6 টি আলোকসজ্জার অবস্থার অধীনে 50 টি অভিন্ন রঙের খেলনাগুলির স্টেরিও চিত্র জুড়ি নিয়ে গঠিত (মোট 194,400 পৃথক চিত্রের জন্য) সংগ্রহ করা হয়েছিল। এই বস্তুগুলো ছিল পাঁচটি সাধারণ শ্রেণীর ১০টি উদাহরণ: চার পায়ে চলা প্রাণী, মানুষের আকৃতি, বিমান, ট্রাক এবং গাড়ি। প্রতিটি শ্রেণীর পাঁচটি উদাহরণ প্রশিক্ষণের জন্য এবং অন্য পাঁচটি পরীক্ষার জন্য ব্যবহৃত হয়েছিল। প্রশিক্ষণ ও পরীক্ষার জন্য বিভিন্ন পরিমাণে পরিবর্তনশীলতা এবং আশেপাশের বিশৃঙ্খলা সহ বস্তুর নিম্ন-রেজোলিউশনের ধূসর চিত্র ব্যবহার করা হয়েছিল। নিকটতম প্রতিবেশী পদ্ধতি, সমর্থন ভেক্টর মেশিন এবং কনভোলুশনাল নেটওয়ার্ক, কাঁচা পিক্সেল বা পিসিএ-উত্পন্ন বৈশিষ্ট্যগুলিতে পরিচালিত পরীক্ষা করা হয়েছিল। একই রকম ব্যাকগ্রাউন্ডে স্থাপন করা অদৃশ্য বস্তুর ক্ষেত্রে পরীক্ষার ত্রুটি হার SVM এর জন্য প্রায় ১৩% এবং কনভোলুশনাল নেটগুলির জন্য ৭% ছিল। অত্যন্ত বিশৃঙ্খল চিত্রের সাথে একটি সেগমেন্টেশন / স্বীকৃতি কার্যের উপর, এসভিএম অপ্রাকটিকাল প্রমাণিত হয়েছিল, যখন কনভোলুশনাল নেটগুলি 16/7% ত্রুটি দেয়। এই সিস্টেমের একটি রিয়েল টাইম সংস্করণ বাস্তবায়িত হয়েছিল যা প্রাকৃতিক দৃশ্যের মধ্যে প্রায় 10 ফ্রেম প্রতি সেকেন্ডে বস্তু সনাক্ত এবং শ্রেণিবদ্ধ করতে পারে। |
0addfc35fc8f4419f9e1adeccd19c07f26d35cac | এই কাগজটি একটি বৈষম্যমূলক প্রশিক্ষিত, মাল্টিস্কেল, অবজেক্ট সনাক্তকরণের জন্য বিকৃত অংশ মডেল বর্ণনা করে। আমাদের সিস্টেম ২০০৬ সালের PASCAL ব্যক্তি সনাক্তকরণ চ্যালেঞ্জের সেরা পারফরম্যান্সের তুলনায় গড় নির্ভুলতায় দ্বিগুণ উন্নতি অর্জন করেছে। ২০০৭ সালের চ্যালেঞ্জের সেরা ফলাফলের চেয়েও ১০টি বিভাগে ভালো পারফরম্যান্স করেছে। এই সিস্টেমটি অনেকটা ডিফর্মযোগ্য অংশের উপর নির্ভরশীল। যদিও বিকৃত অংশের মডেলগুলি বেশ জনপ্রিয় হয়ে উঠেছে, তাদের মূল্য PASCAL চ্যালেঞ্জের মতো কঠিন মানদণ্ডে প্রদর্শিত হয়নি। আমাদের এই পদ্ধতিটি বৈষম্যমূলক প্রশিক্ষণের নতুন পদ্ধতির উপরও নির্ভরশীল। আমরা একটি মার্জিন-সংবেদনশীল পদ্ধতির সাথে ডেটা মাইনিং হার্ড নেগেটিভ উদাহরণগুলিকে সংযুক্ত করি যা আমরা ল্যাটিন এসভিএম বলি। একটি লুকানো সিআরএফ এর মতো একটি লুকানো এসভিএম, একটি অ-উল্লম্ব প্রশিক্ষণ সমস্যার দিকে পরিচালিত করে। তবে, একটি লুকানো এসভিএম আধা-উল্লম্ব এবং প্রশিক্ষণ সমস্যাটি উত্তোলন হয়ে যায় একবার লুকানো তথ্যটি ইতিবাচক উদাহরণগুলির জন্য নির্দিষ্ট করা হয়। আমরা বিশ্বাস করি যে আমাদের প্রশিক্ষণ পদ্ধতিগুলি অবশেষে আরও লুকানো তথ্য যেমন শ্রেণিবদ্ধ (ব্যাকরণ) মডেল এবং লুকানো ত্রিমাত্রিক অবস্থান জড়িত মডেলগুলির কার্যকর ব্যবহারকে সম্ভব করবে। |
11540131eae85b2e11d53df7f1360eeb6476e7f4 | দীর্ঘ স্বল্পমেয়াদী স্মৃতি (এলএসটিএম; হররাইটার ও শ্মিডহুবার, ১৯৯৭) পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) এর জন্য পূর্ববর্তী লার্নিং অ্যালগরিদম দ্বারা সমাধানযোগ্য নয় এমন অনেকগুলি কাজ সমাধান করতে পারে। আমরা এলএসটিএম নেটওয়ার্কগুলির একটি দুর্বলতা সনাক্ত করি যা ক্রমাগত ইনপুট প্রবাহগুলি প্রক্রিয়াকরণ করে যা স্পষ্টভাবে চিহ্নিত প্রান্তগুলির সাথে সাবস্কোয়েন্সে বিভক্ত নয় যেখানে নেটওয়ার্কের অভ্যন্তরীণ অবস্থা পুনরায় সেট করা যেতে পারে। রিসেট না করলে, এই অবস্থা অনির্দিষ্টকালের জন্য বাড়তে পারে এবং শেষ পর্যন্ত নেটওয়ার্কটি ভেঙে যেতে পারে। আমাদের প্রতিকার হল একটি নতুন, অভিযোজিত ভুলে যাওয়ার গেট যা একটি এলএসটিএম কোষকে উপযুক্ত সময়ে নিজেকে রিসেট করতে শেখায়, এভাবে অভ্যন্তরীণ সম্পদ মুক্ত করে। আমরা উদাহরণস্বরূপ বেঞ্চমার্ক সমস্যাগুলি পর্যালোচনা করি যার উপর স্ট্যান্ডার্ড এলএসটিএম অন্যান্য আরএনএন অ্যালগরিদমকে ছাড়িয়ে যায়। সমস্ত অ্যালগরিদম (এলএসটিএম সহ) এই সমস্যার ক্রমাগত সংস্করণগুলি সমাধান করতে ব্যর্থ হয়। তবে, ভুলে যাওয়া গেট সহ এলএসটিএম সহজেই এবং একটি মার্জিত উপায়ে তাদের সমাধান করে। |
b3eea1328c10455faa9b49c1f4aec7cd5a0b2d1a | |
03184ac97ebf0724c45a29ab49f2a8ce59ac2de3 | সাম্প্রতিক বছরগুলোতে বড় আকারের চিত্রের সেটগুলির প্রাপ্যতার সাথে চিত্র শ্রেণিবদ্ধকরণ উল্লেখযোগ্যভাবে অগ্রসর হয়েছে। তবে, সূক্ষ্ম-শস্যের শ্রেণিবদ্ধকরণ একটি বড় চ্যালেঞ্জ কারণ সূক্ষ্ম-শস্যের শ্রেণীর একটি বড় সংখ্যক টীকা খরচ। এই প্রকল্পটি দেখায় যে লেবেলযুক্ত প্রশিক্ষণ ডেটা ছাড়াও এই ধরনের বিভাগগুলিতে বাধ্যতামূলক শ্রেণিবদ্ধকরণ কর্মক্ষমতা অর্জন করা যেতে পারে। চিত্র এবং শ্রেণীর এম্বেডিং দেওয়া, আমরা একটি সামঞ্জস্যপূর্ণ ফাংশন শিখতে যেমন যে মিলে এম্বেডিংগুলিকে মিলে যাওয়াদের চেয়ে উচ্চতর স্কোর দেওয়া হয়; একটি চিত্রের শূন্য-শট শ্রেণিবদ্ধকরণ সর্বোচ্চ যৌথ সামঞ্জস্যের স্কোর প্রদান করে লেবেলটি খুঁজে বের করে। আমরা অত্যাধুনিক চিত্র বৈশিষ্ট্য ব্যবহার করি এবং বিভিন্ন তত্ত্বাবধানে থাকা বৈশিষ্ট্য এবং অনিয়ন্ত্রিত আউটপুট এম্বেডিংগুলিতে ফোকাস করি যা হয় শ্রেণিবদ্ধতা থেকে প্রাপ্ত হয় বা লেবেলবিহীন পাঠ্য কর্পোরাস থেকে শিখে যায়। আমরা একটি উন্নত অত্যাধুনিক অ্যানিম্যালস উইথ এট্রিবিউটস এবং ক্যালটেক-ইউসিএসডি পাখি ডেটাসেট প্রতিষ্ঠা করেছি। সবচেয়ে উৎসাহজনকভাবে, আমরা দেখিয়েছি যে নিখুঁতভাবে নিরীক্ষণহীন আউটপুট এম্বেডিং (উইকিপিডিয়া থেকে শিখেছি এবং সূক্ষ্ম গ্রানযুক্ত পাঠ্যের সাথে উন্নত) আকর্ষণীয় ফলাফল অর্জন করে, এমনকি পূর্ববর্তী তত্ত্বাবধানে থাকা অত্যাধুনিক রাষ্ট্রের চেয়েও ভাল পারফরম্যান্স করে। বিভিন্ন আউটপুট এম্বেডিংয়ের সমন্বয় করে আমরা ফলাফল আরও উন্নত করি। |
4c648fe9b7bfd25236164333beb51ed364a73253 | উপস্থাপনা আক্রমণের জন্য মুখের স্বীকৃতি সিস্টেমের দুর্বলতা (যা সরাসরি আক্রমণ বা ছদ্মবেশী আক্রমণ হিসাবেও পরিচিত) বায়োমেট্রিক সম্প্রদায়ের কাছ থেকে প্রচুর আগ্রহ পেয়েছে। মুখের স্বীকৃতি সিস্টেমগুলির দ্রুত বিবর্তন রিয়েল-টাইম অ্যাপ্লিকেশনগুলিতে উপস্থাপনা আক্রমণগুলির প্রতিরোধের ক্ষমতা সম্পর্কে নতুন উদ্বেগ উত্থাপন করেছে, বিশেষত স্বয়ংক্রিয় সীমান্ত নিয়ন্ত্রণের মতো নিরীক্ষণহীন অ্যাপ্লিকেশন পরিস্থিতিতে। উপস্থাপনা আক্রমণের লক্ষ্য হচ্ছে মুখের বায়োমেট্রিক আর্টিফ্যাক্ট উপস্থাপন করে মুখের স্বীকৃতি সিস্টেমকে বিপর্যস্ত করা। জনপ্রিয় মুখের বায়োমেট্রিক আর্টিফ্যাক্টগুলির মধ্যে একটি মুদ্রিত ছবি, একটি মুখের ছবির বৈদ্যুতিন প্রদর্শন, একটি বৈদ্যুতিন প্রদর্শন ব্যবহার করে ভিডিও পুনরায় চালানো এবং 3 ডি ফেস মাস্ক অন্তর্ভুক্ত রয়েছে। এই প্রযুক্তির ব্যবহারে মুখের চেহারা শনাক্তকরণে বিপজ্জনক ঝুঁকি রয়েছে। তবে, বেশ কয়েকটি উপস্থাপনা আক্রমণ সনাক্তকরণ (পিএডি) অ্যালগরিদম (এছাড়াও প্রতিরোধ বা অ্যান্টি-স্পুফিং পদ্ধতি হিসাবে পরিচিত) প্রস্তাবিত হয়েছে যা স্বয়ংক্রিয়ভাবে এই জাতীয় লক্ষ্যযুক্ত আক্রমণগুলি সনাক্ত এবং প্রশমিত করতে পারে। এই সমীক্ষার লক্ষ্য হচ্ছে, মুখের উপস্থাপনা আক্রমণ সনাক্তকরণের উপর যে কাজ করা হয়েছে তার একটি পদ্ধতিগত ওভারভিউ উপস্থাপন করা। এই গবেষণাপত্রে মুখের উপস্থাপনা আক্রমণের বিভিন্ন দিকের বর্ণনা দেওয়া হয়েছে, যার মধ্যে রয়েছে বিভিন্ন ধরণের মুখের নিদর্শন, অত্যাধুনিক পিএডি অ্যালগরিদম এবং এই ডোমেনে কাজ করা সংশ্লিষ্ট গবেষণা ল্যাবগুলির একটি ওভারভিউ, দুর্বলতা মূল্যায়ন এবং কর্মক্ষমতা মূল্যায়ন মেট্রিক্স, প্রতিযোগিতার ফলাফল, পুনরুত্পাদনযোগ্য পদ্ধতিতে নতুন পিএডি অ্যালগরিদমের বেঞ্চমার্কিংয়ের জন্য পাবলিক ডাটাবেসের উপলব্ধতা এবং অবশেষে এই ক্ষেত্রে প্রাসঙ্গিক আন্তর্জাতিক মানকরণের সংক্ষিপ্তসার। এর পাশাপাশি, আমরা বায়োমেট্রিক্সের এই বিকশিত ক্ষেত্রে যেসব চ্যালেঞ্জ রয়েছে এবং ভবিষ্যতে যে কাজগুলো করা দরকার সে বিষয়ে আলোচনা করব। |
ada07d84bf881daa4a7e692670e61ad766f692f3 | আউটপুট বর্তমানের তরঙ্গের হ্রাস এবং ফেজ-শিফট কন্ট্রোলের মিথস্ক্রিয়া এবং লোড-পদক্ষেপের পরিবর্তনের উপর প্রভাবের উপর এই সমাধানের সুবিধাটিও তদন্ত করা হয়। একটি প্রোটোটাইপের পরিমাপগুলি সিমুলেশনগুলিতে যুক্ত করা হয় যাচাইকরণ এবং প্রস্তাবগুলির বৈধতা হিসাবে। এই গবেষণাপত্রে, মাল্টি-ফেজ ইন্টারলিভড এলসিসি রেজোন্যান্ট কনভার্টার এর জন্য একটি নতুন পদ্ধতির উপস্থাপন করা হয়েছে। প্রস্তাবিত সমাধানটি, ট্রান্সফরমার প্রাথমিক উইন্ডিংয়ের স্টার সংযোগের সাথে তিনটি এলএলসি মডিউল ব্যবহারের উপর ভিত্তি করে, আউটপুট বর্তমানের তরঙ্গ এবং ফলস্বরূপ আউটপুট ফিল্টার ক্যাপাসিটারের আকারের একটি তীব্র হ্রাসের অনুমতি দেয়। অন্যান্য বহু-পর্যায়ের সমাধানগুলির থেকে ভিন্ন, যা রেজোন্যান্ট উপাদানগুলির সহনশীলতার জন্য অত্যন্ত সংবেদনশীল, যা বর্তমান ভারসাম্যহীনতার কারণ হয়, প্রস্তাবিত টপোলজি একটি অন্তর্নিহিত বর্তমান ভাগ করার ক্ষমতা প্রদর্শন করে। এছাড়াও, একটি বন্ধ-লুপ ফেজ-শিফট কন্ট্রোল চালু করা হয় অতিরিক্তভাবে বর্তমানের অসঙ্গতির জন্য ক্ষতিপূরণ দিতে এবং প্রতিটি মডিউল দ্বারা সরবরাহিত বর্তমানকে সম্পূর্ণরূপে ভারসাম্য করতে। |
e7922d53216a4c234f601049ec3326a6ea5d5c7c | একটি নতুন গঠন, শিরোনাম কাজ embeddedness, চালু করা হয়। কর্মক্ষেত্রের ভেতর ও বাইরে বিভিন্ন বিষয়ের মূল্যায়ন করে, এটিতে একজন ব্যক্তির (ক) অন্যান্য ব্যক্তি, দল এবং গোষ্ঠীর সাথে সম্পর্ক, (খ) তার কাজের সাথে, সংগঠন এবং সম্প্রদায়ের সাথে তার সামঞ্জস্যের উপলব্ধি এবং (গ) তিনি বলেন যে তিনি যদি চাকরি ছেড়ে দেন তবে তাকে কী ত্যাগ করতে হবে। দুটি নমুনার মাধ্যমে চাকরিতে নিযুক্ত হওয়ার পরিমাপ করা হয়। ফলাফল দেখায় যে চাকরি ছেড়ে যাওয়ার ইচ্ছা এবং স্বেচ্ছায় চাকুরী পরিবর্তনের মূল ফলাফলগুলি ভবিষ্যদ্বাণী করে এবং কাজের সন্তুষ্টি, সাংগঠনিক প্রতিশ্রুতি, কাজের বিকল্প এবং কাজের সন্ধানের বাইরে উল্লেখযোগ্য বর্ধিত বৈচিত্র্য ব্যাখ্যা করে। তত্ত্ব এবং অনুশীলনের জন্য এর প্রভাব নিয়ে আলোচনা করা হয়েছে। |
8de1c724a42d204c0050fe4c4b4e81a675d7f57c | গত পাঁচ বছরে মুখের চেহারা শনাক্তকরণে ব্যাপক অগ্রগতি হয়েছে। এর ফলে নতুন নতুন প্রযুক্তির প্রস্তাব দেওয়া হয়েছে, যা ডিপ কনভলুশনাল নিউরাল নেটওয়ার্ক (ডিসিএনএন) দ্বারা সমর্থিত। যদিও মুখের স্বীকৃতির পারফরম্যান্স আকাশ ছোঁয়াচ্ছে LFW এর মতো ক্লাসিক ডেটাসেটে গভীর-লার্নিং ব্যবহার করে, এই বিশ্বাসের দিকে পরিচালিত করে যে এই কৌশলটি মানুষের পারফরম্যান্সের সাথে পৌঁছেছে, এটি এখনও সীমাবদ্ধ পরিবেশের একটি উন্মুক্ত সমস্যা হিসাবে রয়ে গেছে যেমনটি সদ্য প্রকাশিত আইজেবি ডেটাসেটগুলি প্রদর্শন করেছে। এই সমীক্ষার উদ্দেশ্য হচ্ছে গভীরতাপূর্ণ মুখের স্বীকৃতি এবং সাধারণভাবে, যাচাইকরণ ও সনাক্তকরণের জন্য মুখের উপস্থাপনা শেখার ক্ষেত্রে প্রধান অগ্রগতিগুলি সংক্ষিপ্ত করা। এই জরিপটি গত পাঁচ বছরে কম্পিউটার ভিশন এর শীর্ষস্থানীয় স্থানগুলিতে আবির্ভূত হওয়া প্রধান, অত্যাধুনিক মুখের স্বীকৃতি (এসওটিএ) কৌশলগুলির একটি স্পষ্ট, কাঠামোগত উপস্থাপনা প্রদান করে। এই সমীক্ষাটি একাধিক অংশে বিভক্ত করা হয়েছে যা একটি স্ট্যান্ডার্ড মুখের স্বীকৃতি পাইপলাইনের অনুসরণ করেঃ (ক) কীভাবে এসওটিএ সিস্টেমগুলি প্রশিক্ষিত হয় এবং কোন পাবলিক ডেটা সেটগুলি তারা ব্যবহার করেছে; (খ) মুখের প্রাক-প্রক্রিয়াকরণ অংশ (উপলব্ধি, সারিবদ্ধকরণ ইত্যাদি) । (ঘ) যাচাইকরণ ও সনাক্তকরণের জন্য মুখের স্বীকৃতি। এই সমীক্ষার শেষে সোটা-র ফলাফলের একটি সারসংক্ষেপ দেওয়া হয়েছে। |
289bdc364e2b8b03d0e52609dc6665a5f9d056c4 | আমরা একটি পদ্ধতি উপস্থাপন করছি যা অ্যাম্রোরেজ এবং ইংরেজি বাক্যগুলির সমান্তরাল কর্পাসকে কাজে লাগিয়ে বিমূর্ত অর্থ উপস্থাপনা (এএমআর) গ্রাফ থেকে ইংরেজি বাক্য তৈরি করতে পারে। আমরা AMR-to-English প্রজন্মকে phrase-based machine translation (PBMT) হিসেবে বিবেচনা করি। আমরা একটি পদ্ধতির পরিচয় করিয়ে দিচ্ছি যা এএমআর গ্রাফের টোকেনগুলোকে ইংরেজি মত ক্রমের মধ্যে লাইনারিজ করতে শেখায়। আমাদের এই লাইনারিজেশন পিবিএমটি-তে বিকৃতির মাত্রা কমিয়ে দেয় এবং উৎপাদন গুণমান বাড়ায়। আমরা রিপোর্ট করছি যে, ব্লু স্ট্যান্ডার্ড এএমআর/ইংরেজি টেস্ট সেটে ২৬.৮ স্কোর করেছে। |
0955315509ac15bb4f825dbcd1e51423c3781ce4 | আমরা একটি ডাটাবেস উপস্থাপন করছি যা কাঠের পিলের ছবি নিয়ে গঠিত, যা কাঠের পিল সনাক্তকরণ এবং জরিপ অ্যালগরিদমের কার্যকারিতা মূল্যায়ন করার জন্য একটি মানদণ্ড হিসাবে ব্যবহার করা যেতে পারে। আমরা ছয়টি ডাটাবেস বিভাগকে আলাদা করি যা বিভিন্ন ধরণের অ্যালগরিদমের জন্য ব্যবহার করা যেতে পারে। বাস্তব এবং সিন্থেটিক দৃশ্যের ছবি দেওয়া হয়েছে, যা 7655 টি ছবি 354 টি ডেটা সেটে বিভক্ত। বিভাগের উপর নির্ভর করে ডেটা সেটগুলিতে ভূমি সত্যের তথ্য বা বনজ নির্দিষ্ট পরিমাপ অন্তর্ভুক্ত থাকে যার সাথে অ্যালগরিদম তুলনা করা যেতে পারে। |
bbf70ffe55676b34c43b585e480e8343943aa328 | পরবর্তী প্রজন্মের ৫জি নেটওয়ার্কের প্রেক্ষাপটে, স্যাটেলাইট শিল্প স্পষ্টভাবে স্যাটেলাইট যোগাযোগের ভূমিকা পুনর্বিবেচনা এবং পুনর্বিবেচনা করতে প্রতিশ্রুতিবদ্ধ। স্থির ও মোবাইল নেটওয়ার্কগুলির উন্নয়নে সফটওয়্যার ডেফিনড নেটওয়ার্কিং (এসডিএন) এবং নেটওয়ার্ক ফাংশন ভার্চুয়ালাইজেশন (এনএফভি) প্রযুক্তিগুলিকে কেন্দ্রীয় প্রযুক্তির সক্ষমকারী হিসাবে উপগ্রহ এবং স্থলভাগের উন্নত এবং আরও নমনীয় সংহতকরণের দিকে অবস্থান দেওয়া হচ্ছে, উন্নত নেটওয়ার্ক সংস্থান পরিচালনার কৌশলগুলির মাধ্যমে উপগ্রহ নেটওয়ার্ক আরও পরিষেবা উদ্ভাবন এবং ব্যবসায়ের নমনীয়তা সরবরাহ করে। এই গবেষণাপত্রটি 5G এর দিকে স্যাটেলাইট যোগাযোগের ক্ষেত্রে SDN/NFV প্রযুক্তির যে সুবিধাগুলি আনতে পারে তার একটি বর্ণনা প্রদান করে। উপগ্রহের স্থল সেগমেন্টের ক্ষেত্রে এসডিএন/এনএফভি প্রযুক্তির প্রবর্তনের মাধ্যমে যেসব সম্ভাব্য উন্নতি সাধন করা যেতে পারে তার তিনটি দৃশ্যকল্প উপস্থাপন ও বিশ্লেষণ করা হয়েছে। প্রতিটি দৃশ্যকল্পের মধ্যে, নির্দিষ্ট ক্ষমতার উপর আরও অন্তর্দৃষ্টি অর্জনের জন্য এবং তাদের থেকে উদ্ভূত প্রযুক্তিগত চ্যালেঞ্জগুলি চিহ্নিত করার জন্য বেশ কয়েকটি ব্যবহারের ক্ষেত্রে বিকাশ করা হয়। |
1e42647ecb5c88266361c2e6ef785eeadf8dc9c3 | |
8d701bc4b2853739de4e752d879296608119a65c | বিতরণকৃত ডাটাবেস ম্যানেজমেন্ট সিস্টেমে বেস সম্পর্কগুলির বিচ্ছিন্নতা সমকালীনতার স্তর বৃদ্ধি করে এবং তাই ক্যোয়ারী প্রসেসিংয়ের জন্য সিস্টেমের থ্রুপুট বৃদ্ধি করে। সম্পর্কযুক্ত, অবজেক্ট-ভিত্তিক এবং বিমূর্ত ডাটাবেসগুলিতে সম্পর্কের অনুভূমিক এবং উল্লম্ব বিচ্ছিন্নকরণের জন্য অ্যালগরিদম বিদ্যমান; তবে ব্যবহারকারীর অনুসন্ধানগুলিতে উপস্থিত পরিবর্তনশীল বন্ধন এবং ক্যোয়ারী-অ্যাক্সেস-নিয়মের উপর নির্ভরশীলতার উপর ভিত্তি করে হাইব্রিড বিচ্ছিন্নকরণ কৌশলগুলি বিমূর্ত ডাটাবেস সিস্টেমের জন্য অনুপস্থিত। এই গবেষণাপত্রে আমরা বিতরণকৃত ডেটাবেজ সিস্টেমের জন্য হাইব্রিড ফ্রেগমেন্টেশন পদ্ধতির প্রস্তাব দিচ্ছি। আমাদের পদ্ধতিতে প্রথমে ব্যবহারকারীর প্রশ্নের উপর আরোপিত আবদ্ধতা অনুযায়ী বেস সম্পর্কের অনুভূমিক বিভাজন বিবেচনা করে এবং তারপরে অনুভূমিকভাবে বিভাজিত সম্পর্ক এবং ক্লাস্টার নিয়মগুলির উল্লম্ব টুকরো তৈরি করে যা বৈশিষ্ট্যগুলির সম্পর্ক এবং অনুসন্ধান এবং নিয়মগুলির অ্যাক্সেসের ফ্রিকোয়েন্সি ব্যবহার করে। প্রস্তাবিত বিচ্ছিন্নকরণ কৌশল বিতরণকৃত কল্পনাপ্রসূত ডাটাবেস সিস্টেমগুলির নকশা সহজতর করে। |
1678a55524be096519b3ea71c9680ba8041a761e | মিশ্রণের ঘনত্ব নির্ধারণকারী পরামিতিগুলির অনুমানের সমস্যাটি প্রায় নব্বই বছর ধরে বিস্তৃত, বিভিন্ন সাহিত্যের বিষয় হয়ে দাঁড়িয়েছে। গত দুই দশকে, সর্বোচ্চ সম্ভাব্যতার পদ্ধতি এই সমস্যার সবচেয়ে ব্যাপকভাবে অনুসরণ করা পদ্ধতিতে পরিণত হয়েছে, প্রধানত উচ্চ গতির ইলেকট্রনিক কম্পিউটারের আবির্ভাবের জন্য ধন্যবাদ। এখানে, আমরা প্রথমে এই সমস্যার দিকে পরিচালিত সাহিত্যের একটি সংক্ষিপ্ত সমীক্ষা প্রদান করি এবং এটির জন্য সর্বোচ্চ সম্ভাব্যতা অনুমান পর্যালোচনা করি। এরপর আমরা চূড়ান্ত আগ্রহের বিষয়ের দিকে যাব, যা মিশ্রণের ঘনত্বের সমস্যার জন্য সংখ্যাগতভাবে সর্বোচ্চ-সম্ভাব্যতা অনুমানের জন্য একটি বিশেষ পুনরাবৃত্তিমূলক পদ্ধতি। এই পদ্ধতিটি ইএম অ্যালগরিদম নামে পরিচিত, এটি অসম্পূর্ণ ডেটা সমস্যার জন্য সর্বাধিক-সম্ভাব্যতা অনুমানের জন্য ব্যবহৃত একই নামের একটি সাধারণ অ্যালগরিদমের মিশ্রণ ঘনত্বের প্রসঙ্গে একটি বিশেষায়ন। আমরা মিশ্রণ ঘনত্বের জন্য ই এম অ্যালগরিদমের সূত্র এবং তাত্ত্বিক এবং ব্যবহারিক বৈশিষ্ট্যগুলি নিয়ে আলোচনা করি, বিশেষত এক্সপোনেন্সিয়াল পরিবারগুলির ঘনত্বের মিশ্রণের উপর ফোকাস করে। |
ca5766b91da4903ad6f6d40a5b31a3ead1f7f6de | আমরা নিম্ন এবং উচ্চ রেজোলিউশনের উদাহরণগুলির একটি অভিধানের উপর ভিত্তি করে একটি একক চিত্র সুপার-রেজোলিউশন আকারে চিত্র আপস্কেলের সমস্যাটি মোকাবেলা করি। সম্প্রতি প্রস্তাবিত দুটি পদ্ধতি, অ্যানকর্ড নেবারহুড রিগ্রেশন (এএনআর) এবং সিম্পল ফাংশনস (এসএফ), অত্যাধুনিক মানের পারফরম্যান্স প্রদান করে। এএনআর সবচেয়ে দ্রুত সুপার-রেজোলিউশন পদ্ধতি। এএনআর অল্পসংখ্যক অভিধান এবং অভিধানের পরমাণুতে সংযুক্ত রিগ্রসরগুলি শিখে। এসএফ ক্লাস্টার এবং সংশ্লিষ্ট শিক্ষিত ফাংশনগুলির উপর নির্ভর করে। আমরা এ+ প্রস্তাব করছি, এএনআর এর একটি উন্নত রূপ, যা এএনআর এবং এসএফ এর সেরা গুণাবলীকে একত্রিত করে। এ+ এএনআর থেকে বৈশিষ্ট্য এবং অ্যাঙ্করড রিগ্রেশনগুলি তৈরি করে তবে অভিধানের রিগ্রেশনগুলি শেখার পরিবর্তে এটি সম্পূর্ণ প্রশিক্ষণ উপকরণ ব্যবহার করে, যা এসএফ এর মতো। আমরা আমাদের পদ্ধতিকে মানক চিত্রের উপর বৈধতা দিয়েছি এবং অত্যাধুনিক পদ্ধতির সাথে তুলনা করেছি। আমরা উন্নত মানের (অর্থাৎ এএনআর এর চেয়ে 0.2-0.7dB ভাল) এবং চমৎকার সময় জটিলতা, যা এ+কে এখন পর্যন্ত সবচেয়ে কার্যকর অভিধান-ভিত্তিক সুপার-রেজোলিউশন পদ্ধতি হিসাবে পরিণত করেছে। |
240cc2dbe027400957ed1f8cf8fb092a533c406e | নেটওয়ার্কে সংযুক্ত কম্পিউটারের সংখ্যা বাড়ার সাথে সাথে, নেটওয়ার্ক সুরক্ষিত রাখার জন্য অনুপ্রবেশ সনাক্তকরণ একটি অপরিহার্য উপাদান। তবে, একটি অপব্যবহার সনাক্তকরণ সিস্টেম নির্মাণ এবং রক্ষণাবেক্ষণ অত্যন্ত শ্রম-নিবিড় কারণ আক্রমণ পরিস্থিতি এবং নিদর্শনগুলি বিশ্লেষণ এবং শ্রেণিবদ্ধ করা প্রয়োজন এবং সংশ্লিষ্ট নিয়ম এবং নিদর্শনগুলি সাবধানে হাত-কোড করা প্রয়োজন। সুতরাং, এই অসুবিধার জন্য ডেটা মাইনিং ব্যবহার করা যেতে পারে। এই কাগজটি একটি মাল্টি-লেভেল হাইব্রিড শ্রেণীবিভাগের প্রস্তাব দেয়, একটি অনুপ্রবেশ সনাক্তকরণ সিস্টেম যা অনুপ্রবেশ সনাক্ত করতে ট্রি শ্রেণীবিভাগ এবং ক্লাস্টারিং অ্যালগরিদমের সংমিশ্রণ ব্যবহার করে। এই নতুন অ্যালগরিদমের পারফরম্যান্সের তুলনা করা হয় অন্যান্য জনপ্রিয় পদ্ধতি যেমন ম্যাডাম আইডি এবং ৩-স্তরের ট্রি ক্লাসিফায়ারগুলির সাথে এবং উচ্চ অনুপ্রবেশ সনাক্তকরণ হার এবং যুক্তিসঙ্গতভাবে কম মিথ্যা অ্যালার্ম হারের দৃষ্টিকোণ থেকে উল্লেখযোগ্য উন্নতি হয়েছে |
6c49508db853e9b167b6d894518c034076993953 | অনেক সামাজিক, জৈবিক এবং প্রযুক্তিগত নেটওয়ার্কের একটি গুরুত্বপূর্ণ বৈশিষ্ট্য হল কমিউনিটি স্ট্রাকচার। এখানে আমরা গিরভান এবং নিউম্যানের প্রস্তাবিত এই ধরনের সম্প্রদায় সনাক্তকরণের পদ্ধতির একটি বৈচিত্র্য অধ্যয়ন করি এবং সম্প্রদায়ের সীমানা নির্ধারণের জন্য কেন্দ্রীয়তা পরিমাপ ব্যবহারের ধারণার উপর ভিত্তি করে [এম. গিরভান এবং এম. ই. জে. নিউম্যান, প্রোক। নাটল। একাডেমিক। বিজ্ঞান। ইউএসএ 99, 7821 (2002) । আমরা একটি শ্রেণীবিন্যাসিক ক্লাস্টারিংয়ের অ্যালগরিদম তৈরি করি যা সর্বোচ্চ তথ্য কেন্দ্রিকতার সাথে প্রান্তটি পুনরাবৃত্তভাবে খুঁজে বের করে এবং সরিয়ে দেয়। আমরা কম্পিউটার দ্বারা তৈরি এবং বাস্তব বিশ্বের নেটওয়ার্কগুলিতে অ্যালগরিদম পরীক্ষা করি যার সম্প্রদায়ের কাঠামো ইতিমধ্যে পরিচিত বা অন্যান্য পদ্ধতির মাধ্যমে অধ্যয়ন করা হয়েছে। আমরা দেখিয়েছি যে আমাদের অ্যালগরিদম, যদিও এটি O{\displaystyle O} n4 সময়ের মধ্যে সম্পন্ন হয়, বিশেষ করে যখন সম্প্রদায়গুলি খুব মিশ্রিত হয় এবং অন্যান্য পদ্ধতি দ্বারা খুব কমই সনাক্ত করা যায়। |
7e9bfb62ba48bbd8d9c13ef1dc7b93fcc58efea8 | এই গবেষণাপত্রে গ্লোবাল নেভিগেশন স্যাটেলাইট সিস্টেমের (জিএনএসএস) জন্য তৈরি একটি মাইক্রো-স্ট্রিপ বৃত্তাকারভাবে পোলারাইজড অ্যান্টেনার নকশা উপস্থাপন করা হয়েছে। উপস্থাপিত ডিভাইসটি একটি মাইক্রো-স্ট্রিপ স্লটযুক্ত প্যাচ অ্যান্টেনা দ্বারা গঠিত, যা রজার্স আরও ৩০০৬ সাবস্ট্র্যাটে প্রিন্ট করা হয়েছে, ২ মিমি পুরু একটি ফেনা স্তর এবং একটি ব্রডব্যান্ড বাণিজ্যিক ৩ ডিবি এসএমটি কপলার। জোড়ার পরিমাপকৃত এস-প্যারামিটারগুলির সাথে পূর্ণ তরঙ্গ অ্যান্টেনার ফলাফলগুলি সংযুক্ত করে বড় ব্যান্ডউইথগুলিতে অ্যান্টেনার মিল এবং অক্ষীয় অনুপাতের ক্ষেত্রে খুব ভাল পারফরম্যান্স দেখায়। |
64b3435826a94ddd269b330e6254579f3244f214 | |
ba6419a7a4404174ba95a53858632617c47cfff0 | |
6143217ceebc10506fd5a8073434cd6f83cf9a33 | বাস্তব জগতে কাজ করার জন্য রিইনফোর্সমেন্ট লার্নিং এর মাধ্যমে নীতিগুলি শেখার ক্ষেত্রে নমুনার জটিলতা এবং নিরাপত্তা বড় ধরনের চ্যালেঞ্জ - বিশেষ করে যখন নীতিগুলি রিচ ফাংশন এপ্রোচিমেটর যেমন গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে উপস্থাপিত হয়। মডেলভিত্তিক পদ্ধতি যেখানে বাস্তব বিশ্বের লক্ষ্য ডোমেন একটি সিমুলেটেড উৎস ডোমেন ব্যবহার করে আনুমানিক হয়, সিমুলেটেড ডেটার সাথে বাস্তব ডেটা বাড়িয়ে উপরের চ্যালেঞ্জগুলি মোকাবেলার একটি উপায় সরবরাহ করে। তবে, সিমুলেটেড সোর্স ডোমেইন এবং টার্গেট ডোমেইন এর মধ্যে পার্থক্য সিমুলেটেড প্রশিক্ষণের জন্য একটি চ্যালেঞ্জ। আমরা ইপিওপ্ট অ্যালগরিদমের সাথে পরিচয় করিয়ে দিচ্ছি, যা একটি সিমুলেটেড সোর্স ডোমেনের সমষ্টি এবং একটি বিরোধী প্রশিক্ষণের ফর্ম ব্যবহার করে এমন নীতিগুলি শিখতে পারে যা মজবুত এবং সম্ভাব্য লক্ষ্য ডোমেনের বিস্তৃত পরিসরে সাধারণীকরণ করে, যার মধ্যে মডেলযুক্ত প্রভাবগুলিও রয়েছে। উপরন্তু, সমষ্টির উৎস ডোমেনের উপর সম্ভাব্যতা বন্টন লক্ষ্য ডোমেন এবং আনুমানিক বেজিয়ান পদ্ধতি থেকে তথ্য ব্যবহার করে অভিযোজিত হতে পারে, যাতে এটি ধীরে ধীরে একটি ভাল আনুমানিক করে তোলে। সুতরাং, একটি মডেল সমষ্টির উপর শেখার, উৎস ডোমেন অভিযোজন সঙ্গে, উভয় দৃঢ়তা এবং শেখার / অভিযোজন সুবিধা প্রদান করে। |
2fb5c1fdfdf999631a30c09a3602956c9de084db | একটি সামাজিক নেটওয়ার্কে কেন্দ্রীয়তা পরিমাপ করা, বিশেষত দ্বিপক্ষীয় মোডে, অনেকগুলি চ্যালেঞ্জ তৈরি করে, উদাহরণস্বরূপ, নেটওয়ার্ক টপোলজির সম্পূর্ণ জ্ঞানের প্রয়োজনীয়তা এবং শীর্ষ-কে আচরণগত প্রতিনিধি ব্যবহারকারীদের সঠিকভাবে সনাক্ত করার অভাব। উপরোক্ত চ্যালেঞ্জগুলো মোকাবেলার জন্য আমরা HellRank-এর প্রস্তাব দিচ্ছি, যা দ্বিপক্ষীয় সামাজিক নেটওয়ার্কগুলির কেন্দ্রীয় নোডগুলিকে চিহ্নিত করার জন্য একটি সঠিক কেন্দ্রীয়তা পরিমাপ। HellRank একটি দ্বিপক্ষীয় নেটওয়ার্কের একই দিকে দুটি নোডের মধ্যে Hellinger দূরত্বের উপর ভিত্তি করে। আমরা তত্ত্বগতভাবে বিশ্লেষণ করি এই দূরত্বের প্রভাব একটি দ্বিপক্ষীয় নেটওয়ার্কে এবং এর জন্য উপরের এবং নিম্ন সীমা খুঁজে পাই। HellRank কেন্দ্রীয়তা পরিমাপের গণনা বিতরণ করা যেতে পারে, প্রতিটি নোডকে কেবল তার তাত্ক্ষণিক প্রতিবেশীদের স্থানীয় তথ্য ব্যবহার করতে দেওয়া। ফলস্বরূপ, নেটওয়ার্ক টপোলজিকাল স্ট্রাকচারের সম্পূর্ণ জ্ঞান থাকা একটি কেন্দ্রীয় সত্তার প্রয়োজন নেই। আমরা পরীক্ষামূলকভাবে HellRank পরিমাপের পারফরম্যান্স মূল্যায়ন করি বাস্তব বিশ্বের নেটওয়ার্কগুলিতে অন্যান্য কেন্দ্রীয়তার পরিমাপের সাথে সম্পর্কিত। ফলাফলগুলি হেলর্যাঙ্ক এবং অন্যান্য প্রচলিত মেট্রিকের মধ্যে কেন্ডাল এবং স্পিয়ারম্যান র্যাঙ্ক সংশ্লেষণ সহগ অনুসারে আংশিক র্যাঙ্কিং মিল দেখায়। |
af1745e54e256351f55da4a4a4bf61f594e7e3a7 | আমরা মানুষের হাঁটার বিষয়ে দুটি প্রচলিত, কিন্তু বিস্ময়করভাবে পরস্পরবিরোধী তত্ত্বের পরীক্ষা করি। পদচারনার ছয়টি নির্ধারক হল পদচারনার গতিশীল বৈশিষ্ট্য যা শরীরের ভর কেন্দ্রের (সিওএম) উল্লম্ব স্থানচ্যুতি হ্রাস করে গতিশীলতার শক্তি ব্যয়কে হ্রাস করার প্রস্তাব দেয়। বিপরীত পেন্ডুলাম উপমাটি প্রস্তাব করে যে স্ট্যান্স লেগটি পেন্ডুলামের মতো আচরণ করা উপকারী, সিওএম এর জন্য একটি অনুভূমিক পথের পরিবর্তে আরও বৃত্তাকার কায়দা নির্ধারণ করে। সাম্প্রতিক সাহিত্যে ছয়টি নির্ধারক তত্ত্বের বিরুদ্ধে প্রমাণ উপস্থাপন করা হয়েছে এবং একটি সহজ গাণিতিক বিশ্লেষণ দেখায় যে একটি সমতলিত সিওএম ট্র্যাজেক্টরি আসলে পেশী কাজ এবং শক্তির প্রয়োজনীয়তা বৃদ্ধি করে। একই রকম বিশ্লেষণে দেখা যায় যে, উল্টো পেন্ডুলাম আরো ভালো কাজ করে, কিন্তু পরস্পরবিরোধীভাবে কোন কাজ বা শক্তির প্রয়োজন নেই। এই বিপরীতমুখীতাকে গতিশীল হাঁটার পদ্ধতির মাধ্যমে সমাধান করা যেতে পারে, যা প্রায় সম্পূর্ণরূপে একা অঙ্গের গতিশীলতার দ্বারা উত্পাদিত পর্যায়ক্রমিক পদচারণাকে বোঝায়। প্রদর্শনীর মধ্যে রয়েছে নিষ্ক্রিয় গতিশীল হাঁটা যন্ত্র যা একটি মৃদু ঢালের নিচে নেমে আসে এবং সক্রিয় গতিশীল হাঁটা রোবট যা সমতল স্থানে হাঁটে। গতিশীল হাঁটাচলা উল্টানো পেন্ডুলাম প্রক্রিয়াটির সুবিধা নেয়, কিন্তু একটি পেন্ডুলার স্ট্যান্ড লেগ থেকে পরবর্তী লেগ পর্যন্ত স্থানান্তর করার জন্য যান্ত্রিক কাজ প্রয়োজন। আমরা দেখাবো কিভাবে ধাপে ধাপে রূপান্তরটি বিপরীত পেন্ডুলাম পদচারণার একটি অনিবার্য শক্তিগত পরিণতি, এবং এমন ভবিষ্যদ্বাণীকে উত্থাপন করে যা মানুষ এবং মেশিনের উপর পরীক্ষামূলকভাবে পরীক্ষিত হয়। গতিশীল হাঁটার পদ্ধতি একটি নতুন দৃষ্টিভঙ্গি প্রদান করে, যা গতিবিদ্যা বা হাঁটার শক্তির পরিবর্তে যান্ত্রিক কাজের উপর দৃষ্টি নিবদ্ধ করে। এটি মানুষের পদচারনার বৈশিষ্ট্যগুলিকে ব্যাখ্যা করার পরিবর্তে গঠনমূলক উপায়ে ব্যাখ্যা করার জন্য সহায়ক। |
8bc68ff091ee873c797b8b2979139b024527cb59 | অপব্যবহার সনাক্তকরণ হল একটি নেটওয়ার্ক আক্রমণের ঘটনাগুলি সনাক্ত করার চেষ্টা করার প্রক্রিয়া যা একটি অনুপ্রবেশকারীর প্রত্যাশিত ক্রিয়াকলাপের বিরুদ্ধে বর্তমান ক্রিয়াকলাপের তুলনা করে। অপব্যবহার সনাক্তকরণের বেশিরভাগ বর্তমান পদ্ধতিতে পরিচিত আক্রমণের ইঙ্গিত সনাক্ত করতে নিয়ম-ভিত্তিক বিশেষজ্ঞ সিস্টেম ব্যবহার করা হয়। তবে, এই কৌশলগুলি প্রত্যাশিত নিদর্শন থেকে পৃথক আক্রমণগুলি সনাক্ত করতে কম সফল। কৃত্রিম নিউরাল নেটওয়ার্কগুলি সীমিত, অসম্পূর্ণ এবং নন-লাইনার ডেটা উত্সের ভিত্তিতে নেটওয়ার্ক ক্রিয়াকলাপ সনাক্ত এবং শ্রেণিবদ্ধ করার সম্ভাবনা সরবরাহ করে। আমরা অপব্যবহার সনাক্তকরণের প্রক্রিয়াটির একটি পদ্ধতি উপস্থাপন করছি যা নিউরাল নেটওয়ার্কের বিশ্লেষণাত্মক শক্তি ব্যবহার করে এবং আমরা এই পদ্ধতির প্রাথমিক বিশ্লেষণের ফলাফল সরবরাহ করি। |
4d58f886f5150b2d5e48fd1b5a49e09799bf895d | আমরা টেক্সাসের 3D ফেস রিকগনিশন ডাটাবেসকে ত্রিমাত্রিক (3D) মুখের স্বীকৃতি এবং অন্যান্য সম্পর্কিত ক্ষেত্রে গবেষকদের জন্য উপলব্ধ করে থাকি। এই ডাটাবেসে ১১৮ জন প্রাপ্তবয়স্ক মানুষের ১১৪৯ জোড়া উচ্চ রেজোলিউশনের, স্বাভাবিক, প্রাক-প্রক্রিয়াকৃত এবং নিখুঁতভাবে সারিবদ্ধ রঙ এবং পরিসীমা চিত্র রয়েছে যা স্টেরিও ক্যামেরা ব্যবহার করে অর্জিত হয়েছে। ছবিগুলোতে বিষয়গুলোর লিঙ্গ, জাতিগত পরিচয়, মুখের ভাব এবং ২৫টি ম্যানুয়ালি অবস্থিত মুখের ফিডুসিয়াল পয়েন্টের অবস্থান সম্পর্কে তথ্য রয়েছে। ৩ডি মুখের স্বীকৃতি অ্যালগরিদমের বিকাশ ও মূল্যায়নের জন্য ডেটার নির্দিষ্ট পার্টিশনগুলিও অন্তর্ভুক্ত করা হয়েছে। |
5f6b7fca82ff3947f6cc571073c18c687eaedd0d | বড় ডেটার ব্যবস্থাপনা ও বিশ্লেষণ পদ্ধতিগতভাবে হাডোপ এবং এখন স্পার্ক ফ্রেমওয়ার্কে ডেটা বিতরণকৃত আর্কিটেকচারের সাথে যুক্ত। এই নিবন্ধটি তিনটি রেফারেন্স পরিবেশের সরাসরি ব্যবহারের মাধ্যমে প্রাপ্ত পারফরম্যান্সের তুলনা করে পরিসংখ্যানবিদদের জন্য এই প্রযুক্তিগুলির একটি ভূমিকা প্রদান করেঃ R, Python Scikit-learn, Université de Toulouse - INSA, Institut de Mathématiques, UMR CNRS 5219 †Institut de Mathématiques, UMR CNRS 5219 ‡Université de Toulouse - UT3, Institut de Mathématiques, UMR CNRS 5219 1 ar X iv:1 60 9. 09 61 9v 1 [ st at .A P] 3 0 Se p 20 16 স্পার্ক এমএলবি তিনটি পাবলিক ইউজ কেস নিয়ে কাজ করেঃ চরিত্রের স্বীকৃতি, চলচ্চিত্রের সুপারিশ, পণ্যের শ্রেণীবদ্ধকরণ। মূলত, এটা দেখা যাচ্ছে যে, যদি স্পার্ক তথ্য ম্যানিপিং এবং সহযোগী ফিল্টারিং (অ-নেতিবাচক ফ্যাক্টরাইজেশন) দ্বারা সুপারিশ জন্য খুব দক্ষ, MLlib বা SparkML মধ্যে প্রচলিত শেখার পদ্ধতি (লজিস্টিক রিগ্রেশন, র্যান্ডম বন) বর্তমান বাস্তবায়ন একটি সমন্বিত বা undistributed স্থাপত্য এই পদ্ধতির (R, পাইথন Scikit-শিক্ষা) অভ্যস্ত ব্যবহারের সঙ্গে প্রতিদ্বন্দ্বিতা না ou দুর্বল. |
ee61d5dbb2ff64995f1aeb81d94c0b55d562b4c9 | |
9b9bac085208271dfd33fd333dcb76dcde8332b8 | |
7f270d66e0e82040b82dfcef6ad90a1e78e13f04 | ডেভিস [12/ দ্বারা প্রবর্তিত উপযোগীতা এবং সহজতা পরিমাপের পরিমাপ স্কেলগুলি উদীয়মান তথ্য প্রযুক্তির ব্যবহারকারীর গ্রহণযোগ্যতার পূর্বাভাসের জন্য ব্যাপকভাবে ব্যবহৃত হয়েছে। একটি পরীক্ষা করা হয়েছিল যে, আইটেমগুলোকে গ্রুপে ভাগ করে দেওয়া নির্ভরযোগ্যতা এবং বৈধতা পরিমাপের কৃত্রিম উর্ধ্বগতি সৃষ্টি করেছে কিনা। আমরা আমাদের অনুমানের পক্ষে সমর্থন পেয়েছি যে নির্ভরযোগ্যতা এবং বৈধতা আইটেম গ্রুপিং থেকে উদ্ভূত নয় বরং উপলব্ধি করা উপযোগিতা এবং ব্যবহারের সহজতার গঠনগুলি স্পষ্টভাবে সংজ্ঞায়িত করা হয়েছে এবং ব্যবহৃত আইটেমগুলি এই প্রতিটি ধারণাকে পরিমাপ করে পরিষ্কারভাবে পণ্যটির সারমর্মকে ক্যাপচার করে। |
6373298f14c7472dbdecc3d77439853e39ec216f | অসম্পূর্ণ অর্ধ-ব্রিজ (এএইচবি) ফ্লাইব্যাক কনভার্টার উচ্চতর সুইচিং ফ্রিকোয়েন্সিগুলিতে অপারেশনের জন্য একটি আকর্ষণীয় টপোলজি কারণ এটি প্রাথমিক-পার্শ্বের সুইচগুলির শূন্য-ভোল্টেজ সুইচিং এবং মাধ্যমিক-পার্শ্বের র্যাক্টিফায়ারের শূন্য-বর্তমান সুইচিংয়ের সাথে কাজ করতে পারে। এই গবেষণাপত্রে, ইউনিভার্সাল-লাইন-ভোল্টেজ-রেঞ্জ অ্যাপ্লিকেশনের জন্য এএইচবি ফ্লাইব্যাক কনভার্টারটির বিশদ বিশ্লেষণ এবং নকশা পদ্ধতি উপস্থাপন করা হয়েছে। এএইচবি ফ্লাইব্যাক কনভার্টারটির পারফরম্যান্সের মূল্যায়ন করা হয় সিমপ্লিসে প্রাপ্ত সিমুলেশন ওয়েভফর্মের উপর ভিত্তি করে ক্ষতির বিশ্লেষণের মাধ্যমে এবং পরীক্ষামূলকভাবে 65-ওয়াট (19.5-ভোল্ট, 3.33-এ) ইউনিভার্সাল লাইন ভোল্টেজ-রেঞ্জ অ্যাডাপ্টারের একটি পরীক্ষাগার প্রোটোটাইপের উপর যাচাই করা হয়। |
587f6b97f6c75d7bfaf2c04be8d9b4ad28ee1b0a | স্ক্যান মূল-মেমরি কলাম-স্টোরে একটি গুরুত্বপূর্ণ অপারেশন। এটি একটি কলাম স্ক্যান করে এবং একটি ফলাফল বিট ভেক্টর ফেরত দেয় যা নির্দেশ করে যে কোন রেকর্ডগুলি একটি ফিল্টার প্রেডিক্যাটকে সন্তুষ্ট করে। বাইটস্লাইস একটি ইন-মেমরি ডেটা লেআউট যা একাধিক বাইটে ডেটা কাটা এবং উচ্চ-অর্ডার বাইট তুলনা দ্বারা প্রারম্ভিক স্টপ ক্ষমতা ব্যবহার করে। যেহেতু কলামের প্রস্থ সাধারণত বাইটের বহুবচন নয়, তাই বাইটস্লাইসের শেষ বাইটটি 0 দিয়ে প্যাড করা হয়, যা মেমরি ব্যান্ডউইথ এবং কম্পিউটিং পাওয়ার নষ্ট করে। সম্পদের পূর্ণ ব্যবহারের জন্য, আমরা একটি সেকেন্ডারি ইনডেক্সকে ফাঁকা বিটগুলিতে (অর্থাৎ, 0 এর সাথে মূলত প্যাড করা বিটগুলি) বুনাতে প্রস্তাব করি, আমাদের নতুন লেআউট তৈরি করে ডিআইএফউশন (ডেটা ইনডেক্স ফিউশন) । ডিআইএফউশন একটি নতুন দ্রুত স্ক্যান, যা বাইটস্লাইসের থেকে প্রাথমিক স্টপিং ক্ষমতা উত্তরাধিকারসূত্রে পেয়েছে এবং একই সময়ে শূন্য স্পেস ওভারহেড সহ সূচকের ডেটা-স্কিপিং ক্ষমতা রয়েছে। পরীক্ষামূলক ফলাফল দেখায় যে ডিআইএফউশনের উপর স্ক্যান-স্কিপিং বাইটস্লাইসে স্ক্যানের চেয়ে ভাল। |
0e9741bc1e0c80520a8181970cd4f61caa00055a | বিতরণকৃত শেয়ার্ড মেমরি বাস্তবায়নের জন্য চারটি মৌলিক অ্যালগরিদমের তুলনা করা হয়েছে। ধারণাগতভাবে, এই অ্যালগরিদমগুলি স্থানীয় ভার্চুয়াল ঠিকানা স্থানগুলিকে স্থানীয় এলাকা নেটওয়ার্ক দ্বারা সংযুক্ত একাধিক হোস্টকে স্প্যান করতে প্রসারিত করে এবং তাদের মধ্যে কিছু সহজেই হোস্টের ভার্চুয়াল মেমরি সিস্টেমের সাথে সংহত করা যায়। বিতরণকৃত শেয়ার্ড মেমরির উপকারিতা এবং পরিবেশের সাথে সম্পর্কিত অনুমানগুলি বর্ণনা করা হয়েছে যেখানে শেয়ার্ড মেমরি অ্যালগরিদমগুলি কার্যকর করা হয়। তারপর অ্যালগরিদমগুলো বর্ণনা করা হয় এবং অ্যাপ্লিকেশন-স্তরের অ্যাক্সেস আচরণের সাথে সম্পর্কিত তাদের পারফরম্যান্সের একটি তুলনামূলক বিশ্লেষণ উপস্থাপন করা হয়। এটি দেখানো হয়েছে যে অ্যালগরিদমের সঠিক পছন্দটি অ্যাপ্লিকেশনগুলির মেমরি অ্যাক্সেস আচরণের দ্বারা মূলত নির্ধারিত হয়। মৌলিক অ্যালগরিদমের দুটি বিশেষ আকর্ষণীয় এক্সটেনশন বর্ণনা করা হয়েছে এবং বিতরণকৃত শেয়ার্ড মেমরির কিছু সীমাবদ্ধতা উল্লেখ করা হয়েছে। |
95a6d057b441396420ee46eca84dea47e4bf11e7 | বিশেষজ্ঞদের মূল্যায়ন এবং ব্যবহারকারীর পরীক্ষার ফলে আজ কার্যকরভাবে ব্যবহারযোগ্য নিরাপত্তা তৈরি হচ্ছে। নিরাপদ পর্যায়ের মতো নীতি, ব্যবহারযোগ্যতা ব্যর্থতার ঝুঁকিগুলিকে তালিকাভুক্ত করা, সমন্বিত সুরক্ষা, স্বচ্ছ সুরক্ষা এবং বিশ্বস্ত কর্তৃপক্ষের উপর নির্ভরতা উন্নত সিস্টেমের ভিত্তিও তৈরি করতে পারে তথ্য সুরক্ষা ও আশ্বাসের ক্ষেত্রে ব্যবহারকারীকে কেন্দ্র করে নিরাপত্তা একটি বড় চ্যালেঞ্জ হিসেবে চিহ্নিত করা হয়েছে। এটি নিরাপত্তা এবং মানব-কম্পিউটার ইন্টারফেস (এইচসিআই) গবেষণার একটি প্রতিষ্ঠিত উপ-ক্ষেত্র হয়ে ওঠার দ্বারপ্রান্তে রয়েছে এবং পণ্য বিকাশের জীবনচক্রের উপর প্রভাব ফেলে। নিরাপত্তা এবং এইচসিআই উভয়ই তাদের কাজের উপযোগিতা এবং বৈধতা প্রমাণ করার জন্য ব্যবহারকারীদের সাথে মিথস্ক্রিয়া বাস্তবতার উপর নির্ভর করে। এই ক্ষেত্রের অনুশীলনকারী এবং গবেষক হিসেবে, আমরা এখনও উভয় ক্ষেত্রেই এই ক্ষেত্রের সবচেয়ে মৌলিক সরঞ্জামগুলি প্রয়োগ করার সময় বড় সমস্যার সম্মুখীন হই। এই প্রবন্ধে সামাজিক, প্রযুক্তিগত এবং বাস্তবসম্মত স্তরে সিস্টেমিক বাধা-বিপত্তি নিয়ে আলোচনা করা হয়েছে যা ব্যবহারকারী-কেন্দ্রিক সুরক্ষাকে অবশ্যই উল্লেখযোগ্য সাফল্য অর্জনের জন্য অতিক্রম করতে হবে। |
610b86da495e69a27484287eac6e79285513884f | এই গবেষণাপত্রে একটি নতুন প্ল্যানার ব্রডব্যান্ড মাইক্রোস্ট্রিপ থেকে ওয়েভগাইড রূপান্তরের প্রস্তাব দেওয়া হয়েছে। উল্লিখিত ওয়েভগাইডটি হয় আয়তক্ষেত্রাকার ওয়েভগাইড বা রেডযুক্ত ওয়েভগাইড হতে পারে। এই ট্রানজিশনটি একটি খোলা-সার্কিটেড মাইক্রোস্ট্রিপ কোয়ার্টার ওয়েভলংথ রেজোনার এবং একটি শর্ট-সার্কিটেড ওয়েভগাইডের উপরের ব্রডসাইড প্রাচীরের উপর একটি রেজোন্যান্ট ইউ-আকৃতির স্লট নিয়ে গঠিত। কাজ করার প্রক্রিয়া ব্যাখ্যা করার জন্য এবং প্রকৌশল নকশার জন্য একটি মোটামুটি মডেল প্রদানের জন্য একটি পদার্থবিজ্ঞান ভিত্তিক সমতুল্য-সার্কিট মডেলও তৈরি করা হয়। ব্রডব্যান্ড ট্রানজিশনকে একটি স্ট্যাকড টু-পোল রেজোনার ফিল্টার হিসেবে বিবেচনা করা যেতে পারে। প্রতিটি কপলিং সার্কিটকে কেন্দ্রীয় ফ্রিকোয়েন্সিতে গ্রুপ-বিলম্ব তথ্য ব্যবহার করে পৃথকভাবে ডিজাইন করা যেতে পারে। ব্রডব্যান্ড বৈশিষ্ট্য ছাড়াও, এই ট্রানজিশনটি কমপ্যাক্ট আকারের, ভায়াললেস এবং প্ল্যানার সার্কিটের সাথে অত্যন্ত সামঞ্জস্যপূর্ণ। এই ভাল বৈশিষ্ট্যগুলি সিস্টেম আর্কিটেকচারের জন্য নতুন রূপান্তরকে খুব আকর্ষণীয় করে তোলে যেখানে ওয়েভগাইড ডিভাইসগুলিকে বহুস্তরীয় প্ল্যানার সার্কিটে পৃষ্ঠের উপর মাউন্ট করা দরকার। এই রূপান্তরের উপযোগিতা দেখানোর জন্য দুটি নকশা উদাহরণ দেওয়া হয়েছেঃ একটি হল একটি ব্রডব্যান্ড রিজড ওয়েভগাইড ব্যান্ডপাস ফিল্টার এবং অন্যটি একটি সারফেস-মাউন্টযোগ্য ব্রডব্যান্ড নিম্ন তাপমাত্রা সহ-ফায়ারড সিরামিক ল্যামিনেটেড ওয়েভগাইড কভারি ফিল্টার। উভয় ফিল্টারই মাইক্রো স্ট্রিপ লাইনের সাথে ইন্টারফেসের জন্য প্রস্তাবিত রূপান্তরের সাথে রয়েছে, যা ব্যবহারিক অ্যাপ্লিকেশনগুলিতে প্রতিশ্রুতিশীল সম্ভাবনা দেখায়। |
6514d7eeb27a47f8b75e157aca98b177c38de4e9 | |
56debe08d1f3f0a149ef18b86fc2c6be593bdc03 | তথ্য ব্যবস্থা সুরক্ষার জন্য প্রতিষ্ঠানগুলো প্রযুক্তিগত ও পদ্ধতিগত ব্যবস্থা গ্রহণ করে। শুধু প্রযুক্তিগত ভিত্তিক নিরাপত্তা সমাধানের উপর নির্ভর করা যথেষ্ট নয়। সামাজিক, মানবিক এবং সাংগঠনিক বিষয়গুলির সাথে সংগঠনের অবশ্যই প্রযুক্তিগত সুরক্ষা সমাধানগুলি বিবেচনা করতে হবে। মানব উপাদান কর্মচারী (অভ্যন্তরীণ) যারা তাদের দৈনন্দিন অপারেশন তথ্য সিস্টেম এবং অন্যান্য প্রযুক্তি সম্পদ ব্যবহার প্রতিনিধিত্ব করে। আইএসপি সচেতনতা প্রতিষ্ঠানের তথ্য ব্যবস্থা রক্ষা করার জন্য অপরিহার্য। এই গবেষণায় ইনোভেশন ডিফিউশন থিওরিকে ইন্টারনেট পরিষেবা প্রদানকারীর সচেতনতা এবং ইন্টারনেট পরিষেবা প্রদানকারী এবং নিরাপত্তা ব্যবস্থার সাথে সন্তুষ্টির উপর এর প্রভাবের পূর্বসূরীদের পরীক্ষা করার জন্য অভিযোজিত করা হয়েছে। গবেষণা মডেলের মূল্যায়ন করার জন্য মার্কিন যুক্তরাষ্ট্রের বিশ্ববিদ্যালয়গুলোতে ২৩৬ জন কর্মীর একটি নমুনা সংগ্রহ করা হয়। ফলাফলগুলি ইঙ্গিত দেয় যে আইএসপি গুণমান, স্ব-কার্যকারিতা এবং প্রযুক্তি সুরক্ষা সচেতনতা উল্লেখযোগ্যভাবে আইএসপি সচেতনতাকে প্রভাবিত করে। বর্তমান গবেষণায় আইএসপি সচেতনতা সম্পর্কে পূর্বসূরীদের বোঝার জন্য উল্লেখযোগ্য অবদান রয়েছে এবং তথ্য সুরক্ষা আচরণগত ডোমেনের মধ্যে সন্তুষ্টি দিক অন্তর্ভুক্ত করার জন্য একটি সূচনা পয়েন্ট সরবরাহ করে। |
7917b89d0780decf7201aad8db9ed3cb101b24d7 | অনুপ্রবেশ সনাক্তকরণ হল আক্রমণ সনাক্তকরণের একটি প্রক্রিয়া। আইডিএসের মূল লক্ষ্য হল স্বাভাবিক এবং আক্রমণাত্মক কার্যকলাপ চিহ্নিত করা। সাম্প্রতিক বছরগুলোতে, অনেক গবেষক আইডিএস তৈরির জন্য ডেটা মাইনিং কৌশল ব্যবহার করছেন। এখানে আমরা একটি নতুন পদ্ধতির প্রস্তাব দিচ্ছি যা ডেটা মাইনিং প্রযুক্তি ব্যবহার করে যেমন এসভিএম এবং পার্টিকল স্ওয়ারম অপ্টিমাইজেশন উচ্চতর সনাক্তকরণ হার অর্জনের জন্য। প্রস্তাবিত কৌশলটিতে প্রধান পদক্ষেপ রয়েছেঃ প্রিপ্রসেসিং, পিএসও ব্যবহার করে প্রশিক্ষণ, বিভিন্ন প্রশিক্ষণ উপসেট তৈরি করতে কে-মিডিয়ামের ব্যবহার করে ক্লাস্টারিং। এরপর পরবর্তী প্রশিক্ষণের উপ-সেটের উপর ভিত্তি করে এসভিএম শ্রেণীবিভাগের জন্য একটি ভেক্টর তৈরি করা হয় এবং শেষ পর্যন্ত, পিএসও ব্যবহার করে শ্রেণীবিভাগ করা হয় যাতে সনাক্ত করা যায় যে, অনুপ্রবেশ ঘটেছে কি না। এই গবেষণাপত্রে সংক্ষিপ্ত অধ্যয়ন এবং পূর্বে জরিপকৃত কাজের ত্রুটিগুলি চিহ্নিত করা হয়েছে। মূলশব্দ-অনুপ্রবেশ সনাক্তকরণ ব্যবস্থা; নিউরো-ফজি; সাপোর্ট ভেক্টর মেশিন (এসভিএম); পিএসও; কে-মিডেনস |
414b7477daa7838b6bbd7af659683a965691272c | ভিডিও সারসংক্ষেপগুলি স্থির চিত্র, ভিডিও বিভাগ, গ্রাফিকাল উপস্থাপনা এবং পাঠ্য বর্ণনাকারীগুলির সংমিশ্রণের মাধ্যমে একটি ভিডিও স্ট্রিমের সামগ্রীর সংক্ষিপ্ত এবং সংক্ষিপ্ত উপস্থাপনা সরবরাহ করে। এই গবেষণাপত্রটি গবেষণা সাহিত্যের থেকে উদ্ভূত ভিডিও সংক্ষিপ্তসারগুলির জন্য একটি ধারণাগত কাঠামো উপস্থাপন করে এবং গবেষণা সাহিত্যের জরিপের জন্য একটি মাধ্যম হিসাবে ব্যবহৃত হয়। এই কাঠামো ভিডিও সংক্ষিপ্তকরণ কৌশল (উৎস ভিডিও স্ট্রিম থেকে সামগ্রী প্রক্রিয়াকরণের জন্য ব্যবহৃত পদ্ধতিগুলি) এবং ভিডিও সংক্ষিপ্তকরণ (ভিডিও সংক্ষিপ্তকরণ কৌশলগুলির আউটপুট) এর মধ্যে পার্থক্য করে। ভিডিও সংক্ষিপ্তকরণ কৌশল তিনটি প্রধান বিভাগে বিবেচনা করা হয়ঃ অভ্যন্তরীণ (ভিডিও স্ট্রিম থেকে সরাসরি উত্স বিশ্লেষণ তথ্য), বহিরাগত (ভিডিও স্ট্রিম থেকে সরাসরি উত্স নয় বিশ্লেষণ তথ্য) এবং হাইব্রিড (অভ্যন্তরীণ এবং বহিরাগত তথ্যের সংমিশ্রণ বিশ্লেষণ) । ভিডিও সারসংক্ষেপগুলিকে তারা যে ধরনের বিষয়বস্তু থেকে উদ্ভূত হয়েছে (বস্তু, ঘটনা, উপলব্ধি বা বৈশিষ্ট্য ভিত্তিক) এবং ব্যবহারকারীর কাছে তাদের ব্যবহারের জন্য দেওয়া কার্যকারিতা (ইন্টারেক্টিভ বা স্ট্যাটিক, ব্যক্তিগতকৃত বা জেনেরিক) এর ফাংশন হিসাবে বিবেচনা করা হয়। এটা যুক্তিযুক্ত যে ভিডিও সংক্ষিপ্তকরণ বহিরাগত তথ্য, বিশেষ করে ব্যবহারকারী ভিত্তিক তথ্য যে unobtrusively sourced হয়, যেমন শব্দার্থিক ফাঁক যেমন দীর্ঘদিনের চ্যালেঞ্জ অতিক্রম এবং ভিডিও সংক্ষিপ্ত বিবরণ যে পৃথক ব্যবহারকারীদের জন্য আরো প্রাসঙ্গিক আছে প্রদানের থেকে লাভ হবে। ২০০৭ এ্যালসেভিয়ার ইনক. সমস্ত অধিকার সংরক্ষিত। |
5fc6817421038f21d355af7cee4114155d134f69 | |
f4ec256be284ff40316f27fa3b07531f407ce9fe | এই গবেষণায় একটি নতুন টাইট-কপলড ডাইপোল অ্যারে অ্যান্টেনাকে ছয় অষ্টম ব্যান্ডউইথ এবং ৬০ ডিগ্রি স্ক্যানিংয়ের সাথে কাজ করার জন্য রিপোর্ট করা হয়েছে। এই অ্যারেটি সম্পূর্ণ তরঙ্গের ইএম সিমুলেশনগুলির মাধ্যমে ডিজাইন করা হয়েছিল বর্তমান শীট অ্যারে রেডিয়েটার ধারণাটি ব্যবহার করে যা একটি অভিনব সমন্বিত ফিড নেটওয়ার্ক দ্বারা উন্নত হয়েছিল। ০.৩-২০ গিগাহার্জ এর মধ্যে সমতল এবং কনফর্মাল অ্যারের বেশ কয়েকটি প্রোটোটাইপ তৈরি করা হয়েছে এবং সমস্ত পূর্বাভাসিত এবং পরিমাপ করা টার্মিনাল এবং বিকিরণ বৈশিষ্ট্যগুলির মধ্যে ভাল চুক্তির সাথে পরীক্ষিত হয়েছে। উদাহরণস্বরূপ, রেডিয়েটর উচ্চতা 0.12 সর্বোচ্চ অপারেশনাল তরঙ্গদৈর্ঘ্যের সাথে 1.2-6 গিগাহার্জ জন্য ডিজাইন করা হয়েছে। |
0be360a2964c4bb91aaad0cc6d1baa6639746028 | মানুষ খুব কম বা কোন প্রচেষ্টার সাথে দৃশ্যের মুখগুলি সনাক্ত এবং সনাক্ত করে । তবে, এই কাজটি সম্পন্ন করার জন্য একটি স্বয়ংক্রিয় সিস্টেম তৈরি করা খুবই কঠিন। এখানে বেশ কিছু সম্পর্কিত উপ-প্রশ্ন রয়েছে: একটি মুখের মতো একটি নিদর্শন সনাক্তকরণ । মুখের পরিচয়, মুখের ভাব বিশ্লেষণ, এবং মুখের শারীরিক বৈশিষ্ট্য উপর ভিত্তি করে শ্রেণীবিভাগ। এই অপারেশনগুলি সম্পাদন করে এমন একটি সিস্টেম অনেক অ্যাপ্লিকেশন খুঁজে পাবে, যেমন . অপরাধী সনাক্তকরণ, নিরাপদ সিস্টেমে প্রমাণীকরণ ইত্যাদি। এখন পর্যন্ত বেশিরভাগ কাজ হয়েছে সনাক্তকরণে । এই গবেষণাপত্রে এই সমস্যাগুলো সমাধানের জন্য অতীতের কাজগুলো পর্যালোচনা করা হয়েছে । এই সমস্যাগুলির সাথে মানব দৃষ্টিশক্তির ক্ষমতাও আলোচনা করা হয়েছে । এটি একটি স্বয়ংক্রিয় সিস্টেমের জন্য একটি গাইড হিসাবে কাজ করার উদ্দেশ্যে করা হয়। এই সমস্যাগুলির কিছু নতুন পদ্ধতির বিষয়েও সংক্ষেপে আলোচনা করা হয়েছে । মুখ সনাক্তকরণ মুখের চেহারা মুখের ভাব শ্রেণীবিভাগ মুখের বৈশিষ্ট্য |
4d899ebf7a3004fe550842830f06b4600d9c6230 | এই গবেষণাপত্রের সংকেত সনাক্তকরণের সমস্যাটি নিম্নরূপঃ ধরুন একজন পর্যবেক্ষককে একটি নির্ধারিত পর্যবেক্ষণের সময়কালে সময়ের সাথে পরিবর্তিত একটি ভোল্টেজ দেওয়া হয় এবং তার উৎসটি শব্দ বা সংকেত এবং শব্দ কিনা তা সিদ্ধান্ত নিতে বলা হয়। এই সিদ্ধান্ত নেওয়ার জন্য পর্যবেক্ষককে কোন পদ্ধতি ব্যবহার করতে হবে এবং কোন প্রাপক সেই পদ্ধতির বাস্তবায়ন? এই সমস্যার তাত্ত্বিক দিক নিয়ে আলোচনা করার পর, এই গবেষণাপত্রটি ব্যবহারিক আগ্রহের বেশ কয়েকটি ক্ষেত্রে সর্বোত্তম রিসিভারের নির্দিষ্ট ডেরিভেশন উপস্থাপন করে। একটি সর্বোত্তম পর্যবেক্ষককে হ্যাঁ বা না উত্তর দিতে হবে কেবল একটি অপারেটিং স্তর বেছে নেবে এবং উপসংহারে আসবে যে রিসিভার ইনপুটটি সিগন্যাল প্লাস গোলমাল থেকে এসেছে যখন এই স্তরটি তার সম্ভাব্যতা অনুপাত রিসিভারের আউটপুট দ্বারা অতিক্রম করা হয়। প্রতিটি অপারেটিং লেভেলের সাথে যুক্ত শর্তযুক্ত সম্ভাব্যতা রয়েছে যে উত্তরটি একটি মিথ্যা অ্যালার্ম এবং সনাক্তকরণের শর্তযুক্ত সম্ভাবনা। এই পরিমাণের গ্রাফ, যাকে রিসিভার অপারেটিং চরিত্রগত বা ROC বলা হয়, একটি রিসিভার মূল্যায়নের জন্য সুবিধাজনক। যদি সনাক্তকরণ সমস্যাটি পরিবর্তিত হয়, উদাহরণস্বরূপ, সংকেত শক্তি, তারপর ROC বক্ররেখার একটি পরিবার উত্পন্ন হয়। এই ধরনের পরিবার থেকে সহজেই বেটিং কার্ভের মতো জিনিস পাওয়া যায়। একটি নির্দিষ্ট পরিস্থিতিতে ব্যবহার করা অপারেটিং স্তর পর্যবেক্ষক দ্বারা নির্বাচিত করা আবশ্যক। তার পছন্দ নির্ভর করবে এমন কিছু বিষয়ের উপর যেমন অনুমোদিত মিথ্যা বিপদাশঙ্কা হার, পূর্ববর্তী সম্ভাবনা এবং ত্রুটির আপেক্ষিক গুরুত্বের উপর। এই তাত্ত্বিক দিকগুলিকে প্রবর্তন হিসাবে ব্যবহার করে, বেশ কয়েকটি বিশেষ ক্ষেত্রে সম্ভাব্যতার অনুপাতের জন্য এবং সনাক্তকরণের সম্ভাবনা এবং মিথ্যা অ্যালার্মের সম্ভাবনার জন্য সুস্পষ্ট সূত্রের প্রাপ্তির প্রতি মনোযোগ দেওয়া হয়। স্থির, ব্যান্ড-সীমাবদ্ধ, সাদা গাউসিয়ান গোলমাল অনুমান করা হয় .. যে সাতটি বিশেষ ক্ষেত্রে সেট আপ করা হয়েছে তা সিগন্যাল সনাক্তকরণের সবচেয়ে সহজ সমস্যা থেকে নির্বাচিত হয়েছে যা বাস্তব পরিস্থিতির সাথে ঘনিষ্ঠভাবে প্রতিনিধিত্ব করে। দুটি ক্ষেত্রে সংকেতের সূচনা সময়, সংকেত ফ্রিকোয়েন্সি, বা উভয়ই যখন l l & TlOUn হয় তখন সনাক্তকরণের সম্ভাব্যতা খুঁজে বের করার গুরুত্বপূর্ণ সমস্যার জন্য সেরা উপলব্ধ আনুমানিক ভিত্তি গঠন করে। উপরন্তু, এই দুটি ক্ষেত্রে সংকেত অনিশ্চয়তা পরিবর্তিত হতে পারে, এবং অনিশ্চয়তা এবং সংকেত সনাক্ত করার ক্ষমতা মধ্যে একটি পরিমাণগত সম্পর্ক এই দুটি বরং সাধারণ ক্ষেত্রে উপস্থাপন করা হয়। উপস্থাপিত বিভিন্ন উদাহরণগুলি অন্যান্য সহজ সংকেত সনাক্তকরণ সমস্যার আক্রমণ করার পদ্ধতিগুলি প্রস্তাব করার জন্য এবং সরাসরি সমাধানের অনুমতি দেওয়ার জন্য খুব জটিল সমস্যার অন্তর্দৃষ্টি দেওয়ার জন্য ব্যবহার করা উচিত। |
5140f1dc83e562de0eb409385480b799e9549d54 | টেক্সচার একটি গুরুত্বপূর্ণ বৈশিষ্ট্য যা একটি ইমেজ থেকে আগ্রহের বস্তু বা অঞ্চলগুলি সনাক্ত করতে ব্যবহৃত হয়, ছবিটি একটি ফোটোমাইক্রোগ্রাফ, একটি বায়ু ছবি বা একটি উপগ্রহ চিত্র হোক না কেন। এই গবেষণাপত্রে ধূসর রঙের স্থানের উপর নির্ভরশীলতার উপর ভিত্তি করে কিছু সহজেই গণনাযোগ্য টেক্সচারাল বৈশিষ্ট্য বর্ণনা করা হয়েছে এবং তিনটি ভিন্ন ধরণের চিত্রের ডেটা বিভাগ সনাক্তকরণ কার্যক্রমে তাদের প্রয়োগের চিত্র দেওয়া হয়েছেঃ পাঁচ ধরণের বালি পাথরের ফোটোমাইক্রোগ্রাফ, আটটি ভূমি ব্যবহারের বিভাগের ১ঃ২০,০০০ প্যানক্রোম্যাটিক এয়ার ফটোগ্রাফ এবং সাতটি ভূমি ব্যবহারের বিভাগ সহ আর্থ রিসোর্সেস টেকনোলজি স্যাটেলাইট (ইআরটিএস) মাল্টিস্পেশিয়াল চিত্র। আমরা দুই ধরনের সিদ্ধান্ত নিয়ম ব্যবহার করি: একটি যার জন্য সিদ্ধান্ত অঞ্চলগুলি কনভেক্স পলিহেড্রা (একটি টুকরো টুকরো লিনিয়ার সিদ্ধান্ত নিয়ম), এবং অন্যটি যার জন্য সিদ্ধান্ত অঞ্চলগুলি আয়তক্ষেত্রাকার সমান্তরাল পাইপেড (একটি মিনিম্যাক্স সিদ্ধান্ত নিয়ম) । প্রতিটি পরীক্ষায় তথ্য সেট দুটি অংশে বিভক্ত ছিল, একটি প্রশিক্ষণ সেট এবং একটি পরীক্ষা সেট। পরীক্ষার সেট সনাক্তকরণের নির্ভুলতা হল ৮৯ শতাংশ ফোটোমাইক্রোগ্রাফির জন্য, ৮২ শতাংশ এয়ার ফটোগ্রাফিক ইমেজরির জন্য, এবং ৮৩ শতাংশ স্যাটেলাইট ইমেজরির জন্য। এই ফলাফলগুলি ইঙ্গিত দেয় যে সহজেই গণনাযোগ্য টেক্সচারাল বৈশিষ্ট্যগুলি সম্ভবত বিভিন্ন ধরণের চিত্র-শ্রেণীবদ্ধকরণের অ্যাপ্লিকেশনগুলির জন্য একটি সাধারণ প্রয়োগযোগ্যতা রয়েছে। |
6513888c5ef473bdbb3167c7b52f0985be071f7a | চিত্র বিশ্লেষণ, বিভাজন এবং সংকোচনের জন্য সাধারণীকৃত অ-অর্ধভুজাকার 2-ডি গ্যাবর উপস্থাপনায় দ্বি-মাত্রিক বিচ্ছিন্ন সংকেতগুলি রূপান্তর করার জন্য একটি তিন-স্তরযুক্ত নিউরাল নেটওয়ার্ক বর্ণনা করা হয়েছে। এই রূপান্তরগুলি যৌথ স্পট আইএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএএ যেহেতু ইমেজগুলির মধ্যে অভ্যন্তরীণ পুনরায় আহরণ করা হয়, ফলে ইমেজ কোডগুলি খুব কমপ্যাক্ট হতে পারে। তবে, এই যৌথ রূপান্তরগুলি গণনা করা সহজেই কঠিন কারণ প্রাথমিক সম্প্রসারণ ফাংশনগুলি অ-অর্থোগোনাল নয়। বাস্টিয়ানদের দ্বারা 1-ডি সংকেতের জন্য বিকাশ করা একটি ওর হোগন কিনিং পদ্ধতি [এসআই, বায়োথর্নর্মাল এক্সপেনশনগুলির উপর ভিত্তি করে, যৌথ নমুনা গ্রহণের হার এবং উইন্ডো ফাংশনের ইনভ্যারিয়েন্সের উপর সীমাবদ্ধতা এবং সেইসাথে এই সত্য যে সহায়ক অর্থোগোনালাইজিং ফাংশনগুলি নন-লোকাল অসীম সিরিজ। বর্তমান "নিউরাল নেটওয়ার্ক" পদ্ধতিতে, নির্দিষ্ট ওজনের দুটি স্তর এবং নিয়মিত ওজনের একটি স্তর জড়িত ইন্টারলামিনার মিথস্ক্রিয়াগুলির উপর ভিত্তি করে, নেটওয়ার্ক এই সীমাবদ্ধ শর্ত ছাড়াই সম্পূর্ণ যৌথ 2-ডি গ্যাবর রূপান্তরগুলির জন্য সহগ খুঁজে পায়। নির্বিচারে অসম্পূর্ণ রূপান্তরগুলির জন্য, যেখানে সহগগুলিকে কেবল চিত্রের নির্দিষ্ট বৈশিষ্ট্যগুলির উপস্থিতি বোঝানোর জন্য ব্যাখ্যা করা যেতে পারে, নেটওয়ার্কটি চিত্রটির প্রতিনিধিত্ব করার ক্ষেত্রে ন্যূনতম গড়-স্কোয়ার-ত্রুটি অর্থে সর্বোত্তম সহগগুলি খুঁজে পায়। একটি বীজগণিতের সম্পূর্ণ স্কিমে সঠিক পুনর্গঠনের অনুমতি দেয়, নেটওয়ার্কটি সম্প্রসারণের সহগ খুঁজে পায় যা পিক্সেল উপস্থাপনায় 7.57 থেকে সম্পূর্ণ 2-ডি গ্যাবর রূপান্তরিত 2.55 এ এন্ট্রপি হ্রাস করে। একটি একক অন্তর্নিহিত 2-ডি গ্যাবর ওয়েভলেট টেমপ্লেটের ডিলেশন, রোটেশন এবং অনুবাদগুলির একটি জৈবিকভাবে অনুপ্রাণিত লগ-পোলার সংমিশ্রণের উপর ভিত্তি করে ওয়েভলেট সম্প্রসারণে, চিত্র সংক্ষেপণ 20: 1 পর্যন্ত অনুপাতের সাথে চিত্রিত করা হয়। এছাড়াও সম্পূর্ণ ২-ডি গ্যাবর ট্রান্সফর্মেশনে কোয়েফিশেন্টের ক্লাস্টারিংয়ের উপর ভিত্তি করে চিত্রের বিভাজন প্রদর্শিত হয়। এই উপযোগী অ-অর্ধভুজীয় চিত্র রূপান্তর বাস্তবায়নের জন্য এই সহগ-সন্ধান নেটওয়ার্কটির নিউরো-বিজ্ঞান সম্পর্কিত প্রাসঙ্গিকতাও থাকতে পারে, কারণ নির্দিষ্ট ওজনের সাথে নেটওয়ার্ক স্তরগুলি বিড়ালের ভিজ্যুয়াল কর্টেক্সের ওরিয়েন্টেশন-নির্বাচনমূলক নিউরন থেকে প্রাপ্ত অভিজ্ঞ 2-ডি রিসেপটিভ ফিল্ড প্রোফাইলগুলিকে ওজনের ফাংশন হিসাবে ব্যবহার করে এবং ফলস্বরূপ রূপান্তরটি বৈশ্বিক স্থানিক স্থানাঙ্কগুলির মধ্যে কোণীয় এবং বর্ণালী বিশ্লেষণকে এম্বেড করার জৈবিক ভিজ্যুয়াল কৌশলকে অনুকরণ করে। |
ba0164fe77d37786eca4cfe1a6fbc020943c91a2 | লিভ ম্যানেজমেন্ট (এলএম) হল একটি ব্যবস্থাপনা পদ্ধতি যা আন্তঃসম্পর্কিত সামাজিক-প্রযুক্তিগত অনুশীলনের একটি জটিল সিস্টেমের উপর ভিত্তি করে প্রক্রিয়াগুলি উন্নত করার জন্য। সম্প্রতি, বিতর্কটি এলএম-তে সাংগঠনিক সংস্কৃতির (ওসি) ভূমিকার উপর দৃষ্টি নিবদ্ধ করেছে। এই গবেষণাপত্রের উদ্দেশ্য হল এই বিতর্কে অবদান রাখা যে, সফলভাবে এলএম বাস্তবায়নকারী উদ্ভিদগুলি একটি নির্দিষ্ট ওসি প্রোফাইল দ্বারা চিহ্নিত এবং ব্যাপকভাবে নরম এলএম অনুশীলন গ্রহণ করে কিনা তা পরীক্ষা করে। এইচপিএম প্রকল্পের ডেটা সেট থেকে পাওয়া তথ্যগুলো বিশ্লেষণ করা হয়। ফলাফল থেকে জানা যায় যে একটি নির্দিষ্ট ওসি প্রোফাইল সফল পাতলা উদ্ভিদের বৈশিষ্ট্য; বিশেষ করে, যখন ব্যর্থ পাতলা উদ্ভিদের সাথে তুলনা করা হয়, তখন তারা উচ্চতর প্রাতিষ্ঠানিক সমষ্টিবাদ, ভবিষ্যতের দিকনির্দেশনা, একটি মানবিক দিকনির্দেশনা এবং স্বচ্ছতার নিম্ন স্তর দেখায়। যদিও উচ্চ পর্যায়ের প্রাতিষ্ঠানিক সমষ্টিবাদ, ভবিষ্যতের দিকনির্দেশনা এবং মানবিক দিকনির্দেশনা সাধারণভাবে উচ্চ পারফরম্যান্সের সাধারণ বৈশিষ্ট্য, তবে স্বচ্ছতার নিম্ন স্তরটি কেবল সফল পাতলা উদ্ভিদের জন্য সাধারণ। এছাড়াও, সফল ক্ষুদ্র কারখানাগুলি সফল ক্ষুদ্র কারখানার তুলনায় নরম এলএম অনুশীলনগুলি বেশি ব্যাপকভাবে ব্যবহার করে (যেমন, ক্ষুদ্র গ্রুপ সমস্যা সমাধান, কর্মচারীদের একাধিক কাজ সম্পাদন করার জন্য প্রশিক্ষণ, সরবরাহকারী অংশীদারিত্ব, গ্রাহক জড়িত এবং ক্রমাগত উন্নতি) । ম্যানেজারদের জন্য, ফলাফলগুলি ইঙ্গিত দেয় যে, সফলভাবে এলএম বাস্তবায়নের জন্য, নরম অনুশীলন গ্রহণ করে এবং একটি উপযুক্ত ওসি প্রোফাইলের বিকাশকে লালন করে এলএম প্রযুক্তিগত দিকগুলি অতিক্রম করা মৌলিক। |
ab614b5712d41433e6341fd0eb465258f14d1f23 | পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) মডেলগুলি একটি লুকানো গাছের কাঠামোর দ্বারা পরিচালিত ক্রমাগত ডেটা প্রক্রিয়াকরণের জন্য ব্যাপকভাবে ব্যবহৃত হয়। পূর্ববর্তী কাজগুলো দেখায় যে RNN মডেল (বিশেষ করে লং শর্ট-টার্ম মেমরি (LSTM) ভিত্তিক মডেল) অন্তর্নিহিত গাছের কাঠামো কাজে লাগাতে শিখতে পারে। তবে এর পারফরম্যান্স বরাবরই গাছ-ভিত্তিক মডেলের চেয়ে পিছিয়ে থাকে। এই কাজটি একটি নতুন অনুপ্রেরণামূলক পক্ষপাতমূলক অর্ডারড নিউরন প্রস্তাব করে, যা লুকানো রাষ্ট্র নিউরনের মধ্যে ফ্রিকোয়েন্সি আপডেট করার একটি আদেশ প্রয়োগ করে। আমরা দেখিয়েছি যে অর্ডারড নিউরনগুলি স্পষ্টভাবে পুনরাবৃত্তিমূলক মডেলগুলিতে লুকানো গাছের কাঠামোকে সংহত করতে পারে। এই লক্ষ্যে, আমরা একটি নতুন RNN ইউনিট প্রস্তাব করছি: ON-LSTM, যা চারটি ভিন্ন কাজে ভালো পারফরম্যান্স অর্জন করেঃ ভাষা মডেলিং, অনিয়ন্ত্রিত পার্সিং, লক্ষ্যযুক্ত সিনট্যাক্সিক মূল্যায়ন এবং লজিক্যাল ইনফারেনসিং1 |
a9f9a4dc25479e550ce1e0ddcbaf00743ccafc29 | সম্ভবত সম্ভাবনার সবচেয়ে সহজ এবং মৌলিক গুণগত আইন হল সংযোজন নিয়ম: একটি সংযোজন, P ((A&B), এর উপাদান, P ((A) এবং .P ((B) এর সম্ভাবনার চেয়ে বেশি হতে পারে না, কারণ সংযোজনটির এক্সটেনশন (বা সম্ভাবনা সেট) এর উপাদানগুলির এক্সটেনশনে অন্তর্ভুক্ত রয়েছে। অনিশ্চয়তার অধীনে বিচারগুলি, তবে, প্রায়শই স্বজ্ঞাত হিউরিস্টিক দ্বারা মধ্যস্থতা করা হয় যা সংযোজন নিয়ম দ্বারা আবদ্ধ নয়। একটি সংযোজক তার একটি উপাদান থেকে বেশি প্রতিনিধিত্বমূলক হতে পারে, এবং একটি নির্দিষ্ট শ্রেণীর উদাহরণগুলি আরও অন্তর্ভুক্তিমূলক শ্রেণীর উদাহরণগুলির চেয়ে কল্পনা করা বা পুনরুদ্ধার করা সহজ হতে পারে। প্রতিনিধিত্ব এবং প্রাপ্যতা হ্যুরিস্টিকস তাই একটি সংযোজনকে তার উপাদানগুলির চেয়ে বেশি সম্ভাব্য বলে মনে করতে পারে। এই ঘটনাটি বিভিন্ন প্রসঙ্গে প্রদর্শিত হয় যার মধ্যে রয়েছে শব্দ ফ্রিকোয়েন্সি, ব্যক্তিত্বের বিচার, চিকিৎসা পূর্বাভাস, ঝুঁকিতে থাকা সিদ্ধান্ত, অপরাধমূলক কর্মের সন্দেহ এবং রাজনৈতিক পূর্বাভাস। বিষয়বস্তুর মধ্যে এবং বিষয়বস্তুর মধ্যে তুলনা উভয় ক্ষেত্রেও সাধারণ মানুষ এবং বিশেষজ্ঞদের বিচারে সংযোজন নিয়মের পদ্ধতিগত লঙ্ঘন দেখা যায়। সংযোজক ভুলের বিকল্প ব্যাখ্যা আলোচনা করা হয়েছে এবং এটি মোকাবেলা করার প্রচেষ্টা অন্বেষণ করা হয়েছে। |
5dbb8f63e9ac926005037debc5496e9949a3885f | একটি অনুপ্রবেশ সনাক্তকরণ মূল্যায়ন পরীক্ষার বেড তৈরি করা হয়েছিল যা 1000 টি হোস্টের 100 ব্যবহারকারী সহ একটি সরকারী সাইটে অনুরূপ স্বাভাবিক ট্র্যাফিক তৈরি করেছিল। ৭ সপ্তাহের প্রশিক্ষণ এবং ২ সপ্তাহের পরীক্ষার তথ্যের ভিত্তিতে ৩৮টি স্বয়ংক্রিয় আক্রমণের ৩০০টিরও বেশি ঘটনা ঘটেছে। ছয়টি গবেষণা গ্রুপ একটি অন্ধ মূল্যায়নে অংশগ্রহণ করে এবং জরিপ, অস্বীকার-পরিষেবা (ডিওএস), দূরবর্তী-থেকে-স্থানীয় (আর 2 এল), এবং ব্যবহারকারী থেকে মূল (ইউ 2 আর) আক্রমণের জন্য ফলাফল বিশ্লেষণ করা হয়। সেরা সিস্টেমগুলি প্রশিক্ষণ ডেটাতে অন্তর্ভুক্ত পুরানো আক্রমণগুলি সনাক্ত করেছে, মাঝারি সনাক্তকরণের হার 63% থেকে 93% পর্যন্ত এবং প্রতিদিন 10 টি মিথ্যা অ্যালার্মের হার রয়েছে। নতুন এবং নভেল R2L এবং DoS আক্রমণের জন্য সনাক্তকরণের হার অনেক খারাপ ছিল যা শুধুমাত্র পরীক্ষার তথ্যে অন্তর্ভুক্ত ছিল। সেরা সিস্টেমগুলি এই নতুন আক্রমণগুলির প্রায় অর্ধেক সনাক্ত করতে ব্যর্থ হয়েছিল যার মধ্যে দূরবর্তী ব্যবহারকারীদের দ্বারা রুট-স্তরের অধিকারে ক্ষতিগ্রস্থ অ্যাক্সেস অন্তর্ভুক্ত ছিল। এই ফলাফলগুলি পরামর্শ দেয় যে আরও গবেষণা বিদ্যমান নিয়ম-ভিত্তিক আক্রমণগুলি প্রসারিত করার পরিবর্তে নতুন আক্রমণগুলি খুঁজে পাওয়ার কৌশলগুলি বিকাশের দিকে মনোনিবেশ করা উচিত |
cd3f32418cbacc65357f7436a2d4186c634f024a | |
0d4fef0ef83c6bad2e14fe4a4880fa153f550974 | ওপেন ডোমেইন টার্গেটেড সেন্টিমেন্ট হল যৌথ তথ্য আহরণের কাজ যা একটি টেক্সট কর্পাস থেকে প্রতিটি উল্লেখের প্রতি অনুভূতি সহ লক্ষ্য উল্লেখগুলি খুঁজে পায়। এই কাজটি সাধারণত একটি ক্রম লেবেলিং সমস্যা হিসাবে মডেল করা হয় এবং সিআরএফ এর মতো অত্যাধুনিক লেবেলার ব্যবহার করে সমাধান করা হয়। আমরা স্নায়ুসংক্রান্ত নেটওয়ার্ক ব্যবহার করে সিআরএফ বেসলাইন প্রসারিত করে কার্যক্রমে শব্দ এম্বেডিং এবং স্বয়ংক্রিয় বৈশিষ্ট্য সমন্বয়ের প্রভাব অধ্যয়ন করি, যা সংবেদন বিশ্লেষণের জন্য বড় সম্ভাবনা প্রদর্শন করেছে। ফলাফল দেখায় যে নিউরাল মডেলটি স্মরণশক্তি উল্লেখযোগ্যভাবে বৃদ্ধি করে আরও ভাল ফলাফল দিতে পারে। এছাড়াও, আমরা নিউরাল এবং ডিসক্রিট বৈশিষ্ট্যগুলির একটি অভিনব একীকরণের প্রস্তাব দিই, যা তাদের আপেক্ষিক সুবিধাগুলিকে একত্রিত করে, যা উভয় বেসলাইনগুলির তুলনায় উল্লেখযোগ্যভাবে উচ্চতর ফলাফলের দিকে পরিচালিত করে। |
00b69fcb15b6ddedd6a1b23a0e4ed3afc0b8ac49 | ডোমেন অভিযোজন অ্যালগরিদমগুলি একটি নতুন টার্গেট ডোমেনের জন্য একটি উত্স ডোমেনে প্রশিক্ষিত একটি মডেলকে সাধারণীকরণ করতে চায়। অনেক ক্ষেত্রে, উৎস এবং লক্ষ্যবস্তু বিতরণগুলি যথেষ্ট পরিমাণে ভিন্ন হতে পারে এবং কিছু ক্ষেত্রে, উৎস ডোমেইনে গুরুত্বপূর্ণ লক্ষ্যবস্তু বৈশিষ্ট্যগুলির সমর্থন নাও থাকতে পারে। এই গবেষণাপত্রে আমরা এমন একটি অ্যালগরিদমের কথা বলব যা প্রশিক্ষণ সেটে লক্ষ্য বৈশিষ্ট্য এবং বর্তমান অ্যালগরিদমের সবচেয়ে আত্মবিশ্বাসী ক্ষেত্রে ধীরে ধীরে যোগ করে উৎস এবং লক্ষ্য ডোমেনের মধ্যে ফাঁক পূরণ করে। আমাদের অ্যালগরিদমটি কো-ট্রেনিং এর একটি রূপ [7] এবং আমরা এটিকে CODA (ডোমেন অভিযোজন জন্য কো-ট্রেনিং) নাম দিয়েছি। মূল কো-ট্রেনিং কাজের বিপরীতে, আমরা কোন নির্দিষ্ট বৈশিষ্ট্য ভাগ করে নেব না। পরিবর্তে, কোট্রেইনিং এর প্রতিটি পুনরাবৃত্তির জন্য, আমরা একটি একক অপ্টিমাইজেশন সমস্যা তৈরি করি যা একই সাথে একটি লক্ষ্য পূর্বাভাসকারী, বৈশিষ্ট্য স্থানকে ভিউতে বিভক্ত করা এবং পূর্বাভাসে অন্তর্ভুক্ত করার জন্য উৎস এবং লক্ষ্য বৈশিষ্ট্যগুলির একটি উপসেট শিখায়। কোডা ব্লিটজার এবং অন্যান্যদের ১২টি ডোমেইন বেঞ্চমার্ক ডেটা সেটের উপর উন্নত প্রযুক্তির তুলনায় উল্লেখযোগ্যভাবে ভাল পারফরম্যান্স করে। [4] প্রকৃতপক্ষে, লক্ষ্যমাত্রা তত্ত্বাবধানে (৮৪ টি তুলনাগুলির মধ্যে ৬৫) কোডা সর্বোত্তম পারফরম্যান্স অর্জন করে। |
2254a9c8e0a3d753ce25d4049e063e0e9611f377 | এই চিঠিতে, একটি স্লটলাইন থেকে সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড ট্রানজিশন সাবস্ট্রেট ইন্টিগ্রেটেড সার্কিটগুলির বিকাশের জন্য প্রস্তাবিত হয়েছে। ব্যাক-টু-ব্যাক ট্রানজিশনের ইনসার্ট ক্ষতি ৮.৭ থেকে ৯.০ গিগাহার্জ থেকে ১ ডিবি এর কম। এই রূপান্তর দিয়ে, একটি সমতল ম্যাজিক-টি অধ্যয়ন এবং ডিজাইন করা হয়। পরিমাপের ফলাফল অনুযায়ী, ৮.৪-৯.৪ গিগাহার্টজ স্পিডের পরীক্ষামূলক ফ্রিকোয়েন্সি রেঞ্জের মধ্যে তৈরি ম্যাজিক-টি-র খুব ভালো পারফরম্যান্স দেখা গেছে। এম্প্লিট্যুড এবং ফেজ ভারসাম্যহীনতা যথাক্রমে 0.2 ডিবি এবং 1.5 ডিগ্রি এর কম। |
f98990356a62e05af16993a5fc355a7e675a3320 | লক্ষ্য পেরোনি রোগের ফলে পুরুষের লিঙ্গের কার্ভার্টি দুর্বল হয়ে পড়লে, পুরুষদের জন্য একটি অভিন্ন চিকিৎসা হিসেবে পেনোস্ক্রোটাল প্লিসিয়েশন (পিএসপি) নামক অতি ক্ষুদ্র আক্রমণাত্মক পদ্ধতি ব্যবহারের চার বছরের অভিজ্ঞতা উপস্থাপন করা। রোগী এবং পদ্ধতি ৪৮ জন পুরুষ (মধ্যম বয়স ৫৮. ৭ বছর) যাদের পেনিস কার্ভারেজ ছিল তাদের পেনিস পুনর্নির্মাণ করা হয়েছিল কার্ভারেজের বিপরীতে টিউনিকা আলবুগিনিয়াকে একাধিক অ- শোষণযোগ্য সেলাই দিয়ে। সমস্ত রোগীর, বক্রতার মাত্রা বা দিক নির্বিশেষে, একটি ছোট পেনোস্ক্রোটাল ইনসিশন দ্বারা পেনসিলটি ছাড়াই তৈরি করা হয়েছিল। পুনর্নির্মাণের আগে এবং পরে লিঙ্গের শ্যাফ্ট কোণ এবং প্রসারিত লিঙ্গ দৈর্ঘ্যের বিস্তারিত পরিমাপ রেকর্ড করা হয়েছিল এবং বিশ্লেষণ করা হয়েছিল এবং সংশোধনের জন্য প্রয়োজনীয় সেলাইগুলির সংখ্যা নথিভুক্ত করা হয়েছিল। ফলাফল প্রায় সব রোগীর পিঠের এবং/ অথবা পাশের অঙ্গের বিকৃতি ছিল যা ভেনট্রাল পেনোস্ক্রোটাল ইনসিশনের মাধ্যমে সহজেই সংশোধন করা যায়। সংশোধনের মধ্যম (রেঞ্জ) ডিগ্রি ছিল ২৮ (১৮-৫৫) ডিগ্রি এবং ব্যবহৃত সেলাইয়ের সংখ্যা ছিল ৬ (৪-১৭) । প্রসারিত লিঙ্গের দৈর্ঘ্য পরিমাপ করার আগে এবং পরে কোন উল্লেখযোগ্য পার্থক্য দেখা যায় নি। ৪৫/ ৪৮ জন (৯৩%) রোগীর মধ্যে একটি একক পিএসপি পদ্ধতি সফল হয়েছিল; দুজন সংশোধন নিয়ে অসন্তুষ্ট ছিলেন, একজন পুনরাবৃত্তি করেছেন এবং অন্য একজনের একটি পুরুষাঙ্গ প্রতিস্থাপন করা হয়েছিল; অন্য একজনের ব্যথার জন্য সেলাই মুক্ত করার প্রয়োজন ছিল। উপসংহার পিএসপি নিরাপদ এবং কার্যকর এবং গুরুতর বা দ্বিপাক্ষিক কার্ভেশন সঙ্গে এমনকি ক্ষেত্রে বিবেচনা করা উচিত। |
5264ae4ea4411426ddd91dc780c2892c3ff933d3 | ভেরিয়েবল এবং বৈশিষ্ট্য নির্বাচন অ্যাপ্লিকেশন ক্ষেত্রের অনেক গবেষণার ফোকাস হয়ে উঠেছে যার জন্য দশ বা শত শত হাজার ভেরিয়েবলের ডেটাসেট পাওয়া যায়। এই ক্ষেত্রগুলির মধ্যে রয়েছে ইন্টারনেট নথিগুলির পাঠ্য প্রক্রিয়াকরণ, জিন এক্সপ্রেশন অ্যারে অ্যানালাইসিস এবং সংমিশ্রণ রসায়ন। পরিবর্তনশীল নির্বাচন করার লক্ষ্য তিনগুণঃ পূর্বাভাসকারীদের পূর্বাভাস কার্যকারিতা উন্নত করা, দ্রুত এবং আরও ব্যয়বহুল পূর্বাভাস প্রদান করা এবং ডেটা উত্পন্ন অন্তর্নিহিত প্রক্রিয়া সম্পর্কে আরও ভাল বোঝার ব্যবস্থা করা। এই বিশেষ সংখ্যার অবদানগুলি এই জাতীয় সমস্যার বিস্তৃত দিকগুলিকে কভার করেঃ উদ্দেশ্য ফাংশনটির আরও ভাল সংজ্ঞা প্রদান, বৈশিষ্ট্য নির্মাণ, বৈশিষ্ট্য র্যাঙ্কিং, বহু-পরিবর্তনশীল বৈশিষ্ট্য নির্বাচন, দক্ষ অনুসন্ধান পদ্ধতি এবং বৈশিষ্ট্য বৈধতা মূল্যায়ন পদ্ধতি। |
a0a9390e14beb38c504473c3adc857f8faeaebd2 | এই গবেষণাপত্রে ডিজিটাল রঙিন ছবিতে মানুষের মুখ স্বয়ংক্রিয়ভাবে সনাক্ত করার একটি কৌশল উপস্থাপন করা হয়েছে। এটি একটি দুই ধাপে সম্পন্ন প্রক্রিয়া যা প্রথমে রঙিন ছবিতে মানুষের ত্বক থাকা অঞ্চলগুলি সনাক্ত করে এবং তারপর এই অঞ্চলগুলি থেকে তথ্য বের করে যা ছবিতে একটি মুখের অবস্থান নির্দেশ করতে পারে। ত্বকের সনাক্তকরণ একটি ত্বকের ফিল্টার ব্যবহার করে করা হয় যা রঙ এবং টেক্সচার তথ্যের উপর নির্ভর করে। মুখের সনাক্তকরণটি কেবলমাত্র সনাক্তকৃত ত্বকের অঞ্চলগুলি ধারণকারী একটি ধূসর রঙের চিত্রের উপর করা হয়। থ্রেশ হোল্ডিং এবং গাণিতিক রূপকথার সংমিশ্রণটি বস্তুর বৈশিষ্ট্যগুলি বের করতে ব্যবহৃত হয় যা কোনও মুখের উপস্থিতি নির্দেশ করবে। পরীক্ষার ফলাফল অনুযায়ী, মুখ সনাক্তকরণ প্রক্রিয়াটি পূর্বাভাসযোগ্য এবং মোটামুটি নির্ভরযোগ্যভাবে কাজ করে। |
27f366b733ba0f75a93c06d5d7f0d1e06b467a4c | |
9b90cb4aea40677494e4a3913878e355c4ae56e8 | জৈবিক দোলক, জোসেফসন জংশন অ্যারে, উত্তেজক মিডিয়া, নিউরাল নেটওয়ার্ক, স্থানিক গেমস, জেনেটিক কন্ট্রোল নেটওয়ার্ক এবং অন্যান্য অনেক স্ব-সংগঠনের সিস্টেম মডেলিং করতে সংযুক্ত গতিশীল সিস্টেমের নেটওয়ার্ক ব্যবহার করা হয়েছে। সাধারণত, সংযোগের টপোলজি সম্পূর্ণ নিয়মিত বা সম্পূর্ণ র্যান্ডম বলে মনে করা হয়। কিন্তু অনেক জীববিজ্ঞান, প্রযুক্তি এবং সামাজিক নেটওয়ার্ক এই দুই চরমের মাঝখানে অবস্থিত। এখানে আমরা নেটওয়ার্কগুলির সহজ মডেলগুলি অন্বেষণ করি যা এই মধ্যম স্থলটির মাধ্যমে সুরক্ষিত হতে পারেঃ নিয়মিত নেটওয়ার্কগুলি ক্রমবর্ধমান পরিমাণে বিশৃঙ্খলা প্রবর্তন করতে পুনরায় সংযুক্ত। আমরা দেখতে পাচ্ছি যে এই সিস্টেমগুলো অত্যন্ত ক্লাস্টারড হতে পারে, যেমন নিয়মিত গ্রিড, তবুও ছোট বৈশিষ্ট্যযুক্ত পথ দৈর্ঘ্য আছে, যেমন র্যান্ডম গ্রাফ। আমরা তাদের ছোট-বিশ্বের ঘটনাটির সাথে সাদৃশ্য অনুসারে, "ছোট-বিশ্ব" নেটওয়ার্ক বলে থাকি, (বিশেষত ছয় ডিগ্রি বিচ্ছেদ হিসাবে পরিচিত) । ক্যানোরহ্যাবডিটিস ইলেগ্যান্স কৃমি, পশ্চিম আমেরিকার বিদ্যুৎ নেটওয়ার্ক এবং চলচ্চিত্র অভিনেতাদের সহযোগিতার গ্রাফ ছোট-বিশ্বের নেটওয়ার্ক হিসাবে দেখানো হয়েছে। ছোট-বিশ্বের সংযুক্তিকরণের সাথে গতিশীল সিস্টেমের মডেলগুলি উন্নত সংকেত-প্রচার গতি, গণনা ক্ষমতা এবং সিঙ্ক্রোনাইজযোগ্যতা প্রদর্শন করে। বিশেষ করে সংক্রামক রোগগুলো ছোট ছোট জগতে সহজেই ছড়িয়ে পড়ে। |
00d23e5c06f90bed0c9d4aec22babb2f7488817f | আমরা সুপারভাইজড ম্যাট্রিক্স ফ্যাক্টরাইজেশন পদ্ধতি ব্যবহার করে গ্রাফের লিঙ্ক পূর্বাভাস সমস্যা সমাধানের প্রস্তাব দিচ্ছি। মডেলটি একটি (সম্ভবত পরিচালিত) গ্রাফের টপোলজিকাল কাঠামো থেকে লুকানো বৈশিষ্ট্যগুলি শিখেছে এবং জনপ্রিয় অনিয়ন্ত্রিত স্কোরগুলির চেয়ে ভাল ভবিষ্যদ্বাণী করতে দেখানো হয়েছে। আমরা দেখাবো কিভাবে এই লুকানো বৈশিষ্ট্যগুলিকে নোড বা প্রান্তের জন্য ঐচ্ছিক স্পষ্ট বৈশিষ্ট্যগুলির সাথে একত্রিত করা যেতে পারে, যা একচেটিয়াভাবে উভয় ধরনের বৈশিষ্ট্য ব্যবহার করার চেয়ে ভাল পারফরম্যান্স দেয়। অবশেষে, আমরা একটি নতুন পদ্ধতির প্রস্তাব করছি শ্রেণী ভারসাম্যহীনতার সমস্যা সমাধানের জন্য যা লিঙ্ক পূর্বাভাসে সাধারণ যা সরাসরি র্যাঙ্কিং ক্ষতির জন্য অনুকূলিতকরণ করে। আমাদের মডেলটি স্টোক্যাস্টিক গ্রেডিয়েন্ট অবতরণ এবং বড় গ্রাফের স্কেল দিয়ে অপ্টিমাইজ করা হয়েছে। বেশ কয়েকটি ডেটাসেটের ফলাফল আমাদের পদ্ধতির কার্যকারিতা দেখায়। |
04fa47f1d3983bacfea1e3c838cf868f9b73dc58 | এই গবেষণাপত্রে আমরা একটি নতুন মুখ সনাক্তকরণ পদ্ধতির উপস্থাপন করছি যা একটি কনভলুশনাল নিউরাল আর্কিটেকচারের উপর ভিত্তি করে তৈরি করা হয়েছে, যা অত্যন্ত পরিবর্তনশীল মুখের নিদর্শনগুলিকে দৃঢ়ভাবে সনাক্ত করতে ডিজাইন করা হয়েছে, যা চিত্র সমতলটিতে /spl +mn / 20 ডিগ্রি পর্যন্ত ঘোরানো হয়েছে এবং জটিল বাস্তব বিশ্বের চিত্রগুলিতে /spl +mn / 60 ডিগ্রি পর্যন্ত পরিণত হয়েছে। প্রস্তাবিত সিস্টেমটি স্বয়ংক্রিয়ভাবে মুখ এবং অ-মুখের নিদর্শনগুলির একটি প্রশিক্ষণ সেট থেকে সহজ সমস্যা-নির্দিষ্ট বৈশিষ্ট্য এক্সট্র্যাক্টরগুলিকে সংশ্লেষিত করে, কোনও অনুমান না করে বা মুখের নিদর্শনগুলির বৈশিষ্ট্যগুলি বের করার বা বিশ্লেষণের জন্য কোনও হস্তনির্মিত নকশা ব্যবহার না করে। মুখ সনাক্তকরণ পদ্ধতিটি সহজ কনভোলশন এবং সাবস্ম্যাপিং মডিউলগুলির পাইপলাইনের মতো কাজ করে যা কাঁচা ইনপুট চিত্রটিকে সম্পূর্ণরূপে চিকিত্সা করে। আমরা দেখিয়েছি যে একটি কার্যকর মুখ সনাক্তকরণ সিস্টেমের জন্য চিত্রের এলাকার শ্রেণিবিন্যাসের আগে কোনও ব্যয়বহুল স্থানীয় প্রাক-প্রক্রিয়াকরণের প্রয়োজন হয় না। প্রস্তাবিত এই পদ্ধতিতে কঠিন পরীক্ষার সেটগুলিতে খুব কম মিথ্যা ইতিবাচক ফলাফলের সাথে খুব উচ্চ সনাক্তকরণ হার সরবরাহ করা হয়েছে, কঠিন ক্ষেত্রে পরিচালনার জন্য একাধিক নেটওয়ার্কের ব্যবহারের প্রয়োজন ছাড়াই। আমরা বিস্তৃত পরীক্ষামূলক ফলাফল উপস্থাপন করি যা কঠিন পরীক্ষার সেটগুলিতে প্রস্তাবিত পদ্ধতির দক্ষতা চিত্রিত করে এবং মুখের নিদর্শনগুলির পরিবর্তনশীলতার ডিগ্রিগুলির সাথে গভীরতর সংবেদনশীলতা বিশ্লেষণ অন্তর্ভুক্ত করে। |
cf8f95458591e072835c4372c923e3087754a484 | আমরা গাউসিয়ান প্রসেস মডেলের একটি নতুন মিশ্রণ প্রস্তাব করি যেখানে গেটিং ফাংশনটি একটি সম্ভাব্যতাত্ত্বিক লজিক্যাল মডেলের সাথে আন্তঃসংযুক্ত, আমাদের ক্ষেত্রে মার্কভ লজিক নেটওয়ার্ক। এইভাবে, ফলস্বরূপ মিশ্র গ্রাফিকাল মডেল, যাকে মার্কভ লজিক মিশ্রণ গাউসিয়ান প্রক্রিয়া (এমএলএক্সজিপি) বলা হয়, যৌথ বেসিয়ান নন-প্যারামেট্রিক রিগ্রেশন এবং সম্ভাব্যতা সম্পর্কিত সম্পর্কিত অনুমান কাজগুলি সমাধান করে। এমএলএক্সজিপি নতুন, আকর্ষণীয় কাজগুলি যেমন যৌক্তিক সীমাবদ্ধতার উপর ভিত্তি করে রিগ্রেশন বা রিগ্রেশন ডেটা সম্পর্কে সম্ভাব্যতাত্ত্বিক যৌক্তিক সিদ্ধান্তগুলি আঁকতে সহায়তা করে, এইভাবে মেশিনগুলি রিগ্রেশন ডেটা পৌঁছতে পারে। |
548bc4203770450c21133bfb72c58f5fae0fbdf2 | আমরা একটি সিস্টেম বর্ণনা করছি যা ভিডিও এবং ইনার্সিয়াল সেন্সর (অ্যাক্সিলারোমিটার এবং জাইরোমিটার) ব্যবহার করে ত্রিমাত্রিক স্থানে বস্তু সনাক্ত করতে পারে, যা ফোন থেকে ড্রোন পর্যন্ত আধুনিক মোবাইল প্ল্যাটফর্মগুলিতে সর্বত্রই রয়েছে। ইনার্সিয়ালগুলি বস্তুর জন্য শ্রেণী-নির্দিষ্ট স্কেল প্রিওর আরোপ করার ক্ষমতা দেয় এবং একটি বিশ্বব্যাপী ওরিয়েন্টেশন রেফারেন্স সরবরাহ করে। একটি ন্যূনতম পর্যাপ্ত উপস্থাপনা, স্থানটিতে বস্তুর অর্থগত (পরিচয়) এবং সিনট্যাক্টিক (পোজ) বৈশিষ্ট্যগুলির পশ্চাদভাগকে একটি জ্যামিতিক পদগুলিতে বিভক্ত করা যেতে পারে, যা একটি স্থানীয়করণ-এবং-ম্যাপিং ফিল্টার দ্বারা বজায় রাখা যেতে পারে, এবং একটি সম্ভাব্যতা ফাংশন, যা একটি বৈষম্যমূলক প্রশিক্ষিত কনভোলুশনাল নিউরাল নেটওয়ার্ক দ্বারা আনুমানিক হতে পারে। ফলস্বরূপ সিস্টেমটি ভিডিও স্ট্রিমকে বাস্তব সময়ে কার্যকরীভাবে প্রক্রিয়া করতে পারে এবং দৃশ্যে বস্তুর প্রতিনিধিত্ব প্রদান করে যা স্থায়ী হয়: বস্তুর উপস্থিতিতে আস্থা প্রমাণের সাথে বৃদ্ধি পায় এবং পূর্বে দেখা বস্তুর অস্থায়ীভাবে আচ্ছাদিত হলেও স্মৃতিতে রাখা হয়, তাদের দৃষ্টিভঙ্গি স্বয়ংক্রিয়ভাবে মূল পুনঃ সনাক্তকরণের পূর্বাভাস দিয়ে। |
e2176d557793b7e2b80d8e5ec945078441356eb8 | ক্লাসটিং অ্যালগরিদম হল এক ধরনের মূল কৌশল যা শক্তি খরচ কমাতে ব্যবহৃত হয়। এটি নেটওয়ার্কের স্কেলিবিলিটি এবং জীবনকাল বাড়িয়ে তুলতে পারে। বৈষম্যপূর্ণ ওয়্যারলেস সেন্সর নেটওয়ার্কের বৈশিষ্ট্যগুলির জন্য শক্তি-দক্ষ ক্লাস্টারিং প্রোটোকলগুলি ডিজাইন করা উচিত। আমরা প্রস্তাব করছি এবং মূল্যায়ন করছি একটি নতুন বিতরণযোগ্য শক্তি-দক্ষ ক্লাস্টারিং স্কিম বৈষম্যপূর্ণ বেতার সেন্সর নেটওয়ার্কগুলির জন্য, যাকে বলা হয় ডিইইসি। ডিইইসিতে, ক্লাস্টার-হেডগুলি প্রতিটি নোডের অবশিষ্ট শক্তি এবং নেটওয়ার্কের গড় শক্তির মধ্যে অনুপাতের ভিত্তিতে একটি সম্ভাব্যতার ভিত্তিতে নির্বাচিত হয়। নোডের জন্য ক্লাস্টার-হেড হওয়ার সময়কাল তাদের প্রাথমিক এবং অবশিষ্ট শক্তি অনুযায়ী ভিন্ন। উচ্চ প্রাথমিক এবং অবশিষ্ট শক্তির নোডগুলি কম শক্তির নোডগুলির চেয়ে ক্লাস্টার-হেড হওয়ার সম্ভাবনা বেশি থাকবে। অবশেষে, সিমুলেশন ফলাফল দেখায় যে ডিইইসি বৈষম্যপূর্ণ পরিবেশে বর্তমান গুরুত্বপূর্ণ ক্লাস্টারিং প্রোটোকলের চেয়ে দীর্ঘ জীবনকাল এবং আরও কার্যকর বার্তা অর্জন করে। ২০০৬ এ্যালসেভিয়ার বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
5bc848fcbeed1cffb55098c4d7cef4596576e779 | যেহেতু ওয়্যারলেস সেন্সর নেটওয়ার্কগুলি ক্রমাগত বৃদ্ধি পাচ্ছে, তাই কার্যকর সুরক্ষা ব্যবস্থার প্রয়োজন রয়েছে। যেহেতু সেন্সর নেটওয়ার্কগুলি সংবেদনশীল ডেটার সাথে যোগাযোগ করতে পারে এবং/অথবা শত্রুতাপূর্ণ পরিবেশে কাজ করতে পারে, তাই সিস্টেম ডিজাইনের শুরু থেকেই এই নিরাপত্তা সংক্রান্ত উদ্বেগের সমাধান করা জরুরি। তবে, অভ্যন্তরীণ সংস্থান এবং কম্পিউটিং সীমাবদ্ধতার কারণে, সেন্সর নেটওয়ার্কগুলির সুরক্ষা প্রচলিত নেটওয়ার্ক / কম্পিউটার সুরক্ষার চেয়ে আলাদা চ্যালেঞ্জ তৈরি করে। বর্তমানে ওয়্যারলেস সেন্সর নেটওয়ার্কের নিরাপত্তা ক্ষেত্রে গবেষণার বিশাল সম্ভাবনা রয়েছে। এই ক্ষেত্রে বর্তমান গবেষণার সাথে পরিচিত হওয়া গবেষকদের জন্য অনেক উপকারী হবে। এই বিষয়টি মাথায় রেখে আমরা ওয়্যারলেস সেন্সর নেটওয়ার্ক সুরক্ষার প্রধান বিষয়গুলি পর্যালোচনা করি এবং সেন্সর সুরক্ষার ক্ষেত্রে বাধা এবং প্রয়োজনীয়তাগুলি উপস্থাপন করি, বর্তমান আক্রমণগুলির অনেকগুলি শ্রেণিবদ্ধ করি এবং অবশেষে তাদের সংশ্লিষ্ট প্রতিরক্ষামূলক ব্যবস্থাগুলি তালিকাভুক্ত করি। |
190875cda0d1fb86fc6036a9ad7d46fc1f9fc19b | ই-মেইল এর ব্যাপক ব্যবহারের ফলে আমরা এখন আমাদের নিজের লেখা অসাধারণ পরিমাণে পাঠ্য পেতে পারি। এই গবেষণাপত্রে আমরা দেখাবো কিভাবে অনুভূতি বিশ্লেষণকে কার্যকরভাবে দৃশ্যায়নের সাথে ব্যবহার করা যায় বিভিন্ন ধরনের মেইলে আবেগকে পরিমাপ ও ট্র্যাক করার জন্য। আমরা একটি বড় শব্দ-অনুভূতি সমন্বয় অভিধান তৈরি করি জনসাধারণের সাহায্যে, এবং এটি ব্যবহার করি প্রেমের চিঠি, ঘৃণা বার্তা এবং আত্মহত্যার নোটের আবেগগুলির তুলনা করতে। আমরা দেখিয়েছি যে কর্মক্ষেত্রে ইমেইলে আবেগপূর্ণ শব্দ ব্যবহারের ক্ষেত্রে লিঙ্গের মধ্যে উল্লেখযোগ্য পার্থক্য রয়েছে। উদাহরণস্বরূপ, নারীরা আনন্দ-দুঃখ অক্ষ থেকে অনেক শব্দ ব্যবহার করে, যখন পুরুষরা ভয়-বিশ্বাস অক্ষ থেকে শব্দ ব্যবহার করতে পছন্দ করে। অবশেষে, আমরা এমন দৃশ্য দেখাই যা মানুষকে তাদের ইমেইলে আবেগ ট্র্যাক করতে সাহায্য করে। |
114a4222c53f1a6879f1a77f1bae2fc0f8f55348 | |
826dc5774b2c2430cef0dfc4d18bc35947106c6d | |
0788cda105da9853627d3e1ec8d01e01f7239c30 | আমরা শটগান, একটি সমান্তরাল সমন্বয় অবতরণ অ্যালগরিদম প্রস্তাব L1regularized ক্ষতি হ্রাস করার জন্য. যদিও কোঅর্ডিনেট অবতরণটি স্বতঃস্ফূর্তভাবে ধারাবাহিক বলে মনে হচ্ছে, আমরা শটগনের জন্য ঘনিষ্ঠতা সীমা প্রমাণ করি যা সমস্যা-নির্ভর সীমা পর্যন্ত প্রায় রৈখিক গতি বাড়ানোর পূর্বাভাস দেয়। আমরা শটগান ফর লাসো এবং বিচ্ছিন্ন লজিস্টিক রিগ্রেশন এর একটি বিস্তৃত অভিজ্ঞতার অধ্যয়ন উপস্থাপন করছি। সমান্তরালতার সম্ভাবনার উপর আমাদের তাত্ত্বিক ভবিষ্যদ্বাণীগুলি বাস্তব তথ্যের সাথে আচরণের সাথে ঘনিষ্ঠভাবে মিলিত হয়। শটগান অন্যান্য প্রকাশিত সমাধানকারীদের চেয়ে বড় সমস্যাগুলির একটি পরিসরে ভাল পারফরম্যান্স করে, এটি এল 1 এর জন্য সবচেয়ে স্কেলযোগ্য অ্যালগরিদমগুলির মধ্যে একটি হিসাবে প্রমাণিত হয়। |
2414283ed14ebb0eec031bb75cd25fbad000687e | প্রাকৃতিক গ্রাফ, যেমন সামাজিক নেটওয়ার্ক, ইমেইল গ্রাফ, বা তাত্ক্ষণিক বার্তাপ্রেরণ প্যাটার্ন, ইন্টারনেটের মাধ্যমে সর্বব্যাপী হয়ে উঠেছে। এই গ্রাফগুলো বিশাল, প্রায়শই এতে শত শত মিলিয়ন নোড এবং বিলিয়ন বিলিয়ন প্রান্ত থাকে। যদিও এই ধরনের গ্রাফ অধ্যয়নের জন্য কিছু তাত্ত্বিক মডেল প্রস্তাব করা হয়েছে, তবে ডেটার স্কেল এবং প্রকৃতির কারণে তাদের বিশ্লেষণ এখনও কঠিন। আমরা বড় আকারের গ্রাফ বিভাজন এবং অনুমানের জন্য একটি কাঠামো প্রস্তাব করছি। স্কেলটি সমাধান করার জন্য, আমাদের কাঠামো বিতরণ করা হয় যাতে ডেটা ভাগ করা হয়-কিছুই নয় এমন মেশিনের সেট। আমরা একটি নতুন ফ্যাক্টরাইজেশন কৌশল প্রস্তাব করছি যা একটি গ্রাফকে বিভাজনের উপর নির্ভর করে যাতে পার্শ্ববর্তী শীর্ষগুলির সংখ্যাকে বিভাজনের প্রান্তের পরিবর্তে কমিয়ে আনা যায়। আমাদের বিভাজন একটি স্ট্রিমিং অ্যালগরিদম উপর ভিত্তি করে. এটি নেটওয়ার্ক-সচেতন কারণ এটি অন্তর্নিহিত কম্পিউটেশনাল হার্ডওয়্যারের নেটওয়ার্ক টপোলজিতে অভিযোজিত হয়। আমরা ভেরিয়েবলের স্থানীয় কপি এবং একটি দক্ষ অ্যাসিনক্রোনাস যোগাযোগ প্রোটোকল ব্যবহার করি যাতে নেটওয়ার্ক যোগাযোগের খরচ ছাড়াই বেশিরভাগ গণনা সম্পাদন করতে পারে। ২০০ মিলিয়ন শীর্ষ এবং ১০ বিলিয়ন প্রান্তের একটি গ্রাফের উপর, যা একটি ইমেইল যোগাযোগ নেটওয়ার্ক থেকে প্রাপ্ত, আমাদের অ্যালগরিদম কনভার্জেন্স বৈশিষ্ট্য বজায় রাখে যখন কম্পিউটারের সংখ্যার প্রায় রৈখিক স্কেলিবিলিটির অনুমতি দেয়। |
877aff9bd05de7e9d82587b0e6f1cda28fd33171 | স্বয়ংক্রিয়ভাবে চলাচলকারী যানবাহনগুলির দীর্ঘমেয়াদী ভিজ্যুয়াল নেভিগেশনের ক্ষেত্রে শক্তিশালী ক্রস-মৌসুমীয় স্থানীয়করণ অন্যতম প্রধান চ্যালেঞ্জ। এই গবেষণাপত্রে, আমরা ইমেজগুলির অর্থগত বিভাজনের সাম্প্রতিক অগ্রগতিগুলিকে কাজে লাগাই, অর্থাৎ, যেখানে প্রতিটি পিক্সেলকে এটি প্রতিনিধিত্বকারী বস্তুর ধরণের সাথে সম্পর্কিত একটি লেবেল দেওয়া হয়, দীর্ঘমেয়াদী ভিজ্যুয়াল স্থানীয়করণের সমস্যাটি আক্রমণ করতে। আমরা দেখিয়েছি যে পরিবেশের অর্থগতভাবে লেবেলযুক্ত 3 ডি পয়েন্ট ম্যাপগুলি, অর্থগতভাবে বিভাজিত চিত্রগুলির সাথে, বিস্তারিত বৈশিষ্ট্য বর্ণনাকারী (সিফট, সার্ফ ইত্যাদির প্রয়োজন ছাড়াই যানবাহন স্থানীয়করণের জন্য দক্ষতার সাথে ব্যবহার করা যেতে পারে। ), তাই, হাতের তৈরি বৈশিষ্ট্য বর্ণনাকারী উপর নির্ভর করার পরিবর্তে, আমরা একটি ইমেজ সেগমেন্টার প্রশিক্ষণ উপর নির্ভর করে। ফলস্বরূপ মানচিত্রটি একটি ঐতিহ্যগত বর্ণনাকারী ভিত্তিক মানচিত্রের তুলনায় অনেক কম স্টোরেজ স্পেস নেয়। একটি কণা ফিল্টার ভিত্তিক শব্দার্থিক স্থানীয়করণ সমাধান SIFT- বৈশিষ্ট্যগুলির উপর ভিত্তি করে তুলনা করা হয়, এবং এমনকি বছরের মধ্যে বড় মৌসুমী বৈচিত্রের সাথে আমরা বৃহত্তর এবং আরো বর্ণনামূলক SIFT- বৈশিষ্ট্যগুলির সাথে সমানভাবে সম্পাদন করি এবং বেশিরভাগ সময় 1 মিটারের নীচে ত্রুটি সহ স্থানীয়করণ করতে সক্ষম। |
f9f92fad17743dd14be7b8cc05ad0881b67f32c2 | অনেক লার্নিং মেশিনের সাফল্যের ক্ষেত্রে উপযুক্ত দূরত্বের মেট্রিক শিখতে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। প্রচলিত মেট্রিক লার্নিং অ্যালগরিদমের সীমিত উপযোগিতা থাকে যখন প্রশিক্ষণ এবং পরীক্ষার নমুনাগুলি সম্পর্কিত কিন্তু বিভিন্ন ডোমেন থেকে নেওয়া হয় (যেমন, উত্স ডোমেন এবং লক্ষ্য ডোমেন) । এই চিঠিতে, আমরা তথ্য-তত্ত্বিক সেটিংয়ে ডোমেন অভিযোজন জন্য দুটি নতুন মেট্রিক লার্নিং অ্যালগরিদম প্রস্তাব করছি, যা দুটি ডোমেন জুড়ে ক্ষমতা স্থানান্তর এবং স্ট্যান্ডার্ড লার্নিং মেশিন প্রসারকে বৈষম্যমূলক করার অনুমতি দেয়। প্রথমটিতে, তিনটি লক্ষ্যের সমন্বয় করে একটি ক্রস-ডোমেন মহালানোবিস দূরত্ব শিখে নেওয়া হয়ঃ বিভিন্ন ডোমেনের মধ্যে বিতরণ পার্থক্য হ্রাস করা, লক্ষ্য ডোমেনের ডেটার জ্যামিতি সংরক্ষণ করা এবং লেবেল তথ্যের সাথে উত্স ডোমেনের ডেটার জ্যামিতি সারিবদ্ধ করা। উপরন্তু, আমরা আমাদের প্রচেষ্টাকে জটিল ডোমেন অভিযোজন সমস্যা সমাধানের জন্য উৎসর্গ করি এবং প্রথম পদ্ধতিটি একাধিক কার্নেল লার্নিং ফ্রেমওয়ার্কের জন্য প্রসারিত করে লিনিয়ার ক্রস-ডোমেন মেট্রিক লার্নিংয়ের বাইরে চলে যাই। একাধিক কার্নেল এবং একটি লিনিয়ার ট্রান্সফরমেশন এর একটি কনভেক্স সমন্বয় একক অপ্টিমাইজেশনে অভিযোজিতভাবে শেখানো হয়, যা পূর্বের জ্ঞানের অন্বেষণ এবং ডেটা বৈশিষ্ট্যগুলির বর্ণনাকে ব্যাপকভাবে উপকৃত করে। তিনটি বাস্তব-বিশ্বের অ্যাপ্লিকেশনে (মুখের স্বীকৃতি, পাঠ্য শ্রেণিবিন্যাস এবং বস্তুর শ্রেণিবিন্যাস) ব্যাপক পরীক্ষাগুলি যাচাই করে যে প্রস্তাবিত পদ্ধতিগুলি অত্যাধুনিক মেট্রিক লার্নিং এবং ডোমেন অভিযোজন পদ্ধতিগুলিকে ছাড়িয়ে যায়। |
1b51a9be75c5b4a02aecde88a965e32413efd5a3 | বস্তুর স্বীকৃতির জন্য স্থানীয় বৈশিষ্ট্যগুলি শেখার জন্য স্পারস কোডিং একটি সাধারণ পদ্ধতি। সম্প্রতি, স্থান-সময়ের, দূরদর্শী, বা অন্যান্য বহু-পর্যবেক্ষণের তথ্য থেকে বৈশিষ্ট্যগুলি শেখার ক্ষেত্রে ক্রমবর্ধমান আগ্রহ দেখা দিয়েছে, যেখানে লক্ষ্যটি একটি একক চিত্রের বিষয়বস্তুর পরিবর্তে চিত্রগুলির মধ্যে সম্পর্ককে এনকোড করা। আমরা মাল্টি-ভিউ ফিচার লার্নিং এর বিশ্লেষণ প্রদান করি, যা দেখায় যে লুকানো ভেরিয়েবলগুলি একাধিক ইমেজ ওয়ার্পের মধ্যে ভাগ করা আইজেনস্পেসে ঘূর্ণন কোণগুলি সনাক্ত করে রূপান্তরগুলিকে এনকোড করে। আমাদের বিশ্লেষণ সাম্প্রতিক পরীক্ষামূলক ফলাফল ব্যাখ্যা করতে সাহায্য করে যে ভিডিওতে জটিল কোষের মডেল প্রশিক্ষণের সময় রূপান্তর-নির্দিষ্ট বৈশিষ্ট্যগুলি উদ্ভূত হয়। আমাদের বিশ্লেষণে আরও দেখা যায় যে রূপান্তর-অবিন্যস্ত বৈশিষ্ট্যগুলি রূপান্তরগুলির উপস্থাপনা শেখার একটি উপ-পণ্য হিসাবে উদ্ভূত হতে পারে। |
213d7af7107fa4921eb0adea82c9f711fd105232 | উচ্চ মাত্রিক তথ্যকে নিম্ন মাত্রিক কোডে রূপান্তর করা যায় একটি মাল্টিলেয়ার নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিয়ে একটি ছোট কেন্দ্রীয় স্তর দিয়ে উচ্চ মাত্রিক ইনপুট ভেক্টর পুনর্গঠন করতে। গ্রেডিয়েন্ট অবতরণ এই ধরনের "অটো এনকোডার" নেটওয়ার্কগুলিতে ওজনগুলি সূক্ষ্ম-টুন করার জন্য ব্যবহার করা যেতে পারে, তবে এটি কেবল তখনই ভাল কাজ করে যদি প্রাথমিক ওজনগুলি একটি ভাল সমাধানের কাছাকাছি থাকে। আমরা ওজনগুলিকে প্রাথমিকীকরণের একটি কার্যকর উপায় বর্ণনা করি যা গভীর অটো এনকোডার নেটওয়ার্কগুলিকে নিম্ন-মাত্রিক কোডগুলি শিখতে দেয় যা ডেটার মাত্রিকতা হ্রাস করার জন্য একটি সরঞ্জাম হিসাবে প্রধান উপাদান বিশ্লেষণের চেয়ে অনেক ভাল কাজ করে। |
00bbfde6af97ce5efcf86b3401d265d42a95603d | অভিজ্ঞতার প্রমাণ থেকে জানা যায় যে হ্যাশিং হচ্ছে মাত্রিকতা হ্রাস এবং ব্যবহারিক অ-পরামিতিগত অনুমানের জন্য একটি কার্যকর কৌশল। এই গবেষণায় আমরা বৈশিষ্ট্য হ্যাশিংয়ের জন্য এক্সপোনেন্সিয়াল লেজ সীমানা প্রদান করি এবং দেখাই যে র্যান্ডম সাবস্পেসের মধ্যে মিথস্ক্রিয়া উচ্চ সম্ভাবনার সাথে উপেক্ষাযোগ্য। আমরা এই পদ্ধতির কার্যকারিতা প্রমাণ করছি পরীক্ষামূলক ফলাফলের মাধ্যমে একটি নতুন ব্যবহারের ক্ষেত্রে -- শত শত হাজার কাজ সহ মাল্টিটাস্ক লার্নিং। |
b8811144fb24a25335bf30dedfb70930d2f67055 | |
1441c41d266ce48a2041bd4da0468eec961ddf4f | আমরা ওয়ার্ড ট্রি চালু করছি, একটি নতুন ভিজ্যুয়ালাইজেশন এবং তথ্য-প্রাপ্তি কৌশল যা পাঠ্য নথির দিকে লক্ষ্য করে। একটি শব্দ গাছ হল ঐতিহ্যগত "কীওয়ার্ড-ইন-কনটেক্সট" পদ্ধতির একটি গ্রাফিকাল সংস্করণ, এবং এটি পাঠ্যের দেহের দ্রুত অনুসন্ধান এবং অনুসন্ধান সক্ষম করে। এই গবেষণাপত্রে আমরা এই পদ্ধতির নকশা এবং এর বাস্তবায়নে উদ্ভূত কিছু প্রযুক্তিগত সমস্যার বর্ণনা দিচ্ছি। এছাড়াও, আমরা অনেক চোখের উপর শব্দ গাছের পাবলিক স্থাপনার কয়েক মাসের ফলাফল নিয়ে আলোচনা করি, যা ব্যবহারকারীরা কীভাবে ভিজ্যুয়ালাইজেশন থেকে মূল্য অর্জন করে তার একটি উইন্ডো সরবরাহ করে। |
37b9b5a5eb63349a3e6f75d5c4c061d7dbc87f4e | ): তথ্য লুকানো 1998, LNCS 1525, pp. 218-238, 1998. c © Springer-Verlag Berlin Heidelberg 1998 Copyright Marking Systems আক্রমণ 219 এবং বেশ কয়েকটি আক্রমণ উপস্থাপন করে, যা তাদের বেশিরভাগই ভেঙে দেয়। শেষ পর্যন্ত আমরা সাধারণভাবে স্টেগনোগ্রাফির এবং বিশেষ করে কপিরাইট চিহ্নিতকরণের প্রেক্ষাপটে দৃঢ়তার অর্থ সম্পর্কে কিছু মন্তব্য করি। ডিজিটাল রেকর্ডিং মিডিয়া অনেক নতুন সম্ভাবনা প্রদান করে কিন্তু তাদের গ্রহণ হলিউড এবং রক সঙ্গীত শিল্পের মতো বৌদ্ধিক সম্পত্তি মালিকদের মধ্যে ব্যাপক ভয় দ্বারা বাধাগ্রস্ত হয়েছে যে ব্যবহারকারীরা যদি ভিডিও, সঙ্গীত এবং মাল্টিমিডিয়া কাজের সীমাহীন নিখুঁত কপি করতে পারে তবে তাদের জীবিকা হুমকির সম্মুখীন হবে। ডিজিটাল মিডিয়ার জন্য প্রথম কপি সুরক্ষা ব্যবস্থাগুলির মধ্যে একটি ছিল সিরিয়াল কপি ম্যানেজমেন্ট সিস্টেম (এসসিএমএস) যা সনি এবং ফিলিপস দ্বারা অষ্টম দশকে ডিজিটাল অডিও টেপের জন্য চালু করা হয়েছিল [31]। ধারণা ছিল যে ভোক্তারা তাদের মালিকানাধীন সিডি থেকে ডিজিটাল অডিও টেপ তৈরি করতে পারবেন যাতে এটি তাদের গাড়িতে ব্যবহার করা যায়, তবে অন্য কারও টেপের টেপ তৈরি করা যাবে না; সুতরাং কপিগুলি কেবল প্রথম প্রজন্মের মধ্যেই সীমাবদ্ধ থাকবে। বাস্তবায়নটি ছিল প্রতিটি অডিও অবজেক্টের হেডারে একটি বুলিয়ান মার্কার অন্তর্ভুক্ত করা। দুর্ভাগ্যবশত এটি ব্যর্থ হয়েছে কারণ কিছু নির্মাতার দ্বারা উত্পাদিত হার্ডওয়্যার এটি প্রয়োগ করেনি। সম্প্রতি ডিজিটাল ভিডিও ডিস্ক, যা ডিজিটাল ভার্সাইলে ডিস্ক (ডিভিডি) কনসোর্টিয়াম নামেও পরিচিত, সিরিয়াল কপি ম্যানেজমেন্ট প্রয়োগের জন্য কপিরাইট মার্কিং স্কিমের প্রস্তাবের আহ্বান জানিয়েছে। ধারণা করা হচ্ছে যে, ভোক্তাদের কাছে বিক্রি হওয়া ডিভিডি প্লেয়ারগুলোতে হোম ভিডিওর সীমাহীন কপি করা এবং টিভি প্রোগ্রামের সময় পরিবর্তন করে দেখা যাবে, কিন্তু বাণিজ্যিক পাইরেসির জন্য সহজেই তাদের ব্যবহার করা যাবে না [19, 44]। প্রস্তাবিত বাস্তবায়ন হল যে ভিডিওগুলি চিহ্নিত করা হবে না, বা চিহ্নিত করা হবে কখনও কপি করবেন না, বা একবার অনুলিপি করুন; সম্মতিপূর্ণ প্লেয়ারগুলি কখনও কপি করবেন না চিহ্নিত একটি ভিডিও রেকর্ড করবে না এবং যখন একটি চিহ্নিত কপি একবার শুধুমাত্র রেকর্ড করবে তখন তার চিহ্নটি কখনও কপি করবেন না তে পরিবর্তন করবে। বাণিজ্যিকভাবে বিক্রি হওয়া ভিডিওগুলোকে কখনো কপি করবেন না চিহ্নিত করা হবে, যখন টিভি সম্প্রচার এবং অনুরূপ উপাদানগুলোকে শুধুমাত্র একবার কপি করুন চিহ্নিত করা হবে এবং হোম ভিডিওগুলোকে চিহ্নিত করা হবে না। ইলেকট্রনিক কপিরাইট ব্যবস্থাপনা স্কিম ইউরোপীয় প্রকল্প যেমন Imprimatur এবং CITED [45, 66, 67] এবং আমেরিকান প্রকল্প যেমন বুদ্ধিজীবী সম্পত্তি অধিকার [69] ওয়ার্কিং গ্রুপ দ্বারা প্রস্তাবিত হয়েছে। গত কয়েক বছরে ডিজিটাল ছবি, ভিডিও, অডিও এবং অন্যান্য মাল্টিমিডিয়া বস্তুর মধ্যে কপিরাইট চিহ্ন এবং অন্যান্য তথ্য লুকানোর জন্য প্রচুর পরিমাণে স্কিম প্রস্তাব করা হয়েছে। আমরা গবেষণা সাহিত্যে এবং ক্ষেত্রের মধ্যে প্রদর্শিত কিছু প্রতিদ্বন্দ্বী বর্ণনা করি; তারপর আমরা এমন বেশ কয়েকটি আক্রমণ উপস্থাপন করি যা তাদের দ্বারা লুকানো তথ্য অপসারণ বা অন্যথায় অকার্যকর করে তোলে। তথ্য লুকানোর অ্যাপ্লিকেশন গত কয়েক বছরে অন্যান্য তথ্যের মধ্যে তথ্য লুকানোর উপায়গুলির প্রতি দ্রুত আগ্রহ বৃদ্ধি পেয়েছে। এর পেছনে বেশ কিছু কারণ রয়েছে। ডিজিটাল মিডিয়া অনুলিপি করা সহজ হওয়ার কারণে কপিরাইট ক্ষয় হবে এমন আশঙ্কা মানুষকে অডিও এবং ভিডিওতে লুকানো কপিরাইট চিহ্ন এবং সিরিয়াল নম্বর এম্বেড করার উপায়গুলি অধ্যয়ন করতে পরিচালিত করেছিল; গোপনীয়তা ক্ষয় হবে এমন আশঙ্কা ইলেকট্রনিক নগদ, বেনামী পুনরায় পাঠানো, ডিজিটাল নির্বাচন এবং তৃতীয় পক্ষের জন্য মোবাইল কম্পিউটার ব্যবহারকারীদের ট্র্যাক করা কঠিন করার কৌশল নিয়ে কাজ করতে পরিচালিত করেছিল; এবং বিরোধী পক্ষের পক্ষে একই কাজ করা কঠিন করে তোলার সময় নিজের ট্র্যাফিক গোপন করার বিষয়ে traditionalতিহ্যবাহী সামরিক উদ্বেগ রয়েছে। তথ্য গোপন করার বিষয়ে প্রথম আন্তর্জাতিক কর্মশালায় [2] এই সম্প্রদায়গুলিকে একত্রিত করা হয়েছিল এবং সেখানে বেশ কয়েকটি গোপন স্কিম উপস্থাপন করা হয়েছিল; অন্য কোথাও আরও উপস্থাপন করা হয়েছে। আমরা এই মতামত তৈরি করেছি যে স্টেগনোগ্রাফি এবং কপিরাইট চিহ্নিতকরণের ক্ষেত্রে দরকারী অগ্রগতি এই প্রথম প্রজন্মের সমস্ত স্কিমকে আক্রমণ করার চেষ্টা থেকে আসতে পারে। ক্রিপ্টোলজির সংশ্লিষ্ট ক্ষেত্রে, অগ্রগতি ছিল পুনরাবৃত্তিমূলকঃ ক্রিপ্টোগ্রাফিক অ্যালগরিদম প্রস্তাবিত হয়েছিল, তাদের উপর আক্রমণ পাওয়া গিয়েছিল, আরও অ্যালগরিদম প্রস্তাবিত হয়েছিল এবং তাই। অবশেষে, তত্ত্বের জন্ম হলঃ স্ট্রিম সিফারে দ্রুত সংশ্লেষণ আক্রমণ এবং ব্লক সিফারে ডিফারেনশিয়াল এবং লিনিয়ার আক্রমণ, এখন আমাদেরকে ক্রিপ্টোগ্রাফিক অ্যালগরিদমের শক্তিকে আগের তুলনায় অনেক বেশি বিস্তারিতভাবে বুঝতে সাহায্য করে। একইভাবে, অনেক ক্রিপ্টোগ্রাফিক প্রোটোকল প্রস্তাব করা হয়েছিল এবং প্রায় সমস্ত প্রাথমিক প্রার্থী ভাঙা হয়েছিল, যা প্রোটোকল দৃust়তার ধারণা এবং আনুষ্ঠানিক যাচাইয়ের কৌশলগুলির দিকে পরিচালিত করে [6]। তাই এই গবেষণাপত্রে আমরা প্রথমে কপিরাইট সুরক্ষার প্রসঙ্গে বর্ণনা করব যেখানে সাম্প্রতিকতম স্কিমগুলি বিকাশ করা হয়েছে; আমরা তারপরে এইগুলির একটি নির্বাচন বর্ণনা করব ? প্রথম লেখক ইনটেল কর্পোরেশনের প্রতি কৃতজ্ঞতা প্রকাশ করেছেন, যেটি "ইনফরমেশন লুকানোর সিস্টেমের দৃঢ়তা" অনুদানের আওতায় আর্থিক সহায়তা প্রদান করেছে। - হ্যাঁ ? তৃতীয় লেখককে ইউরোপীয় কমিশনের মারি-কিরি অনুদান দ্বারা সমর্থিত। |
123ae35aa7d6838c817072032ce5615bb891652d | আমরা BinaryNet এর সাথে পরিচয় করিয়ে দিচ্ছি, একটি পদ্ধতি যা DNN কে বাইনারি ওজন এবং অ্যাক্টিভেশন দিয়ে প্রশিক্ষণ দেয় যখন পরামিতি গ্রেডিয়েন্ট গণনা করে। আমরা দেখিয়েছি যে এমএনআইএসটি এবং সিআইএফএআর -১০ এবং এসভিএইচএন-এর উপর কনভনেটস-এর উপর একটি মাল্টি লেয়ার পারসেপ্টর (এমএলপি) প্রশিক্ষণ দেওয়া সম্ভব এবং বাইনারি নেট দিয়ে প্রায় অত্যাধুনিক ফলাফল অর্জন করা সম্ভব। রান-টাইমে, বাইনারিনেট মেমরির ব্যবহারকে ব্যাপকভাবে হ্রাস করে এবং বেশিরভাগ গুণকে 1-বিট একচেটিয়া-না-অথবা (এক্সএনওআর) অপারেশন দ্বারা প্রতিস্থাপন করে, যা সাধারণ-উদ্দেশ্য এবং ডেডিকেটেড ডিপ লার্নিং হার্ডওয়্যার উভয় ক্ষেত্রেই বড় প্রভাব ফেলতে পারে। আমরা একটি বাইনারি ম্যাট্রিক্স মাল্টিপ্লিকেশন জিপিইউ কার্নেল লিখেছি যার সাহায্যে আমাদের এমএনআইএসটি এমএলপি ৭ গুণ দ্রুত চালানো সম্ভব হয়েছে অপ্টিমাইজড জিপিইউ কার্নেল থেকে, শ্রেণীবিভাগের নির্ভুলতা হারাতে না পেরে। বাইনারি নেট এর কোড পাওয়া যাচ্ছে। |
62c8104a3df91f98807a5611aba4a553a5f2ed2e | প্যারামিটারাইজড মডেলগুলি মানুষের মুখের বাস্তবসম্মত, ম্যানিপুলেটযোগ্য চিত্র তৈরি করতে পারে, আশ্চর্যজনকভাবে অল্প সংখ্যক প্যারামিটার সহ। |
277cbc63d4a2c63d968ee3fb403b56f88037e836 | |
d73a87896b36565997550eaf16ab7a998c13bf67 | আমরা একটি নতুন সাধারণীকৃত স্থানিক মডুলেশন (জিএসএম) কৌশল প্রস্তাব করছি, যা সম্প্রতি প্রস্তাবিত স্থানিক মডুলেশন (এসএম) কৌশলটির সাধারণীকরণ হিসাবে বিবেচনা করা যেতে পারে। এসএমকে জিএসএম এর একটি বিশেষ ক্ষেত্রে হিসেবে দেখা যেতে পারে যেখানে শুধুমাত্র একটি সক্রিয় ট্রান্সমিট এন্টেন রয়েছে। এসএম এর বিপরীতে, জিএসএম তথ্য বিট ম্যাপ করার জন্য একাধিক ট্রান্সমিট এন্টেনের সূচক ব্যবহার করে এবং এইভাবে যথেষ্ট পরিমাণে বর্ধিত বর্ণালী দক্ষতা অর্জন করতে সক্ষম হয়। এছাড়া, একাধিক সক্রিয় ট্রান্সমিট এন্টেন নির্বাচন করা জিএসএমকে এসএম এর তুলনায় উল্লেখযোগ্য ট্রান্সমিট বৈচিত্র্য লাভ করতে সক্ষম করে, কারণ সমস্ত সক্রিয় এন্টেন একই তথ্য প্রেরণ করে। অন্যদিকে, এই সক্রিয় অ্যান্টেনার মাধ্যমে একই প্রতীক প্রেরণ করে ইন্টার-চ্যানেল হস্তক্ষেপ (আইসিআই) সম্পূর্ণরূপে এড়ানো হয়। আমরা জিএসএম এর সিম্বল ত্রুটি হার (এসইআর) কর্মক্ষমতা জন্য অর্ডার পরিসংখ্যান ব্যবহার করে তাত্ত্বিক বিশ্লেষণ উপস্থাপন। বিশ্লেষণের ফলাফল আমাদের সিমুলেশন ফলাফলের সাথে ঘনিষ্ঠভাবে একমত। জিএসএম এবং এসএম এর বিট ত্রুটি হার পারফরম্যান্স সিমুলেট এবং তুলনা করা হয়, যা জিএসএম এর শ্রেষ্ঠত্ব প্রদর্শন করে। এছাড়া, বিভিন্ন প্রেরণ এবং গ্রহণ অ্যান্টেনা কনফিগারেশন সঙ্গে জিএসএম সিস্টেম অধ্যয়ন করা হয়। আমাদের ফলাফল থেকে জানা যায় যে, কম সংখ্যক ট্রান্সমিট এন্টেনের ব্যবহারের ফলে আরও ভাল পারফরম্যান্স পাওয়া যাবে। |
395e3f319d9c7495a7425d3394308133ec1bb616 | |
d4599dcb4cc83404d8bc416b1f259d50bde2f44f | আধুনিক স্মার্ট গ্রিডের জন্য একটি গুরুত্বপূর্ণ প্রয়োজনীয়তা হল গ্রিডের ভেরিয়েবলের ক্রমাগত পর্যবেক্ষণ। এই কাজটি দক্ষতার সাথে সম্পন্ন করা হয় স্ব-চালিত ইলেকট্রনিক ডিভাইসগুলি ব্যবহার করে যা গ্রিড নেটওয়ার্ক জুড়ে স্থাপন করা হয়। গ্রিড পাওয়ার লাইনের আশেপাশে, এই লাইনের উচ্চ ভোল্টেজগুলি ক্যাপাসিটিভ কপলিং ব্যবহার করে এই ধরনের লোডের জন্য শক্তির উৎস সরবরাহ করতে পারে। এটি ইলেকট্রিক-ফিল্ড এনার্জি হার্ভেস্টিং (ইএফইএইচ) নামে পরিচিত। তবে, এই নীতি ব্যবহার করে যে কৌশলগুলি রিপোর্ট করা হয়েছে তা তাদের শক্তি স্থানান্তরকে সর্বাধিকতর করার উপায়টি অনুসন্ধান করেনি, যা ব্যবহারিক সিস্টেমের জন্য অপরিহার্য, কারণ ইএফইএইচ থেকে উপলব্ধ শক্তি সর্বদা বেশ ছোট। এই গবেষণাপত্রে, মধ্য ভোল্টেজ বিদ্যুৎ লাইন অন্তরকগুলির পরজীবী ক্যাপাসিট্যান্স ব্যবহার করে সর্বোত্তম শক্তি সংগ্রহের জন্য একটি নতুন পদ্ধতির প্রস্তাব দেওয়া হয়েছে। একটি ফলো-অন পাওয়ার ইলেকট্রনিক রূপান্তর সিস্টেম তখন লোড শর্তগুলি বজায় রাখতে ব্যবহৃত হয় যা নিষ্কাশিত শক্তিকে সর্বাধিক করে তোলে। সিস্টেমের পারফরম্যান্স তাত্ত্বিক গবেষণা এবং কম্পিউটার সিমুলেশন ব্যবহার করে বিশ্লেষণ করা হয়েছে যাতে অপারেটিং শর্তগুলি চিহ্নিত করা যায় যা নিষ্কাশিত শক্তিকে সর্বাধিক করে তোলে। এখন পর্যন্ত প্রাপ্ত ফলাফল থেকে জানা যায় যে, ২২ কেভি গ্রিড ফিডার থেকে ১০০ এমডব্লিউ পর্যন্ত শক্তি সংগ্রহ করা যায়, কেবলমাত্র লাইন আইসোলেটর হার্ভেস্টার এবং ফিডার কন্ডাক্টরের মধ্যে বিদ্যমান ক্যাপাসিটিভ কপলিং ব্যবহার করে। |
64e216c128164f56bc91a33c18ab461647384869 | নিরাপত্তা এবং সুরক্ষা অ্যাপ্লিকেশন যেমন নজরদারি বা ফরেনসিক চাহিদা কম রেজোলিউশন ভিডিও ডেটাতে মুখের স্বীকৃতি। আমরা একটি কনভোলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর উপর ভিত্তি করে একটি মুখের স্বীকৃতি পদ্ধতির প্রস্তাব দিচ্ছি যার সাথে নিম্ন রেজোলিউশনের ভিডিও মুখের স্বীকৃতির জন্য একটি ম্যানিফোড-ভিত্তিক ট্র্যাক তুলনা কৌশল রয়েছে। কম রেজোলিউশনের ডোমেইনটি নেটওয়ার্ক আর্কিটেকচারকে সামঞ্জস্য করে বাটনগ্লাস বা মুখের চিত্রগুলির উল্লেখযোগ্য আপস্কেলিং এড়াতে মোকাবেলা করা হয়। সিএনএনকে প্রশিক্ষণ দেওয়া হয় একটি বৃহত আকারের স্ব-সংগ্রহকৃত ভিডিও মুখের ডেটাসেট এবং বৃহত আকারের পাবলিক ইমেজ মুখের ডেটাসেটগুলির সংমিশ্রণের মাধ্যমে যার ফলে প্রায় ১.৪ মিলিয়ন প্রশিক্ষণ চিত্র পাওয়া যায়। বিপুল পরিমাণ ভিডিও ডেটা পরিচালনা করতে এবং কার্যকর তুলনার জন্য, সিএনএন মুখের বর্ণনাকারীদের স্থানীয় প্যাচ উপায়ে ট্র্যাক স্তরে দক্ষতার সাথে তুলনা করা হয়। আমাদের সেটআপ ইউটিউব ফেস ডাটাবেসের ৩২×৩২ পিক্সেলের নিম্ন রেজোলিউশনের সংস্করণে ৮০.৩ শতাংশ নির্ভুলতা অর্জন করে এবং স্থানীয় চিত্র বর্ণনাকারীদের পাশাপাশি এই ডোমেইনে অত্যাধুনিক ভিজিজি-ফেস নেটওয়ার্ক [২০] এর চেয়ে বেশি পারফরম্যান্স করে। প্রস্তাবিত পদ্ধতির উন্নত কার্যকারিতা একটি স্ব-সংগ্রহকৃত বন্য পরিদর্শন ডেটাসেটে নিশ্চিত করা হয়েছে। |
21ef9c68739b0ddc7a9be31091c1882791e92780 | এই গবেষণাপত্রে আমরা অনলাইনে ব্যবহারকারীর পর্যালোচনা থেকে বস্তুর রেটেবল দিকগুলি বের করার জন্য একটি নতুন কাঠামো উপস্থাপন করছি। এই ধরনের বিষয়গুলি বের করা একটি গুরুত্বপূর্ণ চ্যালেঞ্জ যা স্বয়ংক্রিয়ভাবে পণ্যের মতামতগুলি ওয়েব থেকে বের করে এবং ব্যবহারকারীর পর্যালোচনাগুলির মতামত-ভিত্তিক সংক্ষিপ্তসার তৈরি করে [18, 19, 7, 12, 27, 36, 21]। আমাদের মডেলগুলি স্ট্যান্ডার্ড থিম মডেলিং পদ্ধতি যেমন এলডিএ এবং পিএলএসএ-র এক্সটেনশনের উপর ভিত্তি করে মাল্টি-গ্রেন থিমগুলিকে প্ররোচিত করে। আমরা যুক্তি দিচ্ছি যে মাল্টি-গ্রান মডেলগুলি আমাদের কাজের জন্য আরও উপযুক্ত কারণ স্ট্যান্ডার্ড মডেলগুলি এমন বিষয়গুলি তৈরি করে যা ব্যবহারকারীর দ্বারা রেট দেওয়া হয় এমন কোনও বস্তুর দিকগুলির চেয়ে বস্তুর বৈশ্বিক বৈশিষ্ট্যগুলির সাথে সামঞ্জস্যপূর্ণ (যেমন, পণ্যের ধরণের ব্র্যান্ড) । আমরা যে মডেলগুলো উপস্থাপন করছি, সেগুলো শুধু রেটযোগ্য দিকগুলোকে বের করে আনছে না, বরং সেগুলোকে সুসংগত বিষয়ের মধ্যে একত্রিত করেছে। উদাহরণস্বরূপ, ওয়েট্রেস এবং বারটেন্ডার একই বিষয়ের অংশ, স্টাফ রেস্টুরেন্টের জন্য। এটি পূর্ববর্তী কাজের অনেকগুলি থেকে এটিকে আলাদা করে দেয় যা ন্যূনতম ক্লাস্টারিংয়ের সাথে শব্দ ফ্রিকোয়েন্সি বিশ্লেষণের মাধ্যমে দিকগুলি বের করে। আমরা মাল্টি-গ্রান মডেলগুলিকে গুণগত এবং পরিমাণগতভাবে মূল্যায়ন করি যাতে দেখাতে পারি যে তারা স্ট্যান্ডার্ড টপিক মডেলগুলির তুলনায় উল্লেখযোগ্যভাবে উন্নত হয়েছে। |
5092375789732afbfbfe2f5ede0792af6c562813 | বর্ধিত সিদ্ধান্ত গাছগুলি আজকাল ব্যবহৃত সবচেয়ে জনপ্রিয় শেখার কৌশলগুলির মধ্যে একটি। পরীক্ষার সময় দ্রুত গতি প্রদর্শন করার সময়, অপেক্ষাকৃত ধীর প্রশিক্ষণ তাদের বাস্তব সময়ের শেখার প্রয়োজনীয়তার সাথে অ্যাপ্লিকেশনগুলির জন্য অপ্রাকটিকাল করে তোলে। আমরা এই ত্রুটি দূর করতে একটি নীতিগত পদ্ধতির প্রস্তাব দিচ্ছি। আমরা প্রশিক্ষণ ডেটার একটি উপসেটে তার প্রাথমিক ত্রুটি দেওয়া একটি সিদ্ধান্তের স্টাম্পের ত্রুটির উপর একটি সীমাবদ্ধতা প্রমাণ করি; প্রশিক্ষণ প্রক্রিয়াটির প্রথম দিকে অ-প্রতিশ্রুতিশীল বৈশিষ্ট্যগুলি ছাঁটাই করতে সীমাবদ্ধতা ব্যবহার করা যেতে পারে। আমরা একটি দ্রুত প্রশিক্ষণ অ্যালগরিদমের প্রস্তাব দিচ্ছি যা এই সীমাবদ্ধতাকে কাজে লাগায়, শ্রেণীবিভাগের চূড়ান্ত পারফরম্যান্সে কোনও খরচ ছাড়াই একটি মাত্রার গতি বাড়িয়ে তোলে। আমাদের পদ্ধতিটি বুস্টিংয়ের নতুন রূপ নয়; বরং এটি বিদ্যমান বুস্টিং অ্যালগরিদম এবং অন্যান্য নমুনা পদ্ধতির সাথে একত্রে আরও বেশি গতি বাড়ানোর জন্য ব্যবহৃত হয়। |
946809792f7873dafdeb27a88d8e9d05a0294828 | ব্যাংকগুলির এটিএম নগদ ব্যবস্থাপনা কৌশলগুলিকে উন্নত করা ব্যাংক এবং স্বতন্ত্র সংস্থাগুলির জন্য স্বতন্ত্র অপ্টিমাইজেশান সমস্যা হিসাবে ইতিমধ্যে সাহিত্যে উল্লেখযোগ্য মনোযোগ পেয়েছে যা স্বয়ংক্রিয় টেলার মেশিনগুলিতে নগদ সরবরাহ করে। এই নিবন্ধটি পরিবর্তে খরচ কমানোর আরেকটি সম্ভাবনার উপর দৃষ্টি নিবদ্ধ করেঃ নগদ ব্যবস্থাপনা সমস্যাটিকে একক সমস্যা হিসাবে অপ্টিমাইজ করা। এইভাবে, ব্যাংক এবং নগদ পরিবহন সংস্থাগুলির মধ্যে চুক্তিভিত্তিক দামগুলি সাধারণভাবে সংশোধন করা যেতে পারে যাতে পৃথক অপ্টিমাইজেশনের তুলনায় আরও ব্যয় হ্রাস করা যায়। এই পদ্ধতির প্রাসঙ্গিকতা দেখানোর জন্য, আমরা একটি হাঙ্গেরীয় বাণিজ্যিক ব্যাংকের জন্য একটি Baumol- টাইপ নগদ চাহিদা পূর্বাভাস উপর ভিত্তি করে সম্ভাব্য প্যারেটো-উন্নয়ন পুনঃ চুক্তি স্কিম নির্ধারণ করেছি যার ফলে উল্লেখযোগ্য খরচ হ্রাস হয়। © 2016 Elsevier B.V. সমস্ত অধিকার সংরক্ষিত। |
bfa0710b11b060536f225031f81eb167c63e4fa5 | এই গবেষণাপত্রে car2car অ্যাপ্লিকেশনের জন্য একটি উদ্ভাবনী অ্যান্টেনা সিস্টেম বর্ণনা করা হয়েছে। অ্যান্টেনা সিস্টেমটি অ্যান্টেনা এবং সম্পূর্ণ কার2কার চিপ হার্ডওয়্যার এবং সফ্টওয়্যার সহ একটি সক্রিয় অ্যান্টেনা মডিউল ভিত্তিক। এই মডিউলটি খুবই ছোট, যাতে এটিকে একত্রিত করা যায় যেমন গাড়ির ছাদে একটি হাঙ্গর পালক অ্যান্টেনা মধ্যে. অতিরিক্ত মডিউলগুলি গাড়ির অন্য কোথাও মাউন্ট করা যায় এবং ইথারনেটের মাধ্যমে মূল মডিউলের সাথে সংযুক্ত করা যায়। এই সিস্টেমের উচ্চ নমনীয়তা এবং পুনরায় কনফিগারযোগ্যতা অনুমতি দেয়। দুটি পরীক্ষামূলক গাড়ি নতুন car2car প্রদর্শনকারী সিস্টেম দিয়ে সজ্জিত করা হয়েছে এবং 3 ডি পরিমাপ কক্ষে পাশাপাশি গতিশীল বহিরঙ্গন পরিস্থিতিতে পরিমাপ করা হয়েছে। নতুন এই সিস্টেমটি পরিমাপ ও ক্ষেত্রের পরীক্ষায় চমৎকার পারফরম্যান্স দেখায়। |
a036eb870e007bea24f3e9ff99c376f71984fdcc | মাল্টিলেভেল ইনভার্টার (এমএলআই) ব্যাপকভাবে উচ্চ ভোল্টেজ এবং উচ্চ ক্ষমতা শিল্প অ্যাপ্লিকেশন জন্য ব্যবহার করা হয়। এটি কম হারমোনিক বিকৃতি, কম ইলেক্ট্রোম্যাগনেটিক হস্তক্ষেপ এবং উচ্চতর ডিসি লিঙ্ক ভোল্টেজের কারণে। কিন্তু নিম্নলিখিত ধরনের ইনভার্টারটির কিছু অসুবিধা রয়েছে যেমন ভোল্টেজ ভারসাম্য, উপাদানগুলির সংখ্যা এবং পালস প্রস্থের মডুলেশন নিয়ন্ত্রণ পদ্ধতির জটিলতা। এই গবেষণাপত্রের উদ্দেশ্য হল, একটি ৭-স্তরের সংশোধিত সংক্ষিপ্ত সুইচ সিমট্রিক এমএলআই (এমআরএসএমএলআই) ডিজাইন করে বিদ্যমান টপোলজিগুলির তুলনা করা। প্রতিটি স্তরে পাঁচটি সুইচ এবং একই ভোল্টেজ উত্স রয়েছে। সাত স্তরের সাত-সুইচ, সাত স্তরের ছয়-সুইচ এবং সাত স্তরের পাঁচ-সুইচ এমএলআইয়ের সিমুলেশন এবং তুলনা ম্যাটল্যাব / সিমুলিংক পরিবেশ ব্যবহার করে করা হবে। পাঁচ-সুইচ এমএলআই থেকে প্রাপ্ত ফলাফলগুলি সাত-সুইচ এমএলআইয়ের এফএফটি বিশ্লেষণ নকশার সাথে যাচাই করা হবে। এই আউটপুট একটি ইন্ডাকশন মোটর নিয়ন্ত্রণের জন্য ব্যবহার করা হবে। প্রস্তাবিত এমআরএসএমএলআই-এর হার্ডওয়্যার সেটআপের নকশা করে সিমুলেশন ফলাফল যাচাই করা হবে। |
807c1f19047f96083e13614f7ce20f2ac98c239a |
Subsets and Splits