Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_gu

like 0

1b2a0e8af5c1f18e47e71244973ce4ace4ac6034

હાયરાર્કીક પિટમેન-યોર પ્રોસેસ પ્રાયોર ભાષાના મોડેલો શીખવા માટે આકર્ષક પદ્ધતિઓ છે, જે પોઇન્ટ-અનુમાન આધારિત પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છે. જો કે, આ મોડેલો કમ્પ્યુટેશનલ અને આંકડાકીય અનુમાનના મુદ્દાઓ, જેમ કે મેમરી અને સમયનો ઉપયોગ, તેમજ નમૂનાના નબળા મિશ્રણને કારણે અપ્રિય રહે છે. આ કાર્યમાં અમે એક નવલકથા માળખું પ્રસ્તાવિત કરીએ છીએ જે સંકુચિત પ્રત્યય વૃક્ષોનો ઉપયોગ કરીને એચપીવાયપી મોડેલને કોમ્પેક્ટ રીતે રજૂ કરે છે. પછી, અમે આ માળખામાં એક કાર્યક્ષમ અંદાજિત નિષ્કર્ષ યોજના વિકસાવીએ છીએ જે સંપૂર્ણ એચપીવાયપીની તુલનામાં ઘણી ઓછી મેમરી ફૂટપ્રિન્ટ ધરાવે છે અને નિષ્કર્ષ સમયમાં ઝડપી છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે અગાઉના એચપીવાયપી મોડેલોની તુલનામાં અમારું મોડેલ નોંધપાત્ર રીતે મોટા ડેટાસેટ્સ પર બનાવી શકાય છે, જ્યારે તે તાલીમ અને નિષ્કર્ષ માટે ઝડપી, અને 15 ટકા સુધીની અદ્યતન સંશોધિત કેનેસર-નેય ગણતરી આધારિત એલએમ સ્લિમિંગની મૂંઝવણને વટાવી દે છે.

6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1

આ કાગળ ઘટનાઓ અને અર્થશાસ્ત્રની ભૂમિકાઓ કે જે વાસ્તવિક દુનિયાની પરિસ્થિતિઓને લાક્ષણિકતા આપે છે તે એક નવી ભાષા સ્રોત વર્ણવે છે. વર્ણનાત્મક યોજનાઓમાં સંબંધિત ઘટનાઓના સમૂહ (સંપાદન અને પ્રકાશન), ઘટનાઓના સમયસર ક્રમ (પ્રકાશન પહેલાં સંપાદન), અને સહભાગીઓની અર્થપૂર્ણ ભૂમિકાઓ (લેખકો પુસ્તકો પ્રકાશિત કરે છે) શામેલ છે. આ પ્રકારનું વિશ્વ જ્ઞાન કુદરતી ભાષાની સમજણના પ્રારંભિક સંશોધનમાં કેન્દ્રિય હતું. સ્ક્રિપ્ટો મુખ્ય ઔપચારિકતાઓમાંની એક હતી, જે વિશ્વમાં થતી ઘટનાઓના સામાન્ય ક્રમને રજૂ કરે છે. દુર્ભાગ્યવશ, આ જ્ઞાનનો મોટાભાગનો ભાગ હાથથી કોડેડ હતો અને બનાવવા માટે સમય માંગી લે છે. વર્તમાન મશીન લર્નિંગ તકનીકો, તેમજ કોરરેફરન્સ ચેઇન્સ દ્વારા શીખવાની નવી પદ્ધતિ, અમને વર્ણનાત્મક યોજનાઓના સ્વરૂપમાં ઓપન ડોમેન ટેક્સ્ટમાંથી આપમેળે સમૃદ્ધ ઇવેન્ટ માળખું બહાર કાઢવાની મંજૂરી આપી છે. આ કાગળમાં વર્ણવેલ વર્ણનાત્મક યોજના સંસાધન આશરે 5000 અનન્ય ઘટનાઓ ધરાવે છે જે વિવિધ કદના યોજનાઓમાં જોડાયેલા છે. અમે સંસાધનનું વર્ણન કરીએ છીએ, તે કેવી રીતે શીખ્યા છે, અને આ યોજનાઓના કવરેજનું નવું મૂલ્યાંકન અદ્રશ્ય દસ્તાવેજો પર.

8e508720cdb495b7821bf6e43c740eeb5f3a444a

ભાષણ, રોબોટિક્સ, નાણાં અને જીવવિજ્ઞાનમાં ઘણી એપ્લિકેશન્સ ક્રમિક ડેટા સાથે વ્યવહાર કરે છે, જ્યાં ઓર્ડરિંગ બાબતો અને રિકરન્ટ સ્ટ્રક્ચર્સ સામાન્ય છે. જો કે, આ માળખું પ્રમાણભૂત કર્નલ કાર્યો દ્વારા સરળતાથી પકડી શકાતું નથી. આવી માળખાને મોડેલ કરવા માટે, અમે ગૌસિયન પ્રક્રિયાઓ માટે અભિવ્યક્ત બંધ-ફોર્મ કર્નલ કાર્યોનો પ્રસ્તાવ મૂક્યો છે. પરિણામી મોડેલ, જીપી-એલએસટીએમ, લાંબા ટૂંકા ગાળાના મેમરી (એલએસટીએમ) રિકરન્ટ નેટવર્ક્સના ઇન્ડક્ટિવ પૂર્વગ્રહને સંપૂર્ણપણે એન્કેપ્સ્યુલેટ્સ કરે છે, જ્યારે ગૌસિયન પ્રક્રિયાઓના બિન-પેરમેટ્રિક સંભાવનાત્મક લાભોને જાળવી રાખે છે. અમે પ્રસ્તાવિત કર્નલોની ગુણધર્મોને નવી સાબિત રૂપે સંલગ્ન અર્ધ-સ્ટોકાસ્ટિક ઢાળ પ્રક્રિયાનો ઉપયોગ કરીને ગૌસિયન પ્રક્રિયા સીમાંત સંભાવનાને શ્રેષ્ઠ બનાવીને શીખીએ છીએ, અને સ્કેલેબલ તાલીમ અને આગાહી માટે આ કર્નલોની રચનાનો ઉપયોગ કરીએ છીએ. આ અભિગમ બેયસિયન એલએસટીએમ માટે વ્યવહારુ પ્રતિનિધિત્વ પૂરું પાડે છે. અમે કેટલાક બેંચમાર્ક પર અત્યાધુનિક કામગીરીનું પ્રદર્શન કરીએ છીએ અને પરિણામી સ્વયંસંચાલિત ડ્રાઇવિંગ એપ્લિકેશન પર સંપૂર્ણ તપાસ કરીએ છીએ, જ્યાં જીપી-એલએસટીએમ દ્વારા પ્રદાન કરવામાં આવતી આગાહીની અનિશ્ચિતતાઓ અનન્ય મૂલ્યવાન છે.

033b62167e7358c429738092109311af696e9137

આ કાગળ ભલામણ કરેલ (થંબ્સ અપ) અથવા ભલામણ કરેલ નથી (થમ્બ્સ ડાઉન) તરીકે સમીક્ષાઓને વર્ગીકૃત કરવા માટે એક સરળ અસુરક્ષિત શિક્ષણ અલ્ગોરિધમનો રજૂ કરે છે. સમીક્ષાનું વર્ગીકરણ સમીક્ષામાં શબ્દસમૂહોના સરેરાશ અર્થશાસ્ત્રની દિશા દ્વારા આગાહી કરવામાં આવે છે જેમાં વિશેષણો અથવા ક્રિયાવિશેષણો હોય છે. એક શબ્દસમૂહમાં સકારાત્મક અર્થશાસ્ત્રની દિશા હોય છે જ્યારે તે સારી સંડોવણી ધરાવે છે (દા. ત. , સૂક્ષ્મ રંગબેરંગીઓ) અને નકારાત્મક અર્થશાસ્ત્રની દિશા જ્યારે તે ખરાબ સંડોવણી ધરાવે છે (દા. ત. , ખૂબ જ કેવલિયર). આ કાગળમાં, શબ્દસમૂહની અર્થશાસ્ત્રની દિશા નિર્દેશની ગણતરી આપેલ શબ્દસમૂહ અને શબ્દ ઉત્તમ ની વચ્ચેની પરસ્પર માહિતી બાદ આપેલ શબ્દસમૂહ અને શબ્દ ગરીબ વચ્ચેની પરસ્પર માહિતી તરીકે કરવામાં આવે છે. એક સમીક્ષાને ભલામણ તરીકે વર્ગીકૃત કરવામાં આવે છે જો તેના શબ્દસમૂહોની સરેરાશ અર્થશાસ્ત્રની દિશા હકારાત્મક હોય. એલ્ગોરિધમનો 74% ની સરેરાશ ચોકસાઈ પ્રાપ્ત કરે છે જ્યારે એપીનિયન્સની 410 સમીક્ષાઓ પર મૂલ્યાંકન કરવામાં આવે છે, જે ચાર જુદા જુદા ડોમેન્સ (ઓટોમોબાઇલ્સ, બેન્કો, મૂવીઝ અને મુસાફરીના સ્થળોની સમીક્ષાઓ) માંથી નમૂના લેવામાં આવે છે. ચોકસાઈ 84% થી ઓટોમોબાઇલ સમીક્ષાઓ માટે 66% સુધીની છે ફિલ્મ સમીક્ષાઓ માટે.

0eaa75861d9e17f2c95bd3f80f48db95bf68a50c

ઇલેક્ટ્રોમિગ્રેશન (ઇએમ) એ ઇન્ટરકનેક્ટ વિશ્વસનીયતા માટે આગળ વધતી એક મુખ્ય ચિંતા છે જે સંકલિત સર્કિટ (આઇસી) ડિઝાઇનમાં છે. જોકે એનાલોગ ડિઝાઇનરોને કેટલાક સમયથી ઇએમ સમસ્યાની જાણકારી છે, ડિજિટલ સર્કિટ્સ પણ હવે અસર પામી રહ્યા છે. આ ચર્ચા મૂળભૂત ડિઝાઇન મુદ્દાઓ અને ઇન્ટરકનેક્ટ ભૌતિક ડિઝાઇન દરમિયાન ઇલેક્ટ્રોમિગ્રેશન પર તેમની અસરોને સંબોધિત કરે છે. ઈરાદો એ છે કે ટૂંકા લંબાઈ અને જળાશય અસરો જેવા ઇલેક્ટ્રોમિગ્રેશન-પ્રતિરોધક પગલાં અપનાવીને ઇન્ટરકનેક્ટમાં વર્તમાન ઘનતા મર્યાદા વધારવી. લેઆઉટ સ્ટેજ પર આ અસરોનો ઉપયોગ ભવિષ્યમાં આઈસી ડિઝાઇન ફ્લોમાં ઇએમ ચિંતાઓમાં આંશિક રાહત આપી શકે છે.

45e2e2a327ea696411b212492b053fd328963cc3

મોબાઇલ એપ્લિકેશન્સ આરોગ્યને પ્રોત્સાહન આપવા અને ક્રોનિક રોગોને ઘટાડવા માટે જાહેર આરોગ્યમાં જીવનશૈલીના હસ્તક્ષેપ તરીકે સેવા આપવા માટે વચન આપે છે, તેમ છતાં ક્રોનિક બીમારીવાળા વ્યક્તિઓ મોબાઇલ એપ્લિકેશન્સનો ઉપયોગ અથવા કેવી રીતે જુએ છે તે વિશે થોડું જાણીતું છે. આ અભ્યાસનો ઉદ્દેશ ક્રોનિક સ્થિતિ ધરાવતા વ્યક્તિઓમાં આરોગ્ય માટે મોબાઇલ ફોન આધારિત એપ્લિકેશન્સ વિશેના વર્તન અને દ્રષ્ટિકોણની શોધ કરવાનો હતો. યુનાઇટેડ સ્ટેટ્સમાં 1604 મોબાઇલ ફોન વપરાશકર્તાઓના રાષ્ટ્રીય ક્રોસ-સેક્શનલ સર્વેક્ષણમાંથી ડેટા એકત્રિત કરવામાં આવ્યા હતા, જેણે એમએચએચ ઉપયોગ, માન્યતાઓ અને પસંદગીઓનું મૂલ્યાંકન કર્યું હતું. આ અભ્યાસમાં હેલ્થ એપના ઉપયોગ, ડાઉનલોડ કરવાનાં કારણો અને ક્રોનિક સ્થિતિ દ્વારા અસરકારકતાની તપાસ કરવામાં આવી હતી. પરિણામો સહભાગીઓમાં, 38.9% (314/807) પ્રતિસાદીઓ કોઈ શરત વગર અને 6.6% (24/364) હાયપરટેન્શન ધરાવતા પ્રતિસાદીઓ દ્વારા 1 અને 5 એપ્લિકેશન્સ વચ્ચે હોવાનું જણાવવામાં આવ્યું હતું. સ્વાસ્થ્ય એપ્લિકેશનોનો ઉપયોગ 21.3% (172/807) પ્રતિસાદકારોએ કોઈ શરત વિના, 2.7% (10/364) હાયપરટેન્શન સાથે, 13.1% (26/198) સ્થૂળતા સાથે, 12.3% (20/163) ડાયાબિટીસ સાથે, 12.0% (32/267) ડિપ્રેશન સાથે અને 16.6% (53/319) હાઈ કોલેસ્ટરોલ સાથે દરરોજ 2 વખત અથવા વધુ વખત નોંધવામાં આવ્યો હતો. લોજિસ્ટિક રીગ્રેસનના પરિણામોમાં ક્રોનિક શરતો ધરાવતા અને વગર વ્યક્તિઓ વચ્ચે આરોગ્ય એપ્લિકેશન ડાઉનલોડમાં નોંધપાત્ર તફાવત દર્શાવ્યો નથી (પી>.05). નબળી સ્વાસ્થ્ય ધરાવતા વ્યક્તિઓની તુલનામાં, સ્વ-અહેવાલ કરેલા ખૂબ સારા સ્વાસ્થ્ય (અસંભાવ ગુણોત્તર [OR] 3.80, 95% આઇસી 2.38-6.09, પી <.001) અને ઉત્તમ સ્વાસ્થ્ય (OR 4.77, 95% આઈસી 2.70-8.42, પી <.001) ધરાવતા લોકોમાં આરોગ્ય એપ્લિકેશન ડાઉનલોડ થવાની સંભાવના વધુ હતી. તેવી જ રીતે, જે વ્યક્તિઓએ કદી અથવા ભાગ્યે જ શારીરિક પ્રવૃત્તિમાં ભાગ લેવાનો અહેવાલ આપ્યો છે તેની તુલનામાં, જેઓ અઠવાડિયામાં 1 દિવસ (OR 2. 47, 95% CI 1. 6- 3. 83, P<. 001) કસરત કરે છે, અઠવાડિયામાં 2 દિવસ (OR 4. 77, 95% CI 3. 27-6. 94, P<. 001), અઠવાડિયામાં 3 થી 4 દિવસ (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001) અને અઠવાડિયામાં 5 થી 7 દિવસ (OR 4. 64, 95% CI 3. 11-6. 92, P<. 001) કસરત કરે છે તે લોકોમાં આરોગ્ય એપ્લિકેશન ડાઉનલોડ થવાની સંભાવના વધુ હતી. વય, જાતિ અને જાતિ અથવા વંશીયતા માટે નિયંત્રિત તમામ લોજિસ્ટિક રીગ્રેસન પરિણામો. આ અભ્યાસના પરિણામો સૂચવે છે કે જે વ્યક્તિઓ નબળી સ્વ-અહેવાલ કરે છે તે આરોગ્ય અને ઓછી શારીરિક પ્રવૃત્તિના દર, દલીલપૂર્વક તે લોકો જે આરોગ્ય એપ્લિકેશન્સથી સૌથી વધુ લાભ મેળવવા માટે ઉભા છે, આ આરોગ્ય સાધનો ડાઉનલોડ અને ઉપયોગ કરવાની અહેવાલ આપવાની શક્યતા ઓછી છે.

1935e0986939ea6ef2afa01eeef94dbfea6fb6da

સરેરાશ-વિવિધતા પોર્ટફોલિયો વિશ્લેષણએ નફો અને જોખમ વચ્ચેના વેપારના પ્રથમ જથ્થાત્મક સારવાર પ્રદાન કરી. અમે અર્ધ-વિવિધતા મોડેલો સહિત અનેક સિંગલ-પિરિયડ વેરિએન્ટ્સમાં ઉદ્દેશ અને પ્રતિબંધો વચ્ચેના ક્રિયાપ્રતિક્રિયાનું વિગતવાર વર્ણન કરીએ છીએ. વિશેષ ભાર વધારે પ્રદર્શન માટે દંડનીય કાર્યવાહી ટાળવા પર મૂકવામાં આવ્યો છે. ત્યારબાદ પરિણામોનો ઉપયોગ દૃશ્ય વૃક્ષો પર આધારિત મલ્ટીપિરિઓડ મોડેલોના વિકાસ અને સૈદ્ધાંતિક વિશ્લેષણમાં બિલ્ડિંગ બ્લોક્સ તરીકે થાય છે. એક મુખ્ય ગુણધર્મ એ છે કે ભવિષ્યના નિર્ણયોમાં વધારાના નાણાં દૂર કરવાની સંભાવના છે, જે આશરે ડાઉનસાઇડ જોખમ ઘટાડવાની સંભાવના આપે છે.

0e1431fa42d76c44911b07078610d4b9254bd4ce

મુખ્ય ઘટક વિશ્લેષણના બિનરેખીય સ્વરૂપને કરવા માટે એક નવી પદ્ધતિ પ્રસ્તાવિત કરવામાં આવી છે. ઈન્ટીગ્રેટ ઓપરેટર કર્નલ ફંક્શન્સના ઉપયોગથી, કોઈ વ્યક્તિ ઉચ્ચ પરિમાણીય સુવિધા જગ્યાઓમાં મુખ્ય ઘટકોની અસરકારક રીતે ગણતરી કરી શકે છે, જે કેટલાક બિન-રેખીય નકશા દ્વારા ઇનપુટ જગ્યા સાથે સંબંધિત છે, ઉદાહરણ તરીકે, 16 16 છબીઓમાં તમામ શક્ય પાંચ પિક્સેલ ઉત્પાદનોની જગ્યા. અમે પદ્ધતિનું વ્યુત્પન્ન કરીએ છીએ અને પેટર્ન ઓળખ માટે બહુવિધમૂલક લક્ષણ નિષ્કર્ષણ પર પ્રાયોગિક પરિણામો રજૂ કરીએ છીએ.

292eee24017356768f1f50b72701ea636dba7982

અમે આઉટડોર શહેરી દ્રશ્યોનું પ્રતિનિધિત્વ કરતા 3 ડી પોઇન્ટ વાદળોમાં ઓબ્જેક્ટ સ્થાનિકીકરણ અને માન્યતા માટે એક પદ્ધતિ રજૂ કરીએ છીએ. આ પદ્ધતિ અસ્પષ્ટ આકાર મોડેલ (આઇએસએમ) ફ્રેમવર્ક પર આધારિત છે, જે તેમના કેન્દ્ર સ્થાનો માટે મતદાન કરીને પદાર્થોને ઓળખે છે. તે વર્ગ દીઠ માત્ર થોડા તાલીમ ઉદાહરણો જરૂરી છે, જે વ્યવહારુ ઉપયોગ માટે એક મહત્વપૂર્ણ મિલકત છે. અમે સ્પિન ઇમેજ ડિસ્ક્રિપ્ટરની સુધારેલી આવૃત્તિ પણ રજૂ કરીએ છીએ અને તેનું મૂલ્યાંકન કરીએ છીએ, જે સામાન્ય દિશામાં બિંદુ ઘનતામાં ફેરફાર અને અનિશ્ચિતતા માટે વધુ મજબૂત છે. અમારા પ્રયોગો ઓળખ કામગીરી પર આ ફેરફારોની નોંધપાત્ર અસર દર્શાવે છે. અમે અમારા પરિણામોની સરખામણી સ્ટેટ ઓફ ધ આર્ટ પદ્ધતિ સાથે કરીએ છીએ અને ઓહિયો ડેટાસેટમાં ચોકસાઈ અને યાદમાં બંનેમાં નોંધપાત્ર સુધારો મળે છે, જેમાં કુલ 150,000 મીટર શહેરી વિસ્તારના સંયુક્ત હવાઈ અને જમીન પરના લિડાર સ્કેનનો સમાવેશ થાય છે.

922b5eaa5ca03b12d9842b7b84e0e420ccd2feee

સંદેશાવ્યવહાર અને નિયંત્રણમાં સૈદ્ધાંતિક અને વ્યવહારિક સમસ્યાઓનો એક મહત્વપૂર્ણ વર્ગ આંકડાકીય પ્રકૃતિનો છે. આવી સમસ્યાઓ છેઃ (i) રેન્ડમ સિગ્નલોની આગાહી; (ii) રેન્ડમ સિગ્નલોને રેન્ડમ અવાજથી અલગ કરવું; (iii) રેન્ડમ અવાજની હાજરીમાં જાણીતા સ્વરૂપ (પલ્સ, સાઇનસોઇડ્સ) ના સંકેતોની શોધ. પોતાના અગ્રણી કાર્યમાં, વિનેર [1]3એ દર્શાવ્યું કે સમસ્યા (i) અને (ii) કહેવાતા વિનેર-હોફ ઇન્ટીગ્રલ સમીકરણ તરફ દોરી જાય છે; તેમણે સ્થિર આંકડા અને બુદ્ધિગમ્ય સ્પેક્ટ્રમના વ્યવહારિક રીતે મહત્વપૂર્ણ વિશેષ કેસમાં આ ઇન્ટીગ્રલ સમીકરણના ઉકેલ માટે એક પદ્ધતિ (સ્પેક્ટ્રલ ફેક્ટરીઝેશન) પણ આપી હતી. ઘણા વિસ્તરણો અને સામાન્યીકરણો વિએનરનાં મૂળભૂત કાર્યને અનુસર્યા. ઝેદેહ અને રાગાઝિનીએ સીમિત-સ્મૃતિ કેસને હલ કર્યો હતો. બોડે અને શેનોન [3] થી એક સાથે અને સ્વતંત્ર રીતે, તેઓએ ઉકેલવાની એક સરળ પદ્ધતિ [૨] પણ આપી. બૂટોને બિનસ્થિર વાઇનર-હોફ સમીકરણ [4] ની ચર્ચા કરી. આ પરિણામો હવે પ્રમાણભૂત ગ્રંથોમાં છે [5-6]. આ મુખ્ય રેખાઓ સાથે થોડા અલગ અભિગમ તાજેતરમાં ડાર્લિંગ્ટન દ્વારા આપવામાં આવ્યો છે [7]. નમૂનાના સંકેતોના વિસ્તરણ માટે, ઉદાહરણ તરીકે, ફ્રેન્કલિન [8], લીસ [9]. વિએનરહોફ સમીકરણના સ્વયં-કાર્ય પર આધારિત અન્ય અભિગમ (જે નોનસ્ટેશનરી સમસ્યાઓ પર પણ લાગુ પડે છે, જ્યારે અગાઉની પદ્ધતિઓ સામાન્ય રીતે નથી), ડેવિસ દ્વારા પાયોનિયર કરવામાં આવી છે [10] અને અન્ય ઘણા લોકો દ્વારા લાગુ કરવામાં આવી છે, ઉદાહરણ તરીકે, શિનબ્રોટ [11], બ્લમ [12], પુગાચેવ [13], સોલોડોવનિકોવ [14]. આ તમામ કાર્યોમાં ઉદ્દેશ્ય એ છે કે એક રેખીય ગતિશીલ પ્રણાલી (વિએનર ફિલ્ટર) ની વિશિષ્ટતા પ્રાપ્ત કરવી જે રેન્ડમ સિગ્નલની આગાહી, અલગ અથવા શોધને પૂર્ણ કરે છે. 2 7212 બેલોના એવે. 3 કૌંસમાં સંખ્યાઓ કાગળના અંતમાં સંદર્ભો દર્શાવે છે. 4 અલબત્ત, સામાન્ય રીતે આ કાર્યોને બિનરેખીય ફિલ્ટર્સ દ્વારા વધુ સારી રીતે કરી શકાય છે. જો કે, હાલમાં, આ બિનરેખીય ફિલ્ટર્સ કેવી રીતે મેળવવું તે વિશે થોડું અથવા કંઇ જ જાણીતું નથી (વૈજ્ઞાનિક અને વ્યવહારિક બંને). આ પ્રયોગમાં સાધનો અને નિયમનકારો વિભાગ દ્વારા યોગદાન આપવામાં આવ્યું હતું અને માર્ચ 29- એપ્રિલ 12, 1959 ના રોજ, ધ અમેરિકન સોસાયટી ઓફ મિકેનિકલ એન્જિનિયર્સના સાધનો અને નિયમનકારોની પરિષદમાં રજૂ કરવામાં આવ્યું હતું. નોંધ: લેખોમાં જણાવેલા નિવેદનો અને મંતવ્યો લેખકોના વ્યક્તિગત અભિવ્યક્તિઓ તરીકે સમજવા જોઈએ, સોસાયટીના નહીં. 24 ફેબ્રુઆરી, 1959ના રોજ એએસએમઈના મુખ્ય મથકમાં પ્રાપ્ત થયેલી હસ્તપ્રત. કાગળ નં. 59-આઇઆરડી -11. રેખીય ફિલ્ટરિંગ અને આગાહી સમસ્યાઓ માટે એક નવો અભિગમ

e50a316f97c9a405aa000d883a633bd5707f1a34

છેલ્લા 20 વર્ષોમાં સંચિત થયેલા પ્રાયોગિક પુરાવા સૂચવે છે કે યોગ્ય રીતે વજનવાળા એકલ શબ્દોની સોંપણી પર આધારિત ટેક્સ્ટ ઇન્ડેક્સીંગ સિસ્ટમ્સ પુનઃપ્રાપ્તિ પરિણામો ઉત્પન્ન કરે છે જે અન્ય વધુ વિસ્તૃત ટેક્સ્ટ રજૂઆતો સાથે મેળવી શકાય તે કરતાં બહેતર છે. આ પરિણામો અસરકારક ટર્મવેઇટિંગ સિસ્ટમ્સની પસંદગી પર નિર્ભર કરે છે. આ લેખમાં સ્વયંસંચાલિત શબ્દ વજનમાં મેળવેલી સમજને સારાંશ આપવામાં આવે છે, અને બેઝલાઇન સિંગલ-ટર્મ-ઇન્ડેક્સીંગ મોડેલ્સ પૂરા પાડે છે જેની સાથે અન્ય વધુ વિસ્તૃત સામગ્રી વિશ્લેષણ પ્રક્રિયાઓની તુલના કરી શકાય છે. ૧. ઓટોમેટિક ટેક્સ્ટ એનાલિસિસ ૧૯૫૦ના દાયકાના અંતમાં લુહને સૌપ્રથમ સૂચન કર્યું હતું કે, સંગ્રહિત પાઠો અને વપરાશકર્તાઓની માહિતીની પૂછપરછ બંને સાથે જોડાયેલા કન્ટેન્ટ આઇડેન્ટિફાયર્સની તુલનાના આધારે સ્વયંસંચાલિત ટેક્સ્ટ પુનઃપ્રાપ્તિ પ્રણાલીઓ ડિઝાઇન કરી શકાય છે. સામાન્ય રીતે, દસ્તાવેજો અને ક્વેરીઝના પાઠોમાંથી કાઢવામાં આવેલા અમુક શબ્દોનો ઉપયોગ સામગ્રી ઓળખ માટે કરવામાં આવશે; વૈકલ્પિક રીતે, સામગ્રી રજૂઆતો તાલીમબદ્ધ ઇન્ડેક્સેટર્સ દ્વારા ધ્યાનમાં લેવામાં આવતા વિષયના ક્ષેત્રો અને દસ્તાવેજ સંગ્રહોની સામગ્રીથી પરિચિત દ્વારા જાતે પસંદ કરી શકાય છે. બંને કિસ્સાઓમાં, દસ્તાવેજોને ફોર્મ ડી = (ટી, ટીજે, . . . યટીપી) (1) ના ટર્મ વેક્ટર્સ દ્વારા રજૂ કરવામાં આવશે જ્યાં દરેક ટીકે કેટલાક નમૂના દસ્તાવેજ ડીને સોંપાયેલ સામગ્રી શબ્દને ઓળખે છે. એનાલોગલી રીતે, માહિતીની વિનંતીઓ, અથવા ક્વેરીઝ, વેક્ટર સ્વરૂપમાં અથવા બુલીયન નિવેદનોના સ્વરૂપમાં રજૂ કરવામાં આવશે. આમ, એક લાક્ષણિક ક્વેરી Q ને Q = (qa,qbr. . . તરીકે ઘડવામાં આવી શકે છે. (૪ર) (૨)

6ac15e819701cd0d077d8157711c4c402106722c

આ ટેકનિકલ રિપોર્ટ ડીએઆરપીએ અર્બન ચેલેન્જ માટે ટીમ એમઆઇટીના અભિગમને વર્ણવે છે. અમે વાહનના પેરિફેરિયા પર માઉન્ટ થયેલ ઘણા સસ્તા સેન્સર્સનો ઉપયોગ કરવા માટે એક નવીન વ્યૂહરચના વિકસાવી છે, અને નવી ક્રોસ-મોડલ કેલિબ્રેશન ટેકનિક સાથે કેલિબ્રેટ કરવામાં આવે છે. લિડાર, કેમેરા અને રડાર ડેટા સ્ટ્રીમ્સ નવીન, સ્થાનિક રીતે સરળ સ્થિતિ રજૂઆતનો ઉપયોગ કરીને પ્રક્રિયા કરવામાં આવે છે જે વાસ્તવિક સમયના સ્વાયત્ત નિયંત્રણ માટે મજબૂત દ્રષ્ટિ પૂરી પાડે છે. ટ્રાફિકમાં ડ્રાઇવિંગ માટે એક સ્થિતિસ્થાપક આયોજન અને નિયંત્રણ આર્કિટેક્ચર વિકસાવવામાં આવ્યું છે, જેમાં મિશન આયોજન, પરિસ્થિતિ આયોજન, પરિસ્થિતિની અર્થઘટન અને ટ્રેકટરી નિયંત્રણ માટે સારી રીતે સાબિત અલ્ગોરિધમ્સનો નવીન સંયોજન છે. આ નવીનતાઓ શહેરી વાતાવરણમાં સ્વયં સંચાલિત ડ્રાઇવિંગ માટે સજ્જ બે નવા રોબોટિક વાહનોમાં સમાવિષ્ટ કરવામાં આવી રહી છે, જેમાં ડાર્પા સાઇટ મુલાકાત અભ્યાસક્રમ પર વ્યાપક પરીક્ષણ કરવામાં આવ્યું છે. પ્રાયોગિક પરિણામો તમામ મૂળભૂત નેવિગેશન અને કેટલાક મૂળભૂત ટ્રાફિક વર્તણૂકો દર્શાવે છે, જેમાં ખાલી સ્વયંસંચાલિત ડ્રાઇવિંગ, શુદ્ધ-અનુસરણ નિયંત્રણ અને અમારી સ્થાનિક ફ્રેમ દ્રષ્ટિ વ્યૂહરચનાનો ઉપયોગ કરીને લેન અનુસરણ, કિનો-ડાયનેમિક આરટી પાથ પ્લાનિંગનો ઉપયોગ કરીને અવરોધ ટાળવા, અમારા પરિસ્થિતિગત દુભાષિયાનો ઉપયોગ કરીને આંતરછેદ પર અન્ય કાર વચ્ચે અગ્રતા મૂલ્યાંકન. અમે આ અભિગમોને અદ્યતન નેવિગેશન અને ટ્રાફિક દૃશ્યોમાં વિસ્તૃત કરવા માટે કામ કરી રહ્યા છીએ. આ ટેકનિકલ અહેવાલમાં ટીમ એમઆઇટીનો ડીએઆરપીએ અર્બન ચેલેન્જનો અભિગમ વર્ણવવામાં આવ્યો છે. અમે એક નવીન વ્યૂહરચના વિકસાવી છે, જેમાં ઘણા સસ્તા સેન્સર્સનો ઉપયોગ કરવામાં આવે છે, જે વાહનની પેરિફેરિયા પર માઉન્ટ થયેલ છે, અને નવી ક્રોસ-મોડલ કેલિબ્રેશન તકનીક સાથે કેલિબ્રેટેડ છે. લિડાર, કેમેરા અને રડાર ડેટા સ્ટ્રીમ્સ નવીન, સ્થાનિક રીતે સરળ રાજ્ય પ્રતિનિધિત્વનો ઉપયોગ કરીને પ્રક્રિયા કરવામાં આવે છે જે રીઅલ-ટાઇમ સ્વાયત્ત નિયંત્રણ માટે મજબૂત દ્રષ્ટિ પ્રદાન કરે છે. ટ્રાફિકમાં ડ્રાઇવિંગ માટે એક સ્થિતિસ્થાપક આયોજન અને નિયંત્રણ આર્કિટેક્ચર વિકસાવવામાં આવ્યું છે, જેમાં મિશન આયોજન, પરિસ્થિતિ આયોજન, પરિસ્થિતિની અર્થઘટન અને ટ્રેકટરી નિયંત્રણ માટે સારી રીતે સાબિત અલ્ગોરિધમ્સનો નવીન સંયોજન છે. આ નવીનતાઓ શહેરી વાતાવરણમાં સ્વયં સંચાલિત ડ્રાઇવિંગ માટે સજ્જ બે નવા રોબોટિક વાહનોમાં સમાવિષ્ટ કરવામાં આવી રહી છે, જેમાં ડાર્પા સાઇટ મુલાકાત અભ્યાસક્રમ પર વ્યાપક પરીક્ષણ કરવામાં આવ્યું છે. પ્રાયોગિક પરિણામો તમામ મૂળભૂત નેવિગેશન અને કેટલાક મૂળભૂત ટ્રાફિક વર્તણૂકો દર્શાવે છે, જેમાં ખાલી સ્વયંસંચાલિત ડ્રાઇવિંગ, શુદ્ધ-પર્સ્યુટ નિયંત્રણનો ઉપયોગ કરીને લેન અનુસરણ અને અમારી સ્થાનિક ફ્રેમ દ્રષ્ટિ વ્યૂહરચના, કિનો-ડાયનેમિક આરઆરટી પાથ પ્લાનિંગનો ઉપયોગ કરીને અવરોધ ટાળવા, યુ-ટર્ન, અને અમારા પરિસ્થિતિત્મક દુભાષિયાનો ઉપયોગ કરીને આંતરછેદ પર અન્ય કાર વચ્ચે અગ્રતા મૂલ્યાંકન. અમે આ અભિગમોને અદ્યતન નેવિગેશન અને ટ્રાફિક દૃશ્યોમાં વિસ્તૃત કરવા માટે કામ કરી રહ્યા છીએ. ડિસક્લેમર: આ કાગળમાં સમાવિષ્ટ માહિતી, ડિફેન્સ એડવાન્સ રિસર્ચ પ્રોજેક્ટ્સ એજન્સી (ડીએઆરપીએ) અથવા સંરક્ષણ વિભાગની સત્તાવાર નીતિઓ, ક્યાં તો વ્યક્ત અથવા સૂચિત નથી. ડીએઆરપીએ આ કાગળમાં માહિતીની ચોકસાઈ અથવા વિશ્વસનીયતાની બાંયધરી આપતું નથી. વધારાની સહાયક . . .

e275f643c97ca1f4c7715635bb72cf02df928d06

1e55bb7c095d3ea15bccb3df920c546ec54c86b5

8acaebdf9569adafb03793b23e77bf4ac8c09f83

અમે ટેરાહર્ટ્ઝ ફ્રીક્વન્સીઝ પર એડજસ્ટેબલ વિલંબ સાથે ફિક્સ્ડ ફિઝિકલ લંબાઈ, સ્પૂફ સપાટી પ્લાઝ્મોન પોલારીટોન આધારિત વેવગાઇડ્સનું વિશ્લેષણ અને ડિઝાઇન રજૂ કરીએ છીએ. વેગગાઇડની કુલ ભૌતિક લંબાઈને બદલ્યા વિના વેગગાઇડની ઊંડાઈને બદલીને ગોઠવણક્ષમ વિલંબને કોરગ્રેટેડ પ્લાનર ગોબૌ લાઇન (સીપીજીએલ) નો ઉપયોગ કરીને મેળવવામાં આવે છે. અમારા સિમ્યુલેશનના પરિણામો દર્શાવે છે કે 237.9°, 220.6°, અને 310.6°ની ઇલેક્ટ્રિકલ લંબાઈઓ 250 μm અને 200 μmની ભૌતિક લંબાઈઓ દ્વારા 0.25, 0.275, અને 0.3 THz પર, અનુક્રમે, પ્રદર્શનના હેતુઓ માટે પ્રાપ્ત કરી શકાય છે. આ સિમ્યુલેશન પરિણામો ભૌતિક પરિમાણ અને સામગ્રી ગુણધર્મોનો ઉપયોગ કરીને અમારી વિશ્લેષણાત્મક ગણતરીઓ સાથે પણ સુસંગત છે. જ્યારે આપણે સમાન લંબાઈની વિલંબ રેખાઓની જોડીઓને જોડીએ છીએ, જેમ કે તેઓ ટેરાહર્ટ્ઝ તબક્કા શિફ્ટરની બે શાખાઓ છે, ત્યારે અમે 5.8% કરતા વધુ સંબંધિત તબક્કા શિફ્ટ અંદાજની ભૂલ દર પ્રાપ્ત કરી છે. અમારા શ્રેષ્ઠ જ્ઞાન મુજબ, આ એડજસ્ટેબલ સ્પૂફ સપાટી પ્લાઝ્મોન પોલારીટોન આધારિત સીપીજીએલ વિલંબ રેખાઓનું પ્રથમ વખત પ્રદર્શન છે. આ વિચારનો ઉપયોગ ટેરાહર્ટઝ બેન્ડ સર્કિટરી માટે નિશ્ચિત લંબાઈ અને તબક્કા શિફ્ટર્સ સાથે ટ્યુનેબલ વિલંબ રેખાઓ મેળવવા માટે કરી શકાય છે.

325d145af5f38943e469da6369ab26883a3fd69e

આ કાગળમાં, ઇનપુટ તરીકે ગ્રેસ્કેલ ફોટોગ્રાફ આપવામાં આવે છે, આ ફોટોગ્રાફના માન્ય રંગ સંસ્કરણની ભ્રમિત સમસ્યાને આક્રમણ કરે છે. આ સમસ્યા સ્પષ્ટ રીતે મર્યાદિત છે, તેથી અગાઉના અભિગમો નોંધપાત્ર વપરાશકર્તા ક્રિયાપ્રતિક્રિયા પર આધાર રાખે છે અથવા પરિણામે અસંતુષ્ટ રંગીનતામાં પરિણમે છે. અમે એક સંપૂર્ણ સ્વયંસંચાલિત અભિગમ પ્રસ્તાવ છે કે જે જીવંત અને વાસ્તવિક રંગીન પેદા કરે છે. અમે સમસ્યાની અંતર્ગત અનિશ્ચિતતાને એક વર્ગીકરણ કાર્ય તરીકે રજૂ કરીને અને પરિણામમાં રંગોની વિવિધતાને વધારવા માટે તાલીમ સમયે વર્ગ-રીબેલેન્સિંગનો ઉપયોગ કરીએ છીએ. આ પ્રણાલીને પરીક્ષણ સમયે સી.એન.એનમાં ફીડ-ફોરવર્ડ પાસ તરીકે અમલમાં મૂકવામાં આવે છે અને એક મિલિયનથી વધુ રંગીન છબીઓ પર તાલીમ આપવામાં આવે છે. અમે અમારા અલ્ગોરિધમનો રંગીન ટ્યુરિંગ ટેસ્ટનો ઉપયોગ કરીને મૂલ્યાંકન કરીએ છીએ, માનવ સહભાગીઓને પેદા કરેલા અને જમીન સત્ય રંગ છબી વચ્ચે પસંદ કરવા માટે પૂછે છે. અમારી પદ્ધતિ સફળતાપૂર્વક મનુષ્યને 32% ટ્રાયલ્સ પર છેતરતી છે, જે અગાઉની પદ્ધતિઓ કરતાં નોંધપાત્ર રીતે વધારે છે. વધુમાં, અમે બતાવીએ છીએ કે રંગીનકરણ સ્વ-સર્વેક્ષિત લક્ષણ શિક્ષણ માટે એક શક્તિશાળી બહાનું કાર્ય હોઈ શકે છે, ક્રોસ-ચેનલ એન્કોડર તરીકે કામ કરે છે. આ અભિગમથી અનેક લક્ષણ શિક્ષણના બેંચમાર્ક પર અત્યાધુનિક કામગીરી થાય છે.

57bbbfea63019a57ef658a27622c357978400a50

7ffdf4d92b4bc5690249ed98e51e1699f39d0e71

પ્રથમ વખત, 10 ગીગાહર્ટ્ઝથી ઉપર લવચીક, કાર્બનિક સબસ્ટ્રેટ પર રેડિયો ફ્રીક્વન્સી માઇક્રોઇલેક્ટ્રોમેકેનિકલ સિસ્ટમ્સ (આરએફ એમઇએમએસ) સ્વીચ સાથે સંપૂર્ણ સંકલિત તબક્કાવાળી એરે એન્ટેનાનું નિદર્શન કરવામાં આવ્યું છે. એક ઓછી અવાજ એમ્પ્લીફાયર (એલએનએ), એમઇએમએસ તબક્કા શિફ્ટર, અને 2 વખત 2 પેચ એન્ટેના એરેને લિક્વિડ ક્રિસ્ટલ પોલિમર સબસ્ટ્રેટ પર સિસ્ટમ-ઓન-પેકેજ (એસઓપી) માં સંકલિત કરવામાં આવે છે. બે એન્ટેના એરેની તુલના કરવામાં આવે છે; એક એક-સ્તર એસઓપીનો ઉપયોગ કરીને અમલમાં મૂકવામાં આવે છે અને બીજો બહુસ્તર એસઓપી સાથે. બંને અમલીકરણ ઓછા નુકશાનવાળા છે અને 12 ડિગ્રી બીમ સ્ટિયરિંગ માટે સક્ષમ છે. ડિઝાઇન આવર્તન 14 ગીગાહર્ટ્ઝ છે અને માપવામાં આવેલ વળતર નુકશાન બંને અમલીકરણો માટે 12 ડીબી કરતા વધારે છે. એલએનએનો ઉપયોગ ખૂબ ઊંચા રેડિયેટેડ પાવર સ્તર માટે પરવાનગી આપે છે. આ એન્ટેનાને લગભગ કોઈ પણ કદ, આવર્તન અને જરૂરી કામગીરીને પહોંચી વળવા માટે કસ્ટમાઇઝ કરી શકાય છે. આ સંશોધન ઓર્ગેનિક એસઓપી ઉપકરણો માટે અત્યાધુનિક વિકાસને પ્રોત્સાહન આપે છે.

d00ef607a10e5be00a9e05504ab9771c0b05d4ea

હાઈ-વોલ્ટેજ રેટેડ સોલિડ-સ્ટેટ સ્વીચ જેમ કે આઇસોલેટેડ-ગેટ બાયપોલર ટ્રાન્ઝિસ્ટર (આઇજીબીટી) 6.5 કેવી સુધીના વ્યાપારી રીતે ઉપલબ્ધ છે. આવા વોલ્ટેજ રેટિંગ્સ પલ્સ પાવર અને હાઇ-વોલ્ટેજ સ્વિચ-મોડ કન્વર્ટર એપ્લિકેશન્સ માટે આકર્ષક છે. જો કે, આઇજીબીટી વોલ્ટેજ રેટિંગ્સમાં વધારો થતાં, વર્તમાનમાં વધારો અને ઘટાડોનો દર સામાન્ય રીતે ઘટાડો થાય છે. આ ટ્રેડઓફને ટાળવું મુશ્કેલ છે કારણ કે આઇજીબીટીએ એપિટેક્સિયલ અથવા ડ્રિફ્ટ પ્રદેશ સ્તરમાં નીચા પ્રતિકાર જાળવવો જોઈએ. રિવર્સ વોલ્ટેજને ટેકો આપવા માટે જાડા ડ્રિફ્ટ પ્રદેશો સાથે ઉચ્ચ વોલ્ટેજ રેટેડ આઇજીબીટી માટે, જરૂરી ઉચ્ચ વાહક સાંદ્રતાઓને ચાલુ કરવા પર ઇન્જેક્ટ કરવામાં આવે છે અને બંધ કરવા પર દૂર કરવામાં આવે છે, જે સ્વિચિંગ ઝડપ ધીમું કરે છે. ઝડપી સ્વિચિંગ માટેનો એક વિકલ્પ એ છે કે બહુવિધ, નીચલા વોલ્ટેજ રેટેડ આઇજીબીટીની શ્રેણી. છ, 1200 વી રેટેડ આઇજીબીટીની શ્રેણીમાં આઇજીબીટી-સ્ટેક પ્રોટોટાઇપનું પ્રાયોગિક પરીક્ષણ કરવામાં આવ્યું છે. છ-સિરીઝ આઇજીબીટી સ્ટેકમાં વ્યક્તિગત, ઓપ્ટિકલી અલગ, ગેટ ડ્રાઇવર્સ અને દબાણયુક્ત હવા ઠંડક માટે એલ્યુમિનિયમ ઠંડક પ્લેટોનો સમાવેશ થાય છે, જે કોમ્પેક્ટ પેકેજમાં પરિણમે છે. દરેક આઇજીબીટી અસ્થાયી વોલ્ટેજ સપ્રેસર્સ દ્વારા ઓવરવોલ્ટેજ સુરક્ષિત છે. છ-સિરીઝ આઇજીબીટી સ્ટેક અને એક 6.5 કેવી રેટેડ આઇજીબીટીના ચાલુ કરંટના સમયને પ્રાયોગિક રીતે પલ્સડ રેઝિસ્ટિવ-લોડ, કેપેસિટર ડિસ્ચાર્જ સર્કિટમાં માપવામાં આવ્યો છે. આઇજીબીટી સ્ટેકની સરખામણી બે આઇજીબીટી મોડ્યુલો સાથે કરવામાં આવી છે, જે પ્રત્યેક 3.3 કેવી રેટેડ છે, 9 કેએચઝેડ પર સ્વિચિંગ બૂસ્ટ સર્કિટ એપ્લિકેશન અને 5 કેવીનું આઉટપુટ ઉત્પન્ન કરે છે. છ-સિરીઝ આઇજીબીટી સ્ટેકના પરિણામે ચાલુ-ઓન સ્વિચિંગ સ્પીડમાં સુધારો થયો છે, અને બંધ દરમિયાન ઘટાડેલી વર્તમાન પૂંછડીને કારણે નોંધપાત્ર રીતે વધુ પાવર બુસ્ટ કન્વર્ટરની કાર્યક્ષમતા. પ્રાયોગિક પરીક્ષણ પરિમાણો અને તુલનાત્મક પરીક્ષણોના પરિણામો નીચેના કાગળમાં ચર્ચા કરવામાં આવે છે

20f5b475effb8fd0bf26bc72b4490b033ac25129

અમે શહેરી શેરીઓમાં લેન માર્કર શોધ માટે એક મજબૂત અને વાસ્તવિક સમયનો અભિગમ રજૂ કરીએ છીએ. તે રસ્તાના ટોપ વ્યૂને ઉત્પન્ન કરવા પર આધારિત છે, પસંદગીયુક્ત લક્ષી ગૌસિયન ફિલ્ટર્સનો ઉપયોગ કરીને ફિલ્ટરિંગ, બેઝિયર સ્પ્લિનને ફિટ કરવા માટે નવા અને ઝડપી RANSAC અલ્ગોરિધમનો પ્રારંભિક અનુમાન આપવા માટે RANSAC લાઇન ફિટિંગનો ઉપયોગ કરીને, જે પછી પોસ્ટ-પ્રોસેસિંગ પગલું દ્વારા અનુસરવામાં આવે છે. અમારો અલ્ગોરિધમનો વિવિધ પરિસ્થિતિઓમાં શેરીની સ્થિર છબીઓમાં તમામ લેન્સને શોધી શકે છે, જ્યારે 50 હર્ટ્ઝના દરથી કાર્યરત છે અને અગાઉની તકનીકોની તુલનામાં તુલનાત્મક પરિણામો પ્રાપ્ત કરે છે.

e6bef595cb78bcad4880aea6a3a73ecd32fbfe06

ઓનલાઇન સમીક્ષાઓ અને ભલામણોની ઉપલબ્ધતામાં થયેલા વિસ્તૃત વધારાથી શૈક્ષણિક અને ઔદ્યોગિક સંશોધનમાં લાગણી વર્ગીકરણ એક રસપ્રદ વિષય બની ગયું છે. સમીક્ષાઓ ઘણા જુદા જુદા ક્ષેત્રોને આવરી શકે છે કે તે બધા માટે એનોટેડ તાલીમ ડેટા એકત્રિત કરવું મુશ્કેલ છે. તેથી, આ કાગળ સેન્ટીમેન્ટ ક્લાસિફાયર્સ માટે ડોમેન અનુકૂલન સમસ્યાનો અભ્યાસ કરે છે, આ દ્વારા એક સ્રોત ડોમેનમાંથી લેબલ કરેલી સમીક્ષાઓ પર એક સિસ્ટમ તાલીમ આપવામાં આવે છે પરંતુ તેનો અર્થ એ છે કે તે બીજા પર જમાવટ કરવામાં આવે છે. અમે એક ઊંડા શિક્ષણ અભિગમ પ્રસ્તાવિત કરીએ છીએ જે દરેક સમીક્ષા માટે એક અર્થપૂર્ણ પ્રતિનિધિત્વને અનસર્વેક્ષિત રીતે બહાર કાઢવાનું શીખે છે. આ રીતે, એમેઝોનએ તેના ઉત્પાદનોની ગુણવત્તાની સમીક્ષા કરી અને તેમાંથી એકને પસંદ કર્યું. વધુમાં, આ પદ્ધતિ સારી રીતે સ્કેલ કરે છે અને અમને 22 ડોમેન્સના મોટા ઔદ્યોગિક-શક્તિ ડેટાસેટ પર ડોમેન અનુકૂલનને સફળતાપૂર્વક કરવા માટે પરવાનગી આપે છે.

7cbbe0025b71a265c6bee195b5595cfad397a734

લોકો વારંવાર ચેર સાથે ક્રિયાપ્રતિક્રિયા કરે છે, તેમને અસ્પષ્ટ આરોગ્ય સેન્સિંગ કરવા માટે સંભવિત સ્થાન બનાવે છે જેને વપરાશકર્તાઓ દ્વારા કોઈ વધારાના પ્રયત્નોની જરૂર નથી. અમે 550 સહભાગીઓને સર્વેક્ષણ કર્યું કે કેવી રીતે લોકો ખુરશીમાં બેસે છે અને ખુરશીની રચનાને જાણ કરે છે જે અનુક્રમે ખુરશીના આર્મરેસ્ટ અને બેકરેસ્ટથી હૃદય અને શ્વસન દરને શોધી શકે છે. 18 સહભાગીઓ સાથે લેબોરેટરી અભ્યાસમાં, અમે હૃદય દર અને શ્વસન દરની તપાસ ક્યારે શક્ય છે તે નિર્ધારિત કરવા માટે સામાન્ય બેઠક સ્થિતિની શ્રેણીનું મૂલ્યાંકન કર્યું (32% હૃદય દર માટે, 52% શ્વસન દર માટે) અને શોધાયેલ દરની ચોકસાઈનું મૂલ્યાંકન કર્યું (83% હૃદય દર માટે, 73% શ્વસન દર માટે). અમે આ સંવેદનાને જંગલીમાં ખસેડવાની પડકારોની ચર્ચા કરીએ છીએ, જેમાં 11 સહભાગીઓ સાથે કુલ 40 કલાકના ઇન્-સિટુ અભ્યાસનું મૂલ્યાંકન કરવામાં આવે છે. અમે બતાવીએ છીએ કે, એક અપ્રગટ સેન્સર તરીકે, ખુરશી તેના રહેવાસી પાસેથી મહત્વપૂર્ણ સંકેતો ડેટા એકત્રિત કરી શકે છે ખુરશી સાથે કુદરતી ક્રિયાપ્રતિક્રિયા દ્વારા.

bf003bb2d52304fea114d824bc0bf7bfbc7c3106

9a59a3719bf08105d4632898ee178bd982da2204

આ સ્વયંચાલિત વાહન એક મોબાઇલ રોબોટ છે જેમાં મલ્ટી-સેન્સર નેવિગેશન અને પોઝિશનિંગ, બુદ્ધિશાળી નિર્ણય અને નિયંત્રણ ટેકનોલોજીનો સમાવેશ થાય છે. આ કાગળમાં સ્વયં સંચાલિત વાહનના નિયંત્રણ સિસ્ટમ આર્કિટેક્ચર રજૂ કરવામાં આવ્યું છે, જેને "ઇન્ટેલિજન્ટ પાયોનિયર" કહેવામાં આવે છે, અને અજાણ્યા વાતાવરણમાં અસરકારક રીતે નેવિગેટ કરવા માટે પાથ ટ્રેકિંગ અને ગતિની સ્થિરતાની ચર્ચા કરવામાં આવી છે. આ અભિગમમાં, રાજ્ય અવકાશ ફોર્મેટમાં પાથ-ટ્રેકિંગ સમસ્યાને ઘડવા માટે બે ડિગ્રી-ફ્રીડમ ડાયનેમિક મોડેલ વિકસાવવામાં આવે છે. ક્ષણિક પાથ ભૂલ નિયંત્રિત કરવા માટે, પરંપરાગત નિયંત્રકો પરિમાણો ફેરફારો અને વિક્ષેપોની વિશાળ શ્રેણી પર કામગીરી અને સ્થિરતાની બાંયધરી આપવામાં મુશ્કેલી અનુભવે છે. તેથી, એક નવા વિકસિત અનુકૂલનશીલ-પીઆઇડી નિયંત્રકનો ઉપયોગ કરવામાં આવશે. આ અભિગમનો ઉપયોગ કરીને વાહન નિયંત્રણ પ્રણાલીની લવચીકતામાં વધારો થશે અને મોટા ફાયદા પ્રાપ્ત થશે. સમગ્રમાં, અમે ઇન્ટેલિજન્ટ પાયોનિયર અને આ અભિગમનો ઉપયોગ કરીને સ્વાયત્ત વાહનના ઉદાહરણો અને પરિણામો પ્રદાન કરીએ છીએ, જે 2010 અને 2011 માં ચાઇનાના ફ્યુચર ચેલેન્જમાં સ્પર્ધા કરે છે. ઇન્ટેલિજન્ટ પાયોનિયરે તમામ સ્પર્ધા કાર્યક્રમો પૂર્ણ કર્યા અને 2010માં પ્રથમ અને 2011માં ત્રીજા સ્થાને સ્થાન મેળવ્યું હતું.

7592f8a1d4fa2703b75cad6833775da2ff72fe7b

સ્પર્ધાત્મક એમએનઆઈએસટી હસ્તલિખિત અંક ઓળખ બેંચમાર્ક 1998 થી રેકોર્ડ તોડવાનો લાંબો ઇતિહાસ ધરાવે છે. અન્ય દેશો દ્વારા તાજેતરમાં કરવામાં આવેલી પ્રગતિ 8 વર્ષ પહેલાની છે (ભૂલ દર 0.4%). સાદા મલ્ટી-લેયર પર્સપટ્રોન માટે સારા જૂના ઓનલાઈન બેક-પ્રસારણ એક જ એમએલપી સાથે એમએનઆઇએસટી હસ્તલિખિત અંકો બેંચમાર્ક પર 0.35% અને સાત એમએલપીની સમિતિ સાથે 0.31% ની ખૂબ ઓછી ભૂલ દર આપે છે. 2011 સુધી આ શ્રેષ્ઠ પરિણામ હાંસલ કરવા માટે આપણે જરૂર છે તે ઘણા છુપાયેલા સ્તરો છે, દરેક સ્તર પર ઘણા ન્યુરોન્સ, અસંખ્ય વિકૃત તાલીમ છબીઓ ઓવરફિટ ટાળવા માટે, અને ગ્રાફિક્સ કાર્ડ્સને મોટા પ્રમાણમાં શીખવાની ઝડપ.

cbcd9f32b526397f88d18163875d04255e72137f

14829636fee5a1cf8dee9737849a8e2bdaf9a91f

બિટકોઇન એક ડિસ્ટ્રિબ્યુટેડ ડિજિટલ ચલણ છે જેણે નોંધપાત્ર સંખ્યામાં વપરાશકર્તાઓને આકર્ષ્યા છે. અમે બિટકોઇનને આટલી સફળ કેમ બનાવી તે સમજવા માટે ઊંડાણપૂર્વકની તપાસ કરીએ છીએ, જ્યારે ક્રિપ્ટોગ્રાફિક ઇ-કેશ પરના દાયકાઓના સંશોધનથી મોટા પાયે જમાવટ થઈ નથી. અમે એ પણ પૂછીએ છીએ કે બિટકોઇન લાંબા સમય સુધી સ્થિર ચલણ માટે સારો ઉમેદવાર કેવી રીતે બની શકે છે. આમ કરવાથી, અમે બિટકોઇનની કેટલીક સમસ્યાઓ અને હુમલાઓ ઓળખી કાઢીએ છીએ, અને તેમને સંબોધવા માટે યોગ્ય તકનીકો પ્રસ્તાવિત કરીએ છીએ.

3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78

d19f938c790f0ffd8fa7fccc9fd7c40758a29f94

cd5b7d8fb4f8dc3872e773ec24460c9020da91ed

આ કાગળ પાંચમી પેઢી (5G) સંપૂર્ણ પરિમાણ બહુવિધ ઇનપુટ બહુવિધ આઉટપુટ (એફડી-એમઆઇએમઓ) સિસ્ટમ માટે 29 ગીગાહર્ટ્ઝની આવર્તન પર ડબલ્યુઆર 28 વેવગાઇડ પર આધારિત બીમ સ્ટિયરેબલ હાઇ ગેઇન તબક્કાવાર એરે એન્ટેનાની નવી ડિઝાઇન ખ્યાલ રજૂ કરે છે. આ 8×8 સપાટ તબક્કાવાળી એરેને ત્રિપરિમાણીય બીમફોર્મર દ્વારા આપવામાં આવે છે જેથી એઝિમથ અને એલિવેશન દિશામાં -60 થી +60 ડિગ્રી સુધીની વોલ્યુમેટ્રિક બીમ સ્કેનિંગ પ્રાપ્ત થાય. બીમફોર્મિંગ નેટવર્ક (બીએફએન) ને 64 બીમ સ્ટેટસ મેળવવા માટે 8 × 8 બટલર મેટ્રિક્સ બીમફોર્મરનો ઉપયોગ કરીને ડિઝાઇન કરવામાં આવ્યું છે, જે આડી અને ઊભી કોણને નિયંત્રિત કરે છે. આ 5જી એપ્લિકેશન માટે કા બેન્ડમાં વોલ્યુમેટ્રિક મલ્ટીબીમ માટે વેવગાઇડ આધારિત હાઇ પાવર થ્રી-ડાયમેન્શનલ બીમફોર્મર ડિઝાઇન કરવા માટે એક નવો ખ્યાલ છે. તબક્કાવાર એરેની મહત્તમ ગેઇન 28.5 ડીબી છે જે 28.9 ગીગાહર્ટ્ઝથી 29.4 ગીગાહર્ટ્ઝ ફ્રીક્વન્સી બેન્ડને આવરી લે છે.

34feeafb5ff7757b67cf5c46da0869ffb9655310

પર્યાવરણીય ઊર્જા ઓછી શક્તિવાળા વાયરલેસ સેન્સર નેટવર્ક્સ માટે આકર્ષક પાવર સ્ત્રોત છે. અમે પ્રમોથેયસ રજૂ કરીએ છીએ, એક એવી સિસ્ટમ જે બુદ્ધિપૂર્વક ઊર્જાના પરિવહનને સંચાલિત કરે છે માનવ હસ્તક્ષેપ અથવા સર્વિસિંગ વિના કાયમી કામગીરી માટે. વિવિધ ઊર્જા સંગ્રહ તત્વોના હકારાત્મક લક્ષણોને ભેગા કરીને અને માઇક્રોપ્રોસેસરની બુદ્ધિનો લાભ લઈને, અમે એક કાર્યક્ષમ મલ્ટી-સ્ટેજ ઊર્જા ટ્રાન્સફર સિસ્ટમ રજૂ કરીએ છીએ જે સિંગલ એનર્જી સ્ટોરેજ સિસ્ટમ્સની સામાન્ય મર્યાદાઓને ઘટાડે છે જે લગભગ સદાકાળ કામગીરી પ્રાપ્ત કરે છે. અમે અમારી ડિઝાઇન પસંદગીઓ, વેપાર-ઓફ્સ, સર્કિટ મૂલ્યાંકનો, પ્રદર્શન વિશ્લેષણ અને મોડેલો રજૂ કરીએ છીએ. અમે સિસ્ટમ ઘટકો વચ્ચેના સંબંધો પર ચર્ચા કરીએ છીએ અને એપ્લિકેશનની જરૂરિયાતોને પહોંચી વળવા માટે શ્રેષ્ઠ હાર્ડવેર પસંદગીઓ ઓળખીએ છીએ. છેલ્લે અમે એક વાસ્તવિક સિસ્ટમ અમારા અમલીકરણ રજૂ કરે છે કે જે સૌર ઊર્જા ઉપયોગ કરે છે બર્કલે માતાનો Telos Mote શક્તિ. અમારા વિશ્લેષણની આગાહી છે કે સિસ્ટમ 1% લોડ હેઠળ 43 વર્ષ માટે કાર્ય કરશે, 10% લોડ હેઠળ 4 વર્ષ, અને 100% લોડ હેઠળ 1 વર્ષ. અમારી અમલીકરણમાં બે તબક્કાની સંગ્રહ પ્રણાલીનો ઉપયોગ કરવામાં આવે છે જેમાં સુપરકેપેસિટર (પ્રાથમિક બફર) અને લિથિયમ રિચાર્જ બેટરી (દ્વિતીય બફર) નો સમાવેશ થાય છે. મોટને પાવર લેવલની સંપૂર્ણ જાણકારી છે અને જીવનકાળને મહત્તમ બનાવવા માટે બુદ્ધિપૂર્વક ઊર્જા ટ્રાન્સફરનું સંચાલન કરે છે.

3689220c58f89e9e19cc0df51c0a573884486708

એમ્બિમેક્સ એ ઊર્જાના સંગ્રહનું સર્કિટ છે અને વાયરલેસ સેન્સર નોડ્સ (ડબ્લ્યુએસએન) માટે સુપરકેપેસિટર આધારિત ઊર્જા સંગ્રહ સિસ્ટમ છે. અગાઉના ડબ્લ્યુએસએન વિવિધ સ્રોતોમાંથી ઉર્જા મેળવવાનો પ્રયાસ કરે છે, અને કેટલાક બેટરીની વૃદ્ધત્વની સમસ્યાને દૂર કરવા માટે બેટરીને બદલે સુપરકેપેસિટરનો ઉપયોગ કરે છે. જો કે, તેઓ ઇમ્પેડન્સ અસંગતતાને કારણે ઘણી બધી ઉપલબ્ધ ઊર્જાનો બગાડ કરે છે, અથવા તેમને સક્રિય ડિજિટલ નિયંત્રણની જરૂર છે જે ઓવરહેડમાં આવે છે, અથવા તેઓ માત્ર એક ચોક્કસ પ્રકારનાં સ્ત્રોત સાથે કામ કરે છે. એમ્બિમેક્સ આ સમસ્યાઓને પ્રથમ મહત્તમ પાવર પોઇન્ટ ટ્રેકિંગ (એમપીપીટી) સ્વાયત્ત રીતે કરીને અને પછી મહત્તમ કાર્યક્ષમતા પર સુપરકેપેસિટર્સને ચાર્જ કરીને ઉકેલે છે. વધુમાં, એમ્બિમેક્સ મોડ્યુલર છે અને સૌર, પવન, થર્મલ અને સ્પંદન સહિત બહુવિધ ઉર્જા લણણી સ્રોતોની રચનાને સક્ષમ કરે છે, દરેક એક અલગ શ્રેષ્ઠ કદ સાથે. વાસ્તવિક ડબ્લ્યુએસએન પ્લેટફોર્મ, ઇકો પરના પ્રાયોગિક પરિણામો દર્શાવે છે કે એમ્બિમેક્સ સફળતાપૂર્વક ડબ્લ્યુએસએન માટે વર્તમાન રાજ્યની કલાની કાર્યક્ષમતામાં અનેક પાવર સ્ત્રોતોને એક સાથે અને સ્વાયત્ત રીતે સંચાલિત કરે છે.

4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6

ફોટોવોલ્ટેઇક (પીવી) પેનલમાં એકીકૃત કરવા માટે ઓછી શક્તિવાળા ઓછી કિંમતના ઉચ્ચ કાર્યક્ષમ મહત્તમ પાવર પોઇન્ટ ટ્રેકર (એમપીપીટી) નો પ્રસ્તાવ છે. આ એક પ્રમાણભૂત ફોટોવોલ્ટેઇક પેનલ સાથે સરખામણીમાં 25% ઊર્જા વૃદ્ધિમાં પરિણમી શકે છે, જ્યારે બેટરી વોલ્ટેજ નિયમન અને લોડ સાથે PV એરેની મેચિંગ જેવા કાર્યો કરે છે. બાહ્ય રીતે જોડાયેલ એમપીપીટીનો ઉપયોગ કરવાને બદલે, તે PV પેનલનો એક ભાગ તરીકે એક સંકલિત એમપીપીટી કન્વર્ટરનો ઉપયોગ કરવા માટે પ્રસ્તાવિત છે. આ એકીકૃત એમપીપીટી ખર્ચ અસરકારકતા માટે એક સરળ નિયંત્રકનો ઉપયોગ કરે છે. વધુમાં, કન્વર્ટરને ખૂબ જ કાર્યક્ષમ હોવું જોઈએ, જેથી સીધા કપ્લડ સિસ્ટમ કરતાં વધુ ઊર્જાને લોડમાં સ્થાનાંતરિત કરી શકાય. આ એક સરળ સોફ્ટ-સ્વિચ ટોપોલોજીનો ઉપયોગ કરીને પ્રાપ્ત થાય છે. આથી ઓછી કિંમતમાં ખૂબ વધારે કન્વર્ઝન કાર્યક્ષમતા પ્રાપ્ત થશે, જેનાથી એમપીપીટી નાના પીએલઇ સિસ્ટમો માટે સસ્તું ઉકેલ બની જશે.

61c1d66defb225eda47462d1bc393906772c9196

આપણા સમાજ પર હકારાત્મક અસર કરવા માટે વાયરલેસ સેન્સર નેટવર્ક્સની વિશાળ સંભાવનાએ આ વિષય પર ઘણાં સંશોધન પેદા કર્યા છે, અને આ સંશોધન હવે પર્યાવરણ-તૈયાર સિસ્ટમ્સનું ઉત્પાદન કરી રહ્યું છે. વર્તમાન તકનીકી મર્યાદાઓ સાથે વ્યાપકપણે બદલાતી એપ્લિકેશન આવશ્યકતાઓ ડિઝાઇન સ્પેસના વિવિધ ભાગો માટે હાર્ડવેર પ્લેટફોર્મની વિવિધતા તરફ દોરી જાય છે. વધુમાં, માનવીય હસ્તક્ષેપ વિના એક સમયે મહિનાઓ સુધી કાર્યરત રહેવાની સિસ્ટમનો અનન્ય ઊર્જા અને વિશ્વસનીયતા પ્રતિબંધોનો અર્થ એ છે કે સેન્સર નેટવર્ક હાર્ડવેર પરની માંગ પ્રમાણભૂત સંકલિત સર્કિટ્સની માંગથી અલગ છે. આ પેપરમાં સેન્સર નોડ્સ અને તેમને નિયંત્રિત કરવા માટે નીચા સ્તરના સોફ્ટવેર ડિઝાઇન કરવાના અમારા અનુભવોનું વર્ણન કરવામાં આવ્યું છે. ઝેબ્રાનેટ સિસ્ટમમાં અમે જીપીએસ ટેકનોલોજીનો ઉપયોગ પશુઓની લાંબા ગાળાની સ્થળાંતરને ટ્રેક કરવા માટે ફાઇન-ગ્રાન્યુલ પોઝિશન ડેટા રેકોર્ડ કરવા માટે કરીએ છીએ [14]. ઝેબ્રાનેટ હાર્ડવેર 16-બીટ ટીઆઇ માઇક્રોકન્ટ્રોલર, 4 એમબીટ ઓફ-ચિપ ફ્લેશ મેમરી, 900 મેગાહર્ટઝ રેડિયો અને ઓછી શક્તિવાળી જીપીએસ ચિપથી બનેલું છે. આ કાગળમાં, અમે સેન્સર નેટવર્ક્સ માટે કાર્યક્ષમ પાવર સપ્લાયની રચના કરવા માટેની અમારી તકનીકો, નોડ્સના ઊર્જા વપરાશને સંચાલિત કરવાની પદ્ધતિઓ અને રેડિયો, ફ્લેશ અને સેન્સર સહિત પેરિફેરલ ઉપકરણોનું સંચાલન કરવાની પદ્ધતિઓ વિશે ચર્ચા કરીએ છીએ. અમે ઝેબ્રાનેટ નોડ્સની રચનાનું મૂલ્યાંકન કરીને અને તે કેવી રીતે સુધારી શકાય તે અંગે ચર્ચા કરીને નિષ્કર્ષ કરીએ છીએ. આ હાર્ડવેરને વિકસિત કરવામાં જે પાઠ શીખ્યા છે તે ભવિષ્યના સેન્સર નોડ્સને ડિઝાઇન કરવા અને વાસ્તવિક સિસ્ટમોમાં તેનો ઉપયોગ કરવા બંનેમાં ઉપયોગી થઈ શકે છે.

146da74cd886acbd4a593a55f0caacefa99714a6

આર્ટિફિશિયલ ઇન્ટેલિજન્સની પ્રગતિએ ટેકનોલોજીના ક્ષેત્રમાં ઉત્પ્રેરક તરીકે કામ કર્યું છે. આપણે હવે એવી વસ્તુઓ વિકસાવી શકીએ છીએ જે એક વખત માત્ર કલ્પના હતી. આવી એક રચના સ્વયં-ડ્રાઇવિંગ કારનો જન્મ છે. એવા દિવસો આવી ગયા છે કે જ્યારે કોઈ પોતાનું કામ કરી શકે છે અથવા તો ગાડીમાં ઊંઘી પણ શકે છે અને સ્ટીયરિંગ વ્હીલને સ્પર્શ કર્યા વિના પણ તમે તમારા લક્ષ્ય સ્થળે સુરક્ષિત પહોંચી શકશો. આ કાગળમાં સ્વયં સંચાલિત કારનું એક કાર્યકારી મોડેલ પ્રસ્તાવિત કરવામાં આવ્યું છે જે એક સ્થાનથી બીજા સ્થળે અથવા વિવિધ પ્રકારના ટ્રેક પર જેમ કે વક્ર ટ્રેક, સીધા ટ્રેક અને સીધા અનુસરતા વક્ર ટ્રેક પર ડ્રાઇવિંગ કરવા માટે સક્ષમ છે. કારની ટોચ પર એક કેમેરા મોડ્યુલ માઉન્ટ થયેલ છે, રાસ્પબેરી પાઇ સાથે વાસ્તવિક દુનિયાની છબીઓને કન્વૉલ્યુશનલ ન્યુરલ નેટવર્કમાં મોકલે છે જે પછી નીચેની દિશાઓમાંથી એકની આગાહી કરે છે. એટલે કે જમણે, ડાબે, આગળ અથવા બંધ જે પછી દૂરસ્થ નિયંત્રિત કારના નિયંત્રકને અરડિનોથી સંકેત મોકલવામાં આવે છે અને પરિણામે કાર કોઈ પણ માનવ હસ્તક્ષેપ વિના ઇચ્છિત દિશામાં આગળ વધે છે.

bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd

090a6772a1d69f07bfe7e89f99934294a0dac1b9

f07fd927971c40261dd7cef1ad6d2360b23fe294

આપણે વિખરાયેલા કેનોનિકલ સહસંબંધ વિશ્લેષણ (સીસીએ) ની સમસ્યાને ધ્યાનમાં લઈએ છીએ, એટલે કે, બે રેખીય કોમ્બી રાષ્ટ્રોની શોધ, દરેક મલ્ટિવેરીએટ માટે એક, જે નિર્દિષ્ટ સંખ્યામાં ચલોનો ઉપયોગ કરીને મહત્તમ સહસંબંધ આપે છે. અમે એક સીધી લોભી અભિગમ પર આધારિત એક કાર્યક્ષમ આંકડાકીય અંદાજ પ્રસ્તાવિત કરીએ છીએ જે દરેક તબક્કે સહસંબંધને બાંધી દે છે. આ પદ્ધતિ ખાસ કરીને મોટા ડેટા સેટ્સ સાથે વ્યવહાર કરવા માટે રચાયેલ છે અને તેની ગણતરીની જટિલતા માત્ર વિરલતાના સ્તર પર આધારિત છે. અમે સહસંબંધ અને સંયમ વચ્ચેના વેપાર દ્વારા અલ્ગોરિધમનો એમએક્સની કામગીરીનું વિશ્લેષણ કરીએ છીએ. સંખ્યાત્મક સિમ્યુલેશનના પરિણામો સૂચવે છે કે પ્રમાણમાં ઓછી સંખ્યામાં ચલોનો ઉપયોગ કરીને સહસંબંધનો નોંધપાત્ર ભાગ પકડી શકાય છે. વધુમાં, અમે વિખરાયેલા સીસીએનો ઉપયોગ નિયમિતકરણ પદ્ધતિ તરીકે તપાસીએ છીએ જ્યારે ઉપલબ્ધ નમૂનાઓની સંખ્યા બહુવિધ ચલોના પરિમાણોની તુલનામાં નાની હોય છે. હરોલ ડી હોટેલિંગ [1] દ્વારા રજૂ કરાયેલ કેનોનિકલ સહસંબંધ વિશ્લેષણ (સીસીએ) એ ડેટા સ્રોતોની જોડીમાંથી સામાન્ય લાક્ષણિકતાઓ કાractવા માટે મલ્ટિવેરીએટ ડેટા એન લિસીસમાં પ્રમાણભૂત તકનીક છે. આ ડેટા સ્રોતોમાંથી દરેક રેન્ડમ વેક્ટર r પેદા કરે છે જેને આપણે મલ્ટીવેરીએટ કહીએ છીએ. ક્લાસિકલ પરિમાણીયતા ઘટાડા પદ્ધતિઓથી વિપરીત જે એક મલ્ટીવેરીએટને સંબોધિત કરે છે, સીસીએ સંભવિત રીતે અલગ પરિમાણો અને માળખાના બે જગ્યાઓમાંથી નમૂનાઓ વચ્ચેના આંકડાકીય સંબંધોનો વિચાર કરે છે. ખાસ કરીને, તે બે રેખીય સંયોજનો માટે શોધ કરે છે, દરેક મલ્ટીવેરીએટ માટે એક, તેમના સહસંબંધને મહત્તમ કરવા માટે. તેનો ઉપયોગ વિવિધ શાખાઓમાં એકલ સાધન તરીકે અથવા અન્ય આંકડાકીય પદ્ધતિઓ માટે પૂર્વ-પ્રોસેસિંગ પગલા તરીકે થાય છે. વધુમાં, સીસીએ એક સામાન્ય માળખું છે જેમાં આંકડામાં અસંખ્ય ક્લાસિક પદ્ધતિઓ શામેલ છે, ઉદાહરણ તરીકે, મુખ્ય ઘટક વિશ્લેષણ (પીસીએ), આંશિક લઘુતમ ચોરસ (પીએલએસ) અને મલ્ટીપલ લીનિયર રીગ્રેસન (એમએલઆર) [4]. તાજેતરમાં જ, કોર્નલ સીસીએના આગમન અને સ્વતંત્ર ઘટક વિશ્લેષણ [5] [6] માટે તેના ઉપયોગ સાથે સીસીએએ ફરી ધ્યાન ખેંચ્યું છે. છેલ્લા દસકામાં સંકેતોના વિખરાયેલા પ્રતિનિધિત્વ અને વિખરાયેલા સંખ્યાત્મક પદ્ધતિઓની શોધમાં વધતો રસ જોવા મળ્યો છે. આમ, આપણે વિખરાયેલા સીસીએની સમસ્યાને ધ્યાનમાં લઈએ છીએ, એટલે કે, નાની સંખ્યામાં ચલોનો ઉપયોગ કરીને મહત્તમ સહસંબંધ સાથે રેખીય સંયોજનોની શોધ. વિવિધ તર્ક દ્વારા સ્પાસીટીની શોધને પ્રેરિત કરી શકાય છે. પ્રથમ છે પરિણામોનું અર્થઘટન અને વિઝ્યુલાઇઝ કરવાની ક્ષમતા. નાની સંખ્યામાં ચલો આપણને "મોટા ચિત્ર" મેળવવા માટે પરવાનગી આપે છે, જ્યારે કેટલીક નાની વિગતો બલિદાન આપે છે. વધુમાં, સ્પાસ ઇ રજૂઆતો કમ્પ્યુટેશનલી કાર્યક્ષમ ઉપયોગને સક્ષમ કરે છે પ્રથમ બે લેખકોએ આ હસ્તપ્રતમાં સમાન યોગદાન આપ્યું હતું. આ કાર્યને ગ્રાન્ટ FA9550-06-1-0 324 હેઠળ એએફઓએસઆર મુરી દ્વારા આંશિક રીતે ટેકો આપવામાં આવ્યો હતો. વિખરાઈને રહેવાની બીજી પ્રેરણા નિયમિતતા અને સ્થિરતા છે. સીસીએની મુખ્ય નબળાઈઓ પૈકીની એક એ છે કે તે ઓછી સંખ્યામાં નિરીક્ષણો પ્રત્યે સંવેદનશીલ છે. જોકે, સીડીએ [7] જેવી નિયમિત પદ્ધતિઓનો ઉપયોગ કરવો જોઈએ. આ સંદર્ભમાં, વિખરાયેલા સીસીએ એ સબસેટ પસંદગી યોજના છે જે અમને વેક્ટર્સના પરિમાણોને ઘટાડવા અને સ્થિર ઉકેલ મેળવવા માટે પરવાનગી આપે છે. આપણા જ્ઞાન મુજબ, વિખરાયેલા સીસીએનો પ્રથમ સંદર્ભ [2] માં દેખાયો હતો જ્યાં પાછળની અને પગલાવાર સબસેટ પસંદગીની દરખાસ્ત કરવામાં આવી હતી. આ ચર્ચા ગુણાત્મક સ્વભાવની હતી અને કોઈ વિશિષ્ટ સંખ્યાત્મક અલ્ગોરિધમનો પ્રસ્તાવ કરવામાં આવ્યો ન હતો. તાજેતરમાં, મલ્ટિ-ડાયમેન્શનલ ડેટા પ્રેસિંગની વધતી માંગ અને કમ્પ્યુટેશનલ ખર્ચમાં ઘટાડો થવાને કારણે આ વિષય ફરી એકવાર પ્રખ્યાત બન્યો છે [1]- [13]. આ વર્તમાન ઉકેલો સાથે મુખ્ય ગેરફાયદા એ છે કે ત્યાં વિરલતા પર કોઈ સીધો નિયંત્રણ નથી અને તેમના શ્રેષ્ઠ હાયપરપૅરામીટર્સ પસંદ કરવા માટે મુશ્કેલ (અને બિન-સંવેદનશીલ) છે. વધુમાં, આ પદ્ધતિઓ મોટા ભાગના કમ્પ્યુટેશનલ જટિલતા ઉચ્ચ પરિમાણીય માહિતી સમૂહો સાથે વ્યવહારુ કાર્યક્રમો માટે ખૂબ જ ઊંચી છે. સ્પાસ સીસીએને પણ [9], [14] માં અસ્પષ્ટ રીતે સંબોધવામાં આવ્યું છે અને ડી સ્પાસ પીસીએ પરના તાજેતરના પરિણામો સાથે ગાઢ રીતે સંબંધિત છે [9] , [15] - [17]. ખરેખર, અમારું પ્રસ્તાવિત ઉકેલ સીસીએમાં [17] ના પરિણામોનો વિસ્તાર છે. આ કાર્યનું મુખ્ય યોગદાન બે ગણી છે. પ્રથમ, અમે સીસીએ એલ્ગોરિધમ્સને દરેક મલ્ટિવેરીએટ્સમાં વિરલતા પર સીધો નિયંત્રણ સાથે અને તેમના પ્રદર્શનની તપાસ કરીએ છીએ. અમારી ગણતરીની કાર્યક્ષમ પદ્ધતિઓ ખાસ કરીને મોટા પરિમાણોના બે ડેટા સમૂહો વચ્ચેના સંબંધોને સમજવામાં મદદ કરે છે. અમે આગળ (અથવા પાછળ) લોભી અભિગમ અપનાવીએ છીએ જે ક્રમિક રીતે ચૂંટવું (અથવા ડ્રોપિંગ) ચલો પર આધારિત છે. દરેક તબક્કે, અમે શ્રેષ્ઠ સીસીએ સોલ્યુશનને બાંધીએ છીએ અને સંપૂર્ણ સમસ્યાને ઉકેલવાની જરૂરિયાતને બાયપાસ કરીએ છીએ. વધુમાં, ફોરવર્ડ લોભી પદ્ધતિની ગણતરીની જટિલતા ડેટાના પરિમાણો પર આધારિત નથી પરંતુ માત્ર વિરલતા પરિમાણો પર. સંખ્યાત્મક સિમ્યુલેશનના પરિણામો દર્શાવે છે કે સહસંબંધના નોંધપાત્ર ભાગને પ્રમાણમાં ઓછી સંખ્યામાં બિન-શૂન્ય ગુણાંકનો ઉપયોગ કરીને અસરકારક રીતે કેપ્ચર કરી શકાય છે. અમારું બીજું યોગદાન એ છે કે નિયમિતકરણ પદ્ધતિ તરીકે વિરલ સીસીએની તપાસ. પ્રયોગાત્મક સિમ્યુલેશનનો ઉપયોગ કરીને અમે વિવિધ અલ્ગોરિધમ્સના ઉપયોગની તપાસ કરીએ છીએ જ્યારે મલ્ટીવેરીએટ્સના પરિમાણો નમૂનાઓની સંખ્યા કરતા વધારે હોય છે (અથવા તે જ ક્રમમાં હોય છે) અને વિખરાયેલા સીસીએનો ફાયદો દર્શાવે છે. આ સંદર્ભમાં, લોભી અભિગમનો એક ફાયદો એ છે કે તે એક જ રન પર સંપૂર્ણ સ્પેર્સિટી પાથ પેદા કરે છે અને કાર્યક્ષમ પરિમાણ ટ્યુનિંગ માટે પરવાનગી આપે છે

49afbe880b8bd419605beb84d3382647bf8e50ea

19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74

0b3cfbf79d50dae4a16584533227bb728e3522aa

વારંવારના બેકપ્રોપગેશન દ્વારા વિસ્તૃત સમયના અંતરાલો પર માહિતી સંગ્રહિત કરવાનું શીખવું ખૂબ લાંબો સમય લે છે, મોટે ભાગે અપૂરતી, ક્ષયિત ભૂલ બેકફ્લોને કારણે. અમે સંક્ષિપ્તમાં આ સમસ્યાના હોચરાઈટર (1991) ના વિશ્લેષણની સમીક્ષા કરીએ છીએ, પછી તેને લાંબા ગાળાની મેમરી (એલએસટીએમ) નામની એક નવલકથા, કાર્યક્ષમ, ઢાળ આધારિત પદ્ધતિ રજૂ કરીને તેને સંબોધિત કરીએ છીએ. જ્યાં આ નુકસાન ન કરે ત્યાં ઢાળને કાપીને, એલએસટીએમ ખાસ એકમોમાં સતત ભૂલ કેરોયુઝલ્સ દ્વારા સતત ભૂલ પ્રવાહને લાગુ કરીને 1000 ડિસ્ક્રીટ-ટાઇમ પગલાંથી વધુ લઘુતમ સમય વિલંબને પુલ કરવાનું શીખી શકે છે. ગુણાકાર દ્વાર એકમો સતત ભૂલ પ્રવાહની ઍક્સેસ ખોલવા અને બંધ કરવાનું શીખે છે. એલએસટીએમ અવકાશ અને સમયમાં સ્થાનિક છે; તેની ગણતરીની જટિલતા સમયના પગલા અને વજન દીઠ ઓ છે. ૧. કૃત્રિમ ડેટા સાથેના અમારા પ્રયોગોમાં સ્થાનિક, વિતરણ, વાસ્તવિક મૂલ્ય અને ઘોંઘાટીયા પેટર્ન રજૂઆતોનો સમાવેશ થાય છે. રીઅલ-ટાઇમ રિકરન્ટ લર્નિંગ, સમય દ્વારા પાછળના પ્રસાર, રિકરન્ટ કેસ્કેડ સહસંબંધ, એલ્મેન નેટ અને ન્યુરલ સિક્વન્સ ચંકિંગની તુલનામાં, એલએસટીએમ વધુ સફળ રન તરફ દોરી જાય છે, અને વધુ ઝડપથી શીખે છે. એલએસટીએમ જટિલ, કૃત્રિમ લાંબા સમય-વિલંબ કાર્યોને પણ હલ કરે છે જે અગાઉના રિકરન્ટ નેટવર્ક અલ્ગોરિધમ્સ દ્વારા ક્યારેય ઉકેલી શકાતા નથી.

9eb67ca57fecc691853636507e2b852de3f56fac

અગાઉના અભ્યાસોએ દર્શાવ્યું છે કે શબ્દો અને ટેક્સ્ટના અર્થપૂર્ણ અર્થપૂર્ણ પ્રતિનિધિત્વને ન્યુરલ એમ્બેડિંગ મોડેલ્સ દ્વારા મેળવી શકાય છે. ખાસ કરીને, પેરાગ્રાફ વેક્ટર (પીવી) મોડેલોએ દસ્તાવેજ (વિષય) સ્તરની ભાષા મોડેલનો અંદાજ કરીને કેટલાક કુદરતી ભાષા પ્રક્રિયા કાર્યોમાં પ્રભાવશાળી પ્રદર્શન દર્શાવ્યું છે. જો કે, પુનઃપ્રાપ્તિ માટે પરંપરાગત ભાષા મોડેલ અભિગમો સાથે પીવી મોડેલોને સંકલિત કરવાથી અસ્થિર પ્રદર્શન અને મર્યાદિત સુધારાઓ ઉત્પન્ન થાય છે. આ કાગળમાં, અમે મૂળ પીવી મોડેલની ત્રણ આંતરિક સમસ્યાઓની ઔપચારિક ચર્ચા કરીએ છીએ જે પુનઃપ્રાપ્તિ કાર્યોમાં તેના પ્રદર્શનને મર્યાદિત કરે છે. અમે મોડેલમાં ફેરફારનું વર્ણન પણ કરીએ છીએ જે તેને IR કાર્ય માટે વધુ યોગ્ય બનાવે છે, અને પ્રયોગો અને કેસ સ્ટડીઝ દ્વારા તેમની અસર દર્શાવે છે. અમે જે ત્રણ મુદ્દાઓ પર ધ્યાન આપીએ છીએ તે છે (1) પીવીની અનિયંત્રિત તાલીમ પ્રક્રિયા ટૂંકા દસ્તાવેજ ઓવર-ફિટિંગ માટે સંવેદનશીલ છે જે અંતિમ પુનઃપ્રાપ્તિ મોડેલમાં લંબાઈ પૂર્વગ્રહ પેદા કરે છે; (2) પીવીના કોર્પસ-આધારિત નકારાત્મક નમૂનાકરણથી શબ્દો માટે વજન આપવાની યોજના તરફ દોરી જાય છે જે વારંવારના શબ્દોના મહત્વને દબાવી દે છે; અને (3) શબ્દ-સંદર્ભ માહિતીનો અભાવ પીવીને શબ્દના સ્થાનાંતરણ સંબંધો મેળવવા માટે અસમર્થ બનાવે છે.

4df321947a2ac4365584a01d78a780913b171cf5

પાસા આધારિત ભાવના વિશ્લેષણ (એબીએસએ) એ ચોક્કસ એકમો અને તેમના પાસાઓ વિશેના ટેક્સ્ટમાંથી મંતવ્યોને ખાણકામ અને સારાંશ આપવાનું કાર્ય છે. આ લેખમાં ફ્રેન્ચ માટે એબીએસએ સિસ્ટમ્સના વિકાસ અને પરીક્ષણ માટે બે ડેટાસેટ્સનું વર્ણન કરવામાં આવ્યું છે જેમાં સંબંધિત કંપનીઓ, પાસાઓ અને ધ્રુવીયતા મૂલ્યો સાથે નોંધાયેલા વપરાશકર્તા સમીક્ષાઓનો સમાવેશ થાય છે. પ્રથમ ડેટાસેટમાં એબીએસએ સિસ્ટમોની તાલીમ અને પરીક્ષણ માટે 457 રેસ્ટોરન્ટ સમીક્ષાઓ (2365 વાક્યો) છે, જ્યારે બીજામાં 162 મ્યુઝિયમ સમીક્ષાઓ (655 વાક્યો) છે જે ડોમેન આઉટ-ઓફ-એવલ્યુએશનને સમર્પિત છે. બંને ડેટાસેટ્સ સેમએવલ-2016 ટાસ્ક 5 એસ્પેક્ટ-બેઝ્ડ સેન્ટીમેન્ટ એનાલિસિસ ના ભાગરૂપે બનાવવામાં આવ્યા હતા, જ્યાં સાત જુદી જુદી ભાષાઓ રજૂ કરવામાં આવી હતી, અને સંશોધન હેતુઓ માટે સાર્વજનિક રીતે ઉપલબ્ધ છે. આ લેખમાં એનોટેશનના પ્રકાર દ્વારા ઉદાહરણો અને આંકડા આપવામાં આવ્યા છે, એનોટેશન માર્ગદર્શિકાઓનો સારાંશ આપે છે અને તેમની આંતર-ભાષીય લાગુ થવાની ચર્ચા કરે છે. આ માહિતીનો ઉપયોગ સેમેવલ એબીએએસએ (ABSA) કાર્યમાં મૂલ્યાંકન માટે કેવી રીતે કરવામાં આવ્યો તે પણ સમજાવે છે અને ફ્રેન્ચ માટે મેળવેલા પરિણામોનું સંક્ષિપ્તમાં વર્ણન કરે છે.

2445089d4277ccbec3727fecfe73eaa4cc57e414

આ કાગળ 8 ભાષા જોડીઓ માટે મશીન અનુવાદ સિસ્ટમોની અનુવાદ ગુણવત્તાનું મૂલ્યાંકન કરે છેઃ ફ્રેન્ચ, જર્મન, સ્પેનિશ અને ચેકનો અંગ્રેજીમાં અનુવાદ અને પાછા. અમે વ્યાપક માનવીય મૂલ્યાંકન કર્યું છે, જે અમને વિવિધ એમટી સિસ્ટમોને ક્રમ આપવા માટે જ નહીં, પણ મૂલ્યાંકન પ્રક્રિયાના ઉચ્ચ સ્તરના વિશ્લેષણ કરવા માટે પણ પરવાનગી આપે છે. અમે ત્રણ પ્રકારના વ્યક્તિલક્ષી મૂલ્યાંકન માટે સમય અને ઇન્ટ્રાઅન્ડ ઇન્ટર-એનોટેટર સમજૂતીને માપ્યું છે. અમે માનવીય ચુકાદાઓ સાથે સ્વયંસંચાલિત મૂલ્યાંકન મેટ્રિક્સના સંબંધને માપ્યું છે. આ મેટા-એવલ્યુએશન સૌથી સામાન્ય રીતે ઉપયોગમાં લેવાતી પદ્ધતિઓ વિશે આશ્ચર્યજનક તથ્યો દર્શાવે છે.

1965a7d9a3eb0727c054fb235b1758c8ffbb8e22

એક ચક્રવાતી ધ્રુવીકૃત એક-સ્તર યુ-સ્લોટ માઇક્રોસ્ટ્રીપ પેચ એન્ટેનાની દરખાસ્ત કરવામાં આવી છે. સૂચિત અસમપ્રમાણ યુ-સ્લોટ, ચક્રીય ધ્રુવીકરણ માટે બે ઓર્થોગોનલ સ્થિતિઓ પેદા કરી શકે છે, જે ચકાસણી-ફીડ સ્ક્વેર પેચ માઇક્રોસ્ટ્રીપ એન્ટેનાના કોઈપણ ખૂણાને ચેમ્ફર કર્યા વિના. યુ-સ્લોટની વિવિધ હથિયારોની લંબાઈને કારણે થતી અસરોની તપાસ કરવા માટે એક પરિમાણીય અભ્યાસ હાથ ધરવામાં આવ્યો છે. ફીણ સબસ્ટ્રેટની જાડાઈ ઓપરેટિંગ ફ્રીક્વન્સી પર તરંગલંબાઇના લગભગ 8.5% છે. એન્ટેનાની 3 ડીબી અક્ષીય ગુણોત્તર બેન્ડવિડ્થ 4% છે. એન્ટેનાના પ્રાયોગિક અને સૈદ્ધાંતિક પરિણામો બંને રજૂ કરવામાં આવ્યા છે અને ચર્ચા કરવામાં આવી છે. પરિપત્ર પોલરાઇઝેશન, પ્રિન્ટેડ એન્ટેના, યુ-સ્લોટ.

9462cd1ec2e404b22f76c88b6149d1e84683acb7

આ પત્રમાં, એક બ્રોડબેન્ડ કોમ્પેક્ટ પરિપત્રિક પોલરાઇઝ્ડ (સીપી) પેચ એન્ટેનાનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. આ પેચ એન્ટેનામાં પ્રિન્ટેડ મેન્ડરિંગ સોન્ડ (એમ-સોન્ડ) અને ટંકશાળ પાડવામાં આવેલ પેચનો સમાવેશ થાય છે જે બ્રોડબેન્ડ સીપી ઓપરેશન પેદા કરવા માટે ઓર્થોગોનલ રેઝોનન્ટ મોડ્સને ઉત્તેજિત કરે છે. સ્ટેક્ડ પેચનો ઉપયોગ 5જી વાઇ-ફાઇ એપ્લિકેશનને ફિટ કરવા માટે અક્ષીય-પ્રમાણ (એઆર) બેન્ડવિડ્થને વધુ સુધારવા માટે કરવામાં આવે છે. પ્રસ્તાવિત એન્ટેના અનુક્રમે 42.3% ઇમ્પેડન્સ બેન્ડવિડ્થ અને 16.8% એઆર બેન્ડવિડ્થ પ્રાપ્ત કરે છે. એઆર બેન્ડવિડ્થની અંદર સરેરાશ ગેઇન 6.6 ડીબીઆઇસી છે જે 0.5 ડીબીથી ઓછી છે. આ કામ એમ-સોન્ડ ફીડ સીપી પેચ એન્ટેનાની બેન્ડવિડ્થ વિસ્તરણ તકનીકનું નિદર્શન કરે છે. આ એમ-સોન્ડની તપાસ અને પ્રદર્શન કરવા માટેનો પ્રથમ અભ્યાસ છે જે ડાઇલેક્ટ્રિક લોડેડ પેચ એન્ટેનામાં બ્રોડબેન્ડ લાક્ષણિકતાઓ પણ પ્રદાન કરી શકે છે. એન્ટેનાના સંભવિત ઉપયોગો 5જી વાઇ-ફાઇ અને સેટેલાઈટ કોમ્યુનિકેશન સિસ્ટમ્સ છે.

d6002a6cc8b5fc2218754aed970aac91c8d8e7e9

આ કાગળમાં અમે રીઅલ ટાઇમમાં બહુવિધ ચોક્કસ 3D પદાર્થો શોધવાની નવી પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. અમે ટેમ્પલેટ આધારિત અભિગમથી શરૂ કરીએ છીએ જે તાજેતરમાં હિંટરસ્ટોઇસર અને અન્ય દ્વારા રજૂ કરાયેલ LINE2D/LINEMOD પ્રતિનિધિત્વ પર આધારિત છે, પરંતુ તેને બે રીતે વિસ્તૃત કરે છે. પ્રથમ, અમે ભેદભાવપૂર્ણ રીતે નમૂનાઓ શીખવા માટે પ્રસ્તાવ છે. અમે બતાવીએ છીએ કે આ ઓનલાઇન કરી શકાય છે ઉદાહરણ છબીઓ સંગ્રહ દરમિયાન, માત્ર થોડા મિલિસેકન્ડમાં, અને ડિટેક્ટરની ચોકસાઈ પર મોટી અસર છે. બીજું, અમે કાસ્કેડ પર આધારિત યોજના પ્રસ્તાવિત કરીએ છીએ જે શોધને ઝડપી બનાવે છે. કારણ કે કોઈ પદાર્થની શોધ ઝડપી છે, નવી વસ્તુઓ ખૂબ જ ઓછી કિંમત સાથે ઉમેરી શકાય છે, જે આપણી અભિગમનું માપ સારી રીતે બનાવે છે. અમારા પ્રયોગોમાં, અમે સરળતાથી 10-30 3D પદાર્થો સાથે કામ કરીએ છીએ 10fps ઉપર ફ્રેમ રેટ્સ એક સીપીયુ કોરનો ઉપયોગ કરીને. અમે ઝડપની દ્રષ્ટિએ તેમજ ચોકસાઈની દ્રષ્ટિએ બંનેમાં અદ્યતન રાજ્યને વટાવીએ છીએ, જેમ કે 3 વિવિધ ડેટા સેટ્સ પર માન્ય છે. આ બંને મોનોક્યુલર રંગ છબીઓ (LINE2D સાથે) અને RGBD છબીઓ (LINEMOD સાથે) નો ઉપયોગ કરતી વખતે લાગુ પડે છે. વધુમાં, અમે 12 વસ્તુઓથી બનેલા એક પડકારરૂપ નવા ડેટાસેટનો પ્રસ્તાવ મૂક્યો છે, જે ભવિષ્યમાં મોનોક્યુલર રંગ છબીઓ પર સ્પર્ધાત્મક પદ્ધતિઓ માટે છે.

41d103f751d47f0c140d21c5baa4981b3d4c9a76

લોકો તેમના ઇન્ટરનેટ વેબલોગમાં લખે છે તે વ્યક્તિગત વાર્તાઓમાં રોજિંદા ઘટનાઓ વચ્ચેના કારણ-સંબંધ વિશેની માહિતીનો નોંધપાત્ર જથ્થો શામેલ છે. આ કાગળમાં અમે સ્વયંસંચાલિત કોમનસેન્સ કારણસરના તર્ક માટે લાખો આ વાર્તાઓનો ઉપયોગ કરવાના અમારા પ્રયત્નોનું વર્ણન કરીએ છીએ. સામાન્ય સમજણની કારણસરની તર્ક સમસ્યાને માન્યતાપ્રાપ્ત વિકલ્પોની પસંદગી તરીકે કાસ્ટિંગ, અમે ચાર પ્રયોગોનું વર્ણન કરીએ છીએ જે વિવિધ આંકડાકીય અને માહિતી પુનઃપ્રાપ્તિ અભિગમોની તુલના કરે છે જે વાર્તા કોર્પોરોમાં કારણસરની માહિતીનો ઉપયોગ કરે છે. આ પ્રયોગોમાં ટોચની પ્રદર્શન સિસ્ટમ એક સરળ સહ-ઘટના આંકડાકીય ઉપયોગ કરે છે કારણભૂત પૂર્વવર્તી અને પરિણામી શબ્દો વચ્ચે, લાખો વ્યક્તિગત વાર્તાઓના કોર્પસમાં શબ્દો વચ્ચે પોઇન્ટવાઇઝ મ્યુચ્યુઅલ ઇન્ફર્મેશન તરીકે ગણવામાં આવે છે.

c9d1bcdb95aa748940b85508fd7277622f74c0a4

કેસ રિસર્ચ ઓછામાં ઓછા એક દાયકાથી ઇન્ફોર્મેશન સિસ્ટમ્સ (આઇએસ) શિસ્તમાં આદર મેળવે છે. કેસ સ્ટડીઝની સુસંગતતા અને સંભવિત મૂલ્ય હોવા છતાં, આ પદ્ધતિસરની અભિગમ એક સમયે ઓછામાં ઓછા વ્યવસ્થિત માનવામાં આવતી હતી. 1980ના દાયકાના અંતમાં, IS કેસ રિસર્ચને સખત રીતે હાથ ધરવામાં આવ્યો હતો કે નહીં તે અંગેનો મુદ્દો પ્રથમ વખત ઉઠાવવામાં આવ્યો હતો. અમારા ક્ષેત્રના સંશોધકો (દા. ત. , બેનબેસત અને અન્ય. 1987; લી 1989) અને અન્ય શાખાઓમાંથી (દા. ત. , એઇઝનહાર્ટ 1989; યિન 1994) કેસ રિસર્ચમાં વધુ સખતાઇ માટે બોલાવ્યા હતા અને તેમની ભલામણો દ્વારા કેસ સ્ટડી પદ્ધતિની પ્રગતિમાં ફાળો આપ્યો હતો. આ યોગદાનને ધ્યાનમાં રાખીને, આ અભ્યાસમાં તે નક્કી કરવાનો પ્રયાસ કરવામાં આવ્યો છે કે કેસ સ્ટડી પદ્ધતિના તેના ઓપરેશનલ ઉપયોગમાં આઇએસના ક્ષેત્રમાં કેટલી પ્રગતિ થઈ છે. આ લેખમાં છેલ્લા એક દાયકામાં હાથ ધરવામાં આવેલા સકારાત્મક આઇએસ કેસ સંશોધનમાં પદ્ધતિસરની કડકતાના સ્તરની તપાસ કરવામાં આવી છે. આ ઉદ્દેશ્યને પૂર્ણ કરવા માટે, અમે સાત મુખ્ય આઈએસ જર્નલોમાંથી 183 કેસ લેખોની ઓળખ અને કોડિંગ કરી. આ સમીક્ષામાં મૂલ્યાંકન લક્ષણો અથવા માપદંડ ત્રણ મુખ્ય ક્ષેત્રો પર ધ્યાન કેન્દ્રિત કરે છે, એટલે કે, ડિઝાઇન મુદ્દાઓ, ડેટા સંગ્રહ અને ડેટા વિશ્લેષણ. જ્યારે કેટલાક વિશિષ્ટ લક્ષણોના સંદર્ભમાં પદ્ધતિસરની સખતાઇના સ્તરમાં સાધારણ પ્રગતિ થઈ છે, ત્યારે એકંદરે મૂલ્યાંકન કરાયેલ સખતાઇ કંઈક અંશે અસ્પષ્ટ છે અને હજી પણ સુધારણા માટે નોંધપાત્ર ક્ષેત્રો છે. આમાંની એક ચાવી એ છે કે ખાસ કરીને ડેટા સંગ્રહ અને ડેટાને લગતા મુદ્દાઓ અંગે વધુ સારી રીતે દસ્તાવેજીકરણ કરવું.

025cdba37d191dc73859c51503e91b0dcf466741

ફિંગરપ્રિન્ટ ઇમેજ એમ્પ્લીફિકેશન ફિંગરપ્રિન્ટ ઓળખ એપ્લિકેશન્સમાં આવશ્યક પૂર્વ-પ્રોસેસિંગ પગલું છે. આ કાગળમાં અમે એક અભિગમ રજૂ કરીએ છીએ જે ગેબોર વેવલેટ ફિલ્ટર બેંક દ્વારા ફિંગરપ્રિન્ટ ઇમેજમાં સ્થાનિક રિજની દિશા અને આવર્તનને એક સાથે બહાર કાઢે છે અને તેમને છબીના ગેબોર ફિલ્ટરિંગમાં ઉપયોગ કરે છે. આ ઉપરાંત, અમે ફિંગરપ્રિન્ટ ઇમેજ વધારવા માટે એક મજબૂત અભિગમનું વર્ણન કરીએ છીએ, જે ગેબોર ફિલ્ટર્સ અને ડાયરેક્શનલ મિડિયન ફિલ્ટર (ડીએમએફ) ના સંકલન પર આધારિત છે. હકીકતમાં, ગૌસિયન વિતરણવાળા અવાજને ગેબોર ફિલ્ટર્સ દ્વારા અસરકારક રીતે ઘટાડવામાં આવે છે અને DMF દ્વારા આવેગના અવાજને ઘટાડવામાં આવે છે. પ્રસ્તાવિત ડીએમએફ માત્ર તેના મૂળ કાર્યોને જ પૂરા કરી શકતું નથી, તે તૂટેલા ફિંગરપ્રિન્ટ રિજને પણ જોડી શકે છે, ફિંગરપ્રિન્ટ છબીઓના છિદ્રો ભરી શકે છે, અનિયમિત રિજને સરળ કરી શકે છે અને રિજ વચ્ચેની કેટલીક હેરાનગતિજનક નાની વસ્તુઓ દૂર કરી શકે છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે સાહિત્યમાં વર્ણવેલ લોકો કરતાં અમારી પદ્ધતિ શ્રેષ્ઠ છે.

3dfce4601c3f413605399267b3314b90dc4b3362

આજે વૈશ્વિક સ્તરે નેટવર્ક થયેલ સમાજ માહિતીના પ્રસાર અને વહેંચણીની મોટી માંગ કરે છે. ભૂતકાળમાં જાહેર કરવામાં આવેલી માહિતી મોટાભાગે કોષ્ટક અને આંકડાકીય સ્વરૂપમાં હતી, આજે ઘણી પરિસ્થિતિઓમાં ચોક્કસ ડેટા (માઇક્રોડેટા) ના પ્રકાશનની જરૂર છે. માહિતીનો સંદર્ભ આપતી એકમો (જેને પ્રતિવાદીઓ કહેવામાં આવે છે) ની અનામીતાનું રક્ષણ કરવા માટે, ડેટા ધારકો ઘણીવાર નામો, સરનામાંઓ અને ફોન નંબરો જેવા સ્પષ્ટ ઓળખકર્તાઓને દૂર અથવા એન્ક્રિપ્ટ કરે છે. જોકે, ઓળખને નાબૂદ કરનારા ડેટા અનામીતાની કોઈ ગેરેંટી આપતા નથી. જાહેર કરવામાં આવેલી માહિતીમાં ઘણીવાર અન્ય ડેટા હોય છે, જેમ કે જાતિ, જન્મ તારીખ, લિંગ અને ઝીપ કોડ, જે ઉત્તરદાતાઓની ફરીથી ઓળખ કરવા અને માહિતીને અનુમાનિત કરવા માટે જાહેરમાં ઉપલબ્ધ માહિતી સાથે જોડવામાં આવી શકે છે, જેનો હેતુ જાહેર કરવાનો ન હતો. આ કાગળમાં અમે ડેટાના સંદર્ભમાં ઉત્તરદાતાઓની અનામીતાની રક્ષા કરતી વખતે માઇક્રોડેટાને મુક્ત કરવાની સમસ્યાને સંબોધિત કરીએ છીએ. આ અભિગમ k-અનામીની વ્યાખ્યા પર આધારિત છે. કોષ્ટક k-અનામીતા પૂરી પાડે છે જો સ્પષ્ટ રીતે ઓળખવા માટેની માહિતીને તેની સામગ્રી સાથે લિંક કરવાનો પ્રયાસ કરે તો માહિતી ઓછામાં ઓછી k એન્ટિટીઝ સાથે મેપ કરે છે. અમે સામાન્યીકરણ અને દમન તકનીકોનો ઉપયોગ કરીને પ્રકાશિત માહિતીની અખંડિતતા (અથવા સત્યતા) સાથે સમાધાન કર્યા વિના કેવી રીતે કે-અનામીતા પ્રદાન કરી શકાય છે તે દર્શાવ્યું છે. અમે ન્યૂનતમ સામાન્યીકરણની વિભાવના રજૂ કરીએ છીએ જે રિલીઝ પ્રક્રિયાની મિલકતને કેપ્ચર કરે છે કે જે k-અનામીકરણ પ્રાપ્ત કરવા માટે જરૂરી કરતાં વધુ ડેટાને વિકૃત ન કરે, અને આવા સામાન્યીકરણની ગણતરી માટે એક અલ્ગોરિધમનો રજૂ કરે છે. અમે વિવિધ લઘુત્તમ વચ્ચે પસંદ કરવા માટે શક્ય પસંદગી નીતિઓ પણ ચર્ચા

cd866d4510e397dbc18156f8d840d7745943cc1a

74c24d7454a2408f766e4d9e507a0e9c3d80312f

વાયરલેસ સેન્સર નેટવર્ક માટે સ્માર્ટ કાર્ડ આધારિત વપરાશકર્તા પ્રમાણીકરણ યોજના (સંક્ષિપ્તમાં, એસયુએ-ડબ્લ્યુએસએન યોજના) માત્ર એવા વપરાશકર્તાઓને સેન્સર ડેટાની ઍક્સેસને પ્રતિબંધિત કરવા માટે રચાયેલ છે કે જેઓ સ્માર્ટ કાર્ડ અને તેના પરના પાસવર્ડ બંનેની માલિકી ધરાવે છે. તાજેતરના વર્ષોમાં એસયુએ-ડબ્લ્યુએસએન યોજનાઓની નોંધપાત્ર સંખ્યા સૂચવવામાં આવી છે, તેમ છતાં, તેમની ઉદ્દેશિત સુરક્ષા ગુણધર્મોમાં વ્યાપકપણે સ્વીકૃત મોડેલમાં ઔપચારિક વ્યાખ્યાઓ અને પુરાવાઓનો અભાવ છે. એક પરિણામ એ છે કે એસયુએ-ડબ્લ્યુએસએન યોજનાઓ વિવિધ હુમલાઓ સામે અસુરક્ષિત છે. આ કાગળમાં, અમે બેલારે, પોઇન્ટશેવલ અને રોગાવે (2000) ના વ્યાપક સ્વીકૃત મોડેલને વિસ્તૃત કરીને એસયુએ-ડબ્લ્યુએસએન યોજનાઓના વિશ્લેષણ માટે એક સુરક્ષા મોડેલ તૈયાર કરીએ છીએ. અમારું મોડેલ સાઇડ-ચેનલ હુમલાઓ તેમજ અન્ય સામાન્ય હુમલાઓને પકડતી વખતે અધિકૃત કી વિનિમય અને વપરાશકર્તા અનામીની ઔપચારિક વ્યાખ્યાઓ પ્રદાન કરે છે. અમે એલિપ્ટિક કર્વ ક્રિપ્ટોગ્રાફી (ઇસીસી) પર આધારિત નવી એસયુએ-ડબ્લ્યુએસએન યોજનાની દરખાસ્ત પણ કરીએ છીએ, અને અમારા વિસ્તૃત મોડેલમાં તેની સુરક્ષા ગુણધર્મો સાબિત કરીએ છીએ. અમારા શ્રેષ્ઠ જ્ઞાન માટે, અમારી પ્રસ્તાવિત યોજના એ પ્રથમ એસયુએ-ડબ્લ્યુએસએન યોજના છે જે સાબિતીપૂર્વક બંને અધિકૃત કી વિનિમય અને વપરાશકર્તા અનામીતા પ્રાપ્ત કરે છે. અમારી યોજના અન્ય ઇસીસી આધારિત (બિન-પ્રમાણિત સુરક્ષિત) યોજનાઓ સાથે કમ્પ્યુટેશનલ રીતે સ્પર્ધાત્મક છે.

3973e14770350ed54ba1272aa3e19b4d21f5dad3

આ કાગળ બોસ માટે વિકસિત અવરોધ શોધ અને ટ્રેકિંગ અલ્ગોરિધમ્સનું વર્ણન કરે છે, જે 2007 ડીએઆરપીએ અર્બન ચેલેન્જમાં કાર્નેગી મેલોન યુનિવર્સિટીની વિજેતા એન્ટ્રી છે. અમે ટ્રેકિંગ સબસિસ્ટમનું વર્ણન કરીએ છીએ અને બતાવીએ છીએ કે તે કેવી રીતે મોટી દ્રષ્ટિની સિસ્ટમના સંદર્ભમાં કાર્ય કરે છે. ટ્રેકિંગ સબસિસ્ટમ રોબોટને શહેરી ડ્રાઇવિંગના જટિલ દૃશ્યોને સમજવાની ક્ષમતા આપે છે જેથી અન્ય વાહનોની નજીકમાં સુરક્ષિત રીતે સંચાલન કરી શકાય. ટ્રેકિંગ સિસ્ટમ એક સુસંગત પરિસ્થિતિ મોડેલ પેદા કરવા માટે પર્યાવરણ વિશે વધારાની માહિતી સાથે ડઝનથી વધુ સેન્સર ડેટાને ફ્યુઝ કરે છે. સેન્સર ડેટાની ગુણવત્તાના આધારે પદાર્થોને ટ્રેક કરવા માટે એક નવલકથા મલ્ટીપલ-મોડેલ અભિગમનો ઉપયોગ કરવામાં આવે છે. છેલ્લે, ટ્રેકિંગ સબસિસ્ટમની આર્કિટેક્ચર સ્પષ્ટપણે પ્રક્રિયાના દરેક સ્તરોને સંક્ષિપ્ત કરે છે. આ પેટા પ્રણાલીને નવા સેન્સર અને માન્યતા અલ્ગોરિધમ્સ ઉમેરીને સરળતાથી વિસ્તૃત કરી શકાય છે.

6a694487451957937adddbd682d3851fabd45626

સ્ટેટ ઓફ ધ આર્ટ પ્રશ્ન જવાબ (QA) સિસ્ટમ્સ જવાબના પેસેજને પુનઃપ્રાપ્ત કરવા માટે શબ્દ-ઘનતા ક્રમનો ઉપયોગ કરે છે. આવી પદ્ધતિઓ ઘણીવાર ખોટા પાસાઓ મેળવે છે કારણ કે પ્રશ્ન શબ્દો વચ્ચેના સંબંધો ધ્યાનમાં લેવામાં આવતા નથી. અગાઉના અભ્યાસોએ પ્રશ્નો અને જવાબો વચ્ચેના પરાધીનતા સંબંધોને મેળ ખાતા આ સમસ્યાને સંબોધવાનો પ્રયાસ કર્યો હતો. તેઓ કડક મેળ ખાતા હતા, જે નિષ્ફળ જાય છે જ્યારે અર્થપૂર્ણ રીતે સમકક્ષ સંબંધો અલગ રીતે શબ્દસમૂહ કરવામાં આવે છે. અમે આંકડાકીય મોડેલો પર આધારિત અસ્પષ્ટ સંબંધ મેચિંગની દરખાસ્ત કરીએ છીએ. અમે ભૂતકાળના ક્યુએ જોડીઓમાંથી સંબંધ મેપિંગ સ્કોર્સ શીખવા માટેની બે પદ્ધતિઓ રજૂ કરીએ છીએઃ એક પરસ્પર માહિતી પર આધારિત છે અને બીજી અપેક્ષા મહત્તમકરણ પર. પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારી પદ્ધતિ નોંધપાત્ર રીતે રાજ્ય-ઓફ-ધ-આર્ટ ઘનતા આધારિત પેસેજ પુનઃપ્રાપ્તિ પદ્ધતિઓ દ્વારા 78% સુધી સરેરાશ પરસ્પર ક્રમમાં છે. સંબંધની મેળ ખાતી પણ ક્વેરી વિસ્તરણ દ્વારા ઉન્નત સિસ્ટમમાં 50% સુધારો લાવે છે.

2538e3eb24d26f31482c479d95d2e26c0e79b990

અમે એકીકૃત ન્યુરલ નેટવર્ક આર્કિટેક્ચર અને શીખવાની અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ જે વિવિધ કુદરતી ભાષા પ્રોસેસિંગ કાર્યો પર લાગુ કરી શકાય છે જેમાં ભાગ-વક્તા ટૅગિંગ, ચંકિંગ, નામવાળી એન્ટિટી ઓળખ અને સિમેન્ટીક રોલ લેબલિંગનો સમાવેશ થાય છે. આ વૈવિધ્યતા કાર્ય-વિશિષ્ટ એન્જિનિયરિંગને ટાળવાનો પ્રયાસ કરીને પ્રાપ્ત થાય છે અને તેથી અગાઉના જ્ઞાનને અવગણવું. દરેક કાર્ય માટે કાળજીપૂર્વક ઑપ્ટિમાઇઝ માનવસર્જિત ઇનપુટ સુવિધાઓનો ઉપયોગ કરવાને બદલે, અમારી સિસ્ટમ મોટા ભાગે લેબલ વગરના તાલીમ ડેટાના આધારે આંતરિક રજૂઆતો શીખે છે. આ કાર્ય પછી સારી કામગીરી અને ન્યૂનતમ કમ્પ્યુટેશનલ જરૂરિયાતો સાથે મુક્તપણે ઉપલબ્ધ ટેગિંગ સિસ્ટમ બનાવવા માટે એક આધાર તરીકે ઉપયોગમાં લેવાય છે.

317deb87586baa4ee7c7b5dfc603ebed94d1da07

અમે કુદરતી ભાષા પાર્સિંગ માટે એક નવા ઝડપી શુદ્ધ ભેદભાવયુક્ત અલ્ગોરિધમનો પ્રસ્તાવ મૂક્યો છે, જે deep રિકરન્ટ કન્વોલ્યુશનલ ગ્રાફ ટ્રાન્સફોર્મર નેટવર્ક (જીટીએન) પર આધારિત છે. પાર્સ વૃક્ષના વિઘટનને levelsના સ્ટેકમાં ધારીને, નેટવર્ક અગાઉના સ્તરોની આગાહીઓને ધ્યાનમાં રાખીને વૃક્ષના સ્તરની આગાહી કરે છે. કોલોબર્ટ અને વેસ્ટન (2008) ના શબ્દ પ્રતિનિધિત્વનો લાભ લેતા માત્ર થોડા મૂળભૂત ટેક્સ્ટ સુવિધાઓનો ઉપયોગ કરીને, અમે હાલના શુદ્ધ ભેદભાવપૂર્ણ પાર્સર્સ અને હાલના "બેન્ચમાર્ક" પાર્સર્સ (જેમ કે કોલિન્સ પાર્સર, સંભવતઃ સંદર્ભ-મુક્ત વ્યાકરણ આધારિત) માટે સમાન પ્રદર્શન (એફ 1 સ્કોરમાં) બતાવીએ છીએ, જેમાં એક વિશાળ ઝડપ લાભ છે.

04cc04457e09e17897f9256c86b45b92d70a401f

સોશિયલ નેટવર્ક, મૂવી પસંદગીઓ અથવા જ્ઞાન પાયા જેવા ઘણા ડેટા મલ્ટી-સંબંધિત છે, જેમાં તેઓ એકમો વચ્ચેના બહુવિધ સંબંધોનું વર્ણન કરે છે. જ્યારે આ ડેટાને મોડેલિંગ કરવા પર ધ્યાન કેન્દ્રિત કરવામાં આવે છે ત્યારે આ બહુવિધ પ્રકારનાં સંબંધોનું સંયુક્તપણે મોડેલિંગ કરવું પડકારરૂપ રહે છે. વધુમાં, હાલના અભિગમોમાં વિરામનો વલણ છે જ્યારે આ પ્રકારોની સંખ્યા વધે છે. આ કાગળમાં, અમે મોટા મલ્ટી-સંબંધિત ડેટાસેટ્સને મોડેલિંગ કરવાની પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ, સંભવતઃ હજારો સંબંધો સાથે. અમારું મોડેલ એક દ્વિરેખા માળખું પર આધારિત છે, જે ડેટાની ક્રિયાપ્રતિક્રિયાના વિવિધ ઓર્ડરને મેળવે છે, અને વિવિધ સંબંધો પર વિરલ ગુપ્ત પરિબળો પણ વહેંચે છે. અમે પ્રમાણભૂત ટેન્સર-ફેક્ટરીઝેશન ડેટાસેટ્સ પર અમારા અભિગમના પ્રદર્શનને સમજાવીએ છીએ જ્યાં અમે હાંસલ કરીએ છીએ, અથવા શ્રેષ્ઠ, રાજ્ય-ઓફ-ધ-આર્ટ પરિણામો. છેલ્લે, એનએલપી એપ્લિકેશન અમારી સ્કેલેબિલિટી અને અમારા મોડેલની ક્ષમતાને અસરકારક અને અર્થપૂર્ણ અર્થપૂર્ણ ક્રિયાપદ રજૂઆતો શીખવા માટે દર્શાવે છે.

052b1d8ce63b07fec3de9dbb583772d860b7c769

અમે ન્યુરોન જેવા એકમોના નેટવર્ક માટે એક નવી શીખવાની પ્રક્રિયા, બેક-પ્રસારણનું વર્ણન કરીએ છીએ. આ પ્રક્રિયામાં નેટવર્કમાં જોડાણોના વજનને વારંવાર એડજસ્ટ કરવામાં આવે છે જેથી નેટના વાસ્તવિક આઉટપુટ વેક્ટર અને ઇચ્છિત આઉટપુટ વેક્ટર વચ્ચેના તફાવતને ઘટાડી શકાય. વજનના ગોઠવણોના પરિણામે, આંતરિક "છુપાયેલા" એકમો જે ઇનપુટ અથવા આઉટપુટનો ભાગ નથી, તે કાર્યના ક્ષેત્રની મહત્વપૂર્ણ સુવિધાઓનું પ્રતિનિધિત્વ કરે છે, અને કાર્યમાં નિયમિતતા આ એકમોની ક્રિયાપ્રતિક્રિયા દ્વારા પકડવામાં આવે છે. ઉપયોગી નવી સુવિધાઓ બનાવવાની ક્ષમતા, પાછલા પ્રસારને અગાઉની, સરળ પદ્ધતિઓ જેમ કે પર્સેપ્ટ્રોન-સંકલન પ્રક્રિયાથી અલગ પાડે છે.

07f3f736d90125cb2b04e7408782af411c67dd5a

ઘણા કુદરતી ભાષા કાર્યો માટે અર્થપૂર્ણ મેળ ખાતા કેન્દ્રિય મહત્વ છે [2, 28]. એક સફળ મેચિંગ અલ્ગોરિધમનો ભાષાના પદાર્થોના આંતરિક માળખા અને તેમની વચ્ચેની ક્રિયાપ્રતિક્રિયાને યોગ્ય રીતે મોડેલ કરવાની જરૂર છે. આ ધ્યેય તરફ એક પગલું તરીકે, અમે દ્રષ્ટિ અને વાણીમાં કન્વોલ્યુશનલ વ્યૂહરચનાને અનુકૂળ કરીને, બે વાક્યોને મેચ કરવા માટે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક મોડેલ્સ પ્રસ્તાવિત કરીએ છીએ. પ્રસ્તાવિત મોડેલો માત્ર સજાઓના પદાનુક્રમિક માળખાને તેમની સ્તર-દર-સ્તર રચના અને પૂલિંગ સાથે સરસ રીતે રજૂ કરતા નથી, પણ વિવિધ સ્તરો પર સમૃદ્ધ મેચિંગ પેટર્ન પણ મેળવે છે. અમારા મોડેલો સામાન્ય છે, ભાષા વિશે કોઈ પૂર્વ જ્ઞાનની જરૂર નથી, અને તેથી વિવિધ પ્રકૃતિના કાર્યો અને વિવિધ ભાષાઓમાં મેળ ખાતા કાર્યો પર લાગુ કરી શકાય છે. વિવિધ મેચિંગ કાર્યો પરના પ્રયોગમૂલક અભ્યાસમાં વિવિધ મેચિંગ કાર્યો પર પ્રસ્તાવિત મોડેલની અસરકારકતા અને સ્પર્ધાત્મક મોડેલો પર તેની શ્રેષ્ઠતા દર્શાવવામાં આવી છે.

0af737eae02032e66e035dfed7f853ccb095d6f5

જવાબ પસંદગી (એએસ), પેરાફ્રેઝ ઓળખ (પીઆઇ) અને ટેક્સ્ટલ એન્ટાઇલમેન્ટ (ટીઇ) જેવા ઘણા એનએલપી કાર્યોમાં વાક્યોની જોડીનું મોડેલિંગ કેવી રીતે કરવું તે એક મહત્વપૂર્ણ મુદ્દો છે. મોટાભાગના અગાઉના કામ (i) ચોક્કસ સિસ્ટમને ફાઇન-ટ્યુન કરીને એક વ્યક્તિગત કાર્ય સાથે વ્યવહાર કરે છે; (ii) દરેક વાક્યનું પ્રતિનિધિત્વ અલગથી મોડેલ કરે છે, ભાગ્યે જ અન્ય વાક્યની અસરને ધ્યાનમાં લેતા; અથવા (iii) સંપૂર્ણપણે હાથથી ડિઝાઇન કરેલ, કાર્ય-વિશિષ્ટ ભાષાકીય સુવિધાઓ પર આધાર રાખે છે. આ કાર્યમાં સજાઓની જોડીનું મોડેલિંગ કરવા માટે એક સામાન્ય ધ્યાન આધારિત કન્વલ્વ્યુશનલ ન્યુરલ નેટવર્ક (એબીસીએનએન) રજૂ કરવામાં આવ્યું છે. અમે ત્રણ યોગદાન આપીએ છીએ. (i) એબીસીએનએનને વાક્ય જોડીઓના મોડેલિંગની જરૂર હોય તેવા વિવિધ કાર્યોમાં લાગુ કરી શકાય છે. (ii) અમે ત્રણ ધ્યાન યોજનાઓ પ્રસ્તાવિત કરીએ છીએ જે સીએનએનમાં વાક્યો વચ્ચેના પરસ્પર પ્રભાવને એકીકૃત કરે છે; આમ, દરેક વાક્યનું પ્રતિનિધિત્વ તેના સમકક્ષને ધ્યાનમાં લે છે. આ પરસ્પર નિર્ભર વાક્ય જોડી પ્રતિનિધિત્વ અલગ વાક્ય પ્રતિનિધિત્વ કરતાં વધુ શક્તિશાળી છે. (iii) એબીસીએનએન એએસ, આઈપી અને ટીઈ કાર્યો પર અત્યાધુનિક કામગીરી હાંસલ કરે છે. અમે કોડને અહીં રિલીઝ કરીએ છીએ: https://github.com/yinwenpeng/Answer_Selection.

1c059493904b2244d2280b8b4c0c7d3ca115be73

નેટવર્કમાં નોડ્સ અને એજ્સ પરની આગાહી કાર્યોને શીખવાની અલ્ગોરિધમ્સ દ્વારા ઉપયોગમાં લેવાતા એન્જિનિયરિંગ સુવિધાઓમાં સાવચેત પ્રયત્નોની જરૂર છે. પ્રતિનિધિત્વ શિક્ષણના વ્યાપક ક્ષેત્રમાં તાજેતરના સંશોધનોએ લક્ષણોને શીખવાથી આગાહીને સ્વયંસંચાલિત કરવામાં નોંધપાત્ર પ્રગતિ કરી છે. જો કે, હાલના લક્ષણ શીખવાની અભિગમો નેટવર્કમાં જોવાયેલી કનેક્ટિવિટી પેટર્નની વિવિધતાને પકડવા માટે પૂરતી અભિવ્યક્ત નથી. અહીં અમે નોડ2વેકનો પ્રસ્તાવ મુકીએ છીએ, જે નેટવર્કમાં નોડ્સ માટે સતત લક્ષણ રજૂઆતો શીખવા માટે એક અલ્ગોરિધમિક માળખું છે. નોડ 2 વીકમાં, અમે નોડ્સના નીચા પરિમાણીય જગ્યાના લક્ષણોના નકશાને શીખીએ છીએ જે નોડ્સના નેટવર્ક પડોશીઓને જાળવી રાખવાની સંભાવનાને મહત્તમ કરે છે. અમે નોડના નેટવર્ક પડોશીની લવચીક ખ્યાલને વ્યાખ્યાયિત કરીએ છીએ અને પક્ષપાતી રેન્ડમ વૉક પ્રક્રિયાને ડિઝાઇન કરીએ છીએ, જે અસરકારક રીતે વિવિધ પડોશીઓનું અન્વેષણ કરે છે. અમારા અલ્ગોરિધમનો અગાઉના કાર્યને સામાન્ય બનાવે છે જે નેટવર્ક પડોશીઓની કઠોર ખ્યાલો પર આધારિત છે, અને અમે દલીલ કરીએ છીએ કે પડોશીઓની શોધખોળમાં વધારાની સુગમતા એ સમૃદ્ધ પ્રતિનિધિત્વ શીખવાની ચાવી છે. અમે વિવિધ ક્ષેત્રોના અનેક વાસ્તવિક દુનિયાના નેટવર્કમાં મલ્ટી લેબલ વર્ગીકરણ અને લિંક આગાહી પર હાલની રાજ્યની કલા તકનીકો પર નોડ 2 વીકની અસરકારકતા દર્શાવીએ છીએ. એકસાથે લેવામાં, અમારા કામ જટિલ નેટવર્ક્સમાં કાર્યક્ષમ રીતે રાજ્ય-ઓફ-ધ-આર્ટ કાર્ય-સ્વતંત્ર પ્રતિનિધિત્વ શીખવા માટે એક નવી રીત રજૂ કરે છે.

de93c4f886bdf55bfc1bcaefad648d5996ed3302

આ પ્રકરણ આધુનિક ઘૂસણખોરીની શોધની સ્થિતિની તપાસ કરે છે, જેમાં ડેટા માઇનિંગના ઉભરતા અભિગમ પર ખાસ ભાર મૂકવામાં આવે છે. આ ચર્ચામાં ઘુસણખોરીની તપાસના બે મહત્વના પાસાંઓ પર ચર્ચા કરવામાં આવી હતી: સામાન્ય તપાસની વ્યૂહરચના (ખોટા ઉપયોગની તપાસ વિરુદ્ધ અસાધારણતાની તપાસ) અને ડેટા સ્ત્રોત (વ્યક્તિગત યજમાનો વિરુદ્ધ નેટવર્ક ટ્રાફિક). દુરુપયોગ શોધ એ ઘૂસણખોરીના જાણીતા દાખલાઓ સાથે મેળ ખાવાનો પ્રયાસ કરે છે , જ્યારે અસાધારણતા શોધ સામાન્ય વર્તણૂકથી વિચલનોની શોધ કરે છે . બે અભિગમો વચ્ચે, માત્ર અસાધારણતા શોધમાં અજ્ઞાત હુમલાઓ શોધવાની ક્ષમતા છે. અસાધારણતા શોધવાની એક ખાસ કરીને આશાસ્પદ અભિગમ એસોસિએશન માઇનિંગને મશીન લર્નિંગના અન્ય સ્વરૂપો જેમ કે વર્ગીકરણ સાથે જોડે છે. વધુમાં, ઘૂસણખોરી શોધવાની સિસ્ટમ દ્વારા ઉપયોગમાં લેવાતા ડેટા સ્રોત તે શોધી શકે તેવા હુમલાઓના પ્રકારોને નોંધપાત્ર રીતે અસર કરે છે. ઉપલબ્ધ વિગતવાર માહિતીના સ્તરમાં એક સમાધાન છે. બાર્બરા અને અન્ય. (સંપાદક . ), કોમ્પ્યુટર સુરક્ષામાં ડેટા માઇનિંગના કાર્યક્રમો © ક્લૂવર એકેડેમિક પબ્લિશર્સ 2002 s

9e00005045a23f3f6b2c9fca094930f8ce42f9f6

2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7

અમે એક મોટા લેબલવાળા ઑબ્જેક્ટ ઓળખ ડેટાસેટ પર તાલીમ પામેલા ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) ના લક્ષણ નિષ્કર્ષણ સ્તરોનો ઉપયોગ કરીને વિઝ્યુઅલ કન્વેન્શન પ્રતિનિધિત્વ વેક્ટર સાથે સ્કીપ-ગ્રામ ભાષાકીય પ્રતિનિધિત્વ વેક્ટર સાથે સંકલિત કરીને મલ્ટી-મોડલ ખ્યાલ રજૂઆતોનું નિર્માણ કરીએ છીએ. આ ટ્રાન્સફર લર્નિંગ અભિગમ પરંપરાગત બેગ-ઓફ-વિઝ્યુઅલ-વર્ડ અભિગમ પર આધારિત સુવિધાઓ પર સ્પષ્ટ પ્રદર્શન લાભ લાવે છે. વર્ડસિમ353 અને મેન સિમેન્ટીક સંબંધ મૂલ્યાંકન કાર્યો પર પ્રાયોગિક પરિણામોની જાણ કરવામાં આવે છે. અમે છબીનેટ અથવા ઇએસપી ગેમ છબીઓનો ઉપયોગ કરીને ગણતરી કરેલ દ્રશ્ય સુવિધાઓનો ઉપયોગ કરીએ છીએ.

a65e815895bed510c0549957ce6baa129c909813

અમે બિન-સંકુચિત મોર્ફોલોજી શીખવા માટે એક અનસર્વેક્ષિત અભિગમ પ્રસ્તાવિત કરીએ છીએ, જે અમે અરબી મૂળ અને પેટર્ન નમૂનાઓના લેક્સિકોનને પ્રેરિત કરવા માટે લાગુ કરીએ છીએ. આ અભિગમ એ વિચાર પર આધારિત છે કે મૂળ અને પેટર્ન પરસ્પર પુનરાવર્તિત સ્કોરિંગ દ્વારા પ્રગટ થઈ શકે છે જે પૂર્વધારણા પેટર્ન અને રુટ ફ્રીક્વન્સીઝ પર આધારિત છે. વધુ પુનરાવર્તિત શુદ્ધિકરણ તબક્કા પછી, પ્રેરિત લેક્સિકોન સાથે મોર્ફોલોજિકલ વિશ્લેષણ 94% થી વધુની રુટ ઓળખ ચોકસાઈ પ્રાપ્ત કરે છે. અમારો અભિગમ અરબી મોર્ફોલોજીના અસુરક્ષિત શિક્ષણ પરના અગાઉના કાર્યથી અલગ છે કે તે કુદરતી રીતે લખાયેલા, અવિભાજિત ટેક્સ્ટ પર લાગુ થાય છે.

3f4e71d715fce70c89e4503d747aad11fcac8a43

આ કેસ સ્ટડી ઓટો ઇન્કના ત્રણ અલગ અલગ ડિજિટલ ઇનોવેશન પ્રોજેક્ટ્સની તપાસ કરે છે - એક મોટી યુરોપિયન ઓટોમેકર. સ્પર્ધાત્મક મૂલ્યોની માળખાને સૈદ્ધાંતિક લેન્સ તરીકે ઉપયોગ કરીને અમે ડિજિટાઇઝેશનથી ઉદ્ભવતા અને નવીનતાની વધતી માંગને પહોંચી વળવા પ્રયાસ કરતી કંપનીમાં ગતિશીલ ક્ષમતાઓ કેવી રીતે થાય છે તે શોધે છે. આ ડિજિટાઇઝેશન પ્રક્રિયામાં, અમારું અભ્યાસ સૂચવે છે કે સ્થાપિત સામાજિક-તકનીકી સંવાદિતાને પડકારવામાં આવી રહી છે. વધુમાં, અમે સંસ્થાઓને ડિજિટાઇઝેશનના યુગમાં નવી પ્રાયોગિક શિક્ષણ પ્રક્રિયાઓને સ્વીકારવાની રીતો શોધવાની જરૂરિયાત પર ધ્યાન કેન્દ્રિત કરીએ છીએ. આ પ્રકારના પરિવર્તન માટે લાંબા ગાળાની પ્રતિબદ્ધતા અને દ્રષ્ટિની જરૂર હોય છે, આ અભ્યાસમાં આવી પ્રાયોગિક પ્રક્રિયાઓ માટે ત્રણ અનૌપચારિક સક્ષમકર્તા રજૂ કરવામાં આવ્યા છે આ સક્ષમકર્તા સમય, દ્રઢતા અને સંપર્કો છે.

c22366074e3b243f2caaeb2f78a2c8d56072905e

એક કોમ્પેક્ટ ક્રોસ પરિમાણ સાથે લંબાઈ-સ્લોટ રિજ વેવગાઇડ એન્ટેના એરે રજૂ કરવામાં આવે છે. એરેની બેન્ડવિડ્થને વિસ્તૃત કરવા માટે, તે બે સબરેમાં અલગ કરવામાં આવે છે, જે નવલકથા કોમ્પેક્ટ કોન્વેક્સ વેવગાઇડ ડિવાઇડર દ્વારા આપવામાં આવે છે. X-બેન્ડમાં 16 તત્વોની એકસમાન રેખીય એરેનું નિર્માણ કરવામાં આવ્યું હતું અને ડિઝાઇનની માન્યતાને ચકાસવા માટે માપવામાં આવ્યું હતું. S11les-15 dB ની માપવામાં આવેલી બેન્ડવિડ્થ 14.9% છે અને માપવામાં આવેલ ક્રોસ- પોલરાઇઝેશન સ્તર સમગ્ર બેન્ડવિડ્થ પર -36 dB કરતા ઓછું છે. આ એરેને સિન્થેટીક એપરચર રડાર (એસએઆર) એપ્લિકેશન માટે બે-પરિમાણીય દ્વિ-ધ્રુવીકરણ એન્ટેના એરે બનાવવા માટે ધાર-સ્લોટ વેવગાઇડ એરે સાથે જોડી શકાય છે

0d57ba12a6d958e178d83be4c84513f7e42b24e5

ડીપ લર્નિંગ મોટા ન્યુરલ નેટવર્ક્સ અને મોટા ડેટાસેટ્સ સાથે સમૃદ્ધ છે. જો કે, મોટા નેટવર્ક અને મોટા ડેટાસેટ્સના પરિણામે લાંબા સમય સુધી તાલીમ આપવામાં આવે છે જે સંશોધન અને વિકાસની પ્રગતિને અટકાવે છે. વિતરણ સમન્વયિત એસજીડી આ સમસ્યાનો સંભવિત ઉકેલ આપે છે, જે એસજીડી મિનીબેચને સમાંતર કામદારોના પૂલ પર વિભાજિત કરે છે. જો કે આ યોજનાને કાર્યક્ષમ બનાવવા માટે, પ્રતિ કાર્યકરનું કામકાજ મોટું હોવું જોઈએ, જે એસજીડી મિનિબેચ કદમાં બિનમહત્વપૂર્ણ વૃદ્ધિ સૂચવે છે. આ કાગળમાં, અમે પ્રયોગાત્મક રીતે બતાવીએ છીએ કે ઇમેજનેટ ડેટાસેટ પર મોટા મિનીબેચ ઑપ્ટિમાઇઝેશન મુશ્કેલીઓનું કારણ બને છે, પરંતુ જ્યારે આને સંબોધવામાં આવે છે ત્યારે પ્રશિક્ષિત નેટવર્ક્સ સારી સામાન્યીકરણ દર્શાવે છે. ખાસ કરીને, અમે 8192 છબીઓ સુધીના મોટા મિનીબેચ કદ સાથે તાલીમ આપતી વખતે ચોકસાઈનો કોઈ નુકશાન દર્શાવતા નથી. આ પરિણામ પ્રાપ્ત કરવા માટે, અમે લઘુ બેચ કદના કાર્ય તરીકે શીખવાની દરને વ્યવસ્થિત કરવા માટે એક રેખીય સ્કેલિંગ નિયમ અપનાવીએ છીએ અને નવી ગરમ યોજના વિકસાવીએ છીએ જે તાલીમ શરૂઆતમાં ઑપ્ટિમાઇઝેશન પડકારોને દૂર કરે છે. આ સરળ તકનીકો સાથે, અમારી કાફે 2-આધારિત સિસ્ટમ એક કલાકમાં 256 જીપીયુ પર 8192 ના મિનિબેચ કદ સાથે રેઝનેટ 50 ને તાલીમ આપે છે, જ્યારે નાના મિનિબેચ ચોકસાઈ સાથે મેળ ખાય છે. કોમોડિટી હાર્ડવેરનો ઉપયોગ કરીને, 8 થી 256 જીપીયુ પર ખસેડતી વખતે અમારું અમલીકરણ ∼90% સ્કેલિંગ કાર્યક્ષમતા પ્રાપ્ત કરે છે. આ સિસ્ટમ અમને ઉચ્ચ કાર્યક્ષમતા સાથે ઇન્ટરનેટ સ્કેલ ડેટા પર દ્રશ્ય ઓળખ મોડેલોને તાલીમ આપવા માટે સક્ષમ કરે છે.

2bbe9735b81e0978125dad005656503fca567902

કર્નલ રુટકીટ્સ કમ્પ્યુટર સિસ્ટમો માટે ભયંકર ધમકીઓ છે. તેઓ સ્ટીલ્થ છે અને સિસ્ટમ સ્રોતોની અનિયંત્રિત ઍક્સેસ હોઈ શકે છે. આ કાગળ ન્યુમચેકર રજૂ કરે છે, જે એક નવા વર્ચ્યુઅલ મશીન (વીએમ) મોનિટર આધારિત ફ્રેમવર્ક છે જે ગેસ્ટ વીએમ માં નિયંત્રણ-પ્રવાહ સંશોધક કર્નલ રુટકીટ્સને શોધી અને ઓળખવા માટે છે. ન્યુમચેકર સિસ્ટમ કોલના અમલ દરમિયાન થતી ચોક્કસ હાર્ડવેર ઇવેન્ટ્સની સંખ્યાને માપવા દ્વારા ગેસ્ટ VM માં સિસ્ટમ કોલમાં દૂષિત ફેરફારોને શોધી કાઢે છે અને ઓળખે છે. આ ઘટનાઓને આપમેળે ગણતરી કરવા માટે, ન્યુમચેકર હાર્ડવેર પર્ફોર્મન્સ કાઉન્ટર્સ (એચપીસી) નો ઉપયોગ કરે છે, જે આધુનિક પ્રોસેસરોમાં અસ્તિત્વ ધરાવે છે. એચપીસીનો ઉપયોગ કરીને, ચકાસણીનો ખર્ચ નોંધપાત્ર રીતે ઘટાડવામાં આવે છે અને ચેડા-પ્રતિરોધકતામાં વધારો થાય છે. અમે કર્નલ આધારિત VM સાથે લિનક્સ પર NumChecker ના પ્રોટોટાઇપને અમલમાં મૂકીએ છીએ. એચપીસી આધારિત બે તબક્કાની કર્નલ રુટકીટ શોધ અને ઓળખ તકનીક રજૂ કરવામાં આવી છે અને સંખ્યાબંધ વાસ્તવિક વિશ્વની કર્નલ રુટકીટ્સ પર મૂલ્યાંકન કરવામાં આવ્યું છે. પરિણામો તેની કાર્યદક્ષતા અને અસરકારકતા દર્શાવે છે.

a3d638ab304d3ef3862d37987c3a258a24339e05

સાયકલગૅન [ઝુ અને અન્યો, 2017] બે છબી વિતરણો વચ્ચે પરિવર્તન શીખવા માટે એક તાજેતરના સફળ અભિગમ છે. પ્રયોગોની શ્રેણીમાં, અમે મોડેલની એક રસપ્રદ મિલકત દર્શાવીએ છીએઃ સાયકલગૅન સ્રોત છબી વિશેની માહિતીને તે લગભગ અદ્રશ્ય, ઉચ્ચ આવર્તન સંકેતમાં બનાવેલી છબીઓમાં "છુપાવવાનું" શીખે છે. આ યુક્તિ એ સુનિશ્ચિત કરે છે કે જનરેટર મૂળ નમૂનાને પુનઃપ્રાપ્ત કરી શકે છે અને આમ ચક્રીય સુસંગતતાની જરૂરિયાતને સંતોષે છે, જ્યારે પેદા કરેલી છબી વાસ્તવિક રહે છે. અમે આ ઘટનાને વિરોધી હુમલાઓ સાથે જોડીએ છીએ, જે સાયકલગૅનની તાલીમ પ્રક્રિયાને વિરોધી ઉદાહરણોના જનરેટરને તાલીમ આપતા હોય છે અને દર્શાવે છે કે ચક્રીય સુસંગતતા નુકશાન સાયકલગૅનને વિરોધી હુમલાઓ માટે ખાસ કરીને સંવેદનશીલ બનાવે છે.

c171faac12e0cf24e615a902e584a3444fcd8857

5a14949bcc06c0ae9eecd29b381ffce22e1e75b2

ડેટાબેઝના આ અંકમાં લેખોની પસંદગી એન્થોની જી. હોપવુડ, જે લંડન ગ્રેજ્યુએટ સ્કૂલ ઓફ બિઝનેસ સ્ટડીઝમાં એકાઉન્ટિંગ અને ફાઇનાન્સિયલ રિપોર્ટિંગના પ્રોફેસર છે. પ્રોફેસર હોપવુડે લખ્યું હતું કે, આ લેખોમાં માહિતી પ્રણાલીઓમાં રસ ધરાવતા તમામ લોકો માટે મહત્વના વિચારો છે, પછી તે પ્રેક્ટિશનરો હોય કે વિદ્વાનો. લેખકો, તે સમયે તેમની વ્યાવસાયિક જોડાણો સાથે, ક્રિસ આર્ગીરિસ, ગ્રેજ્યુએટ સ્કૂલ ઓફ એજ્યુકેશન, હાર્વર્ડ યુનિવર્સિટી; બો હેડબર્ગ અને સ્ટેન જોન્સન, બિઝનેસ એડમિનિસ્ટ્રેશન ડિપાર્ટમેન્ટ, યુનિવર્સિટી ઓફ ગોથેનબર્ગ; જે. ફ્રિસ્કો ડેન હર્ટૉગ, એન. વી. ફિલિપ્સ ગ્લોઇલેમ્પ ફેબ્રિકન, નેધરલેન્ડ્સ, અને માઇકલ જે. અર્લ, ઓક્સફર્ડ સેન્ટર ફોર મેનેજમેન્ટ સ્ટડીઝ. આ લેખ મૂળરૂપે એકાઉન્ટિંગ, ઓર્ગેનાઇઝેશન્સ એન્ડ સોસાયટીમાં પ્રકાશિત થયા હતા, જેનું પ્રકાશન પ્રોફેસર હોપવુડ મુખ્ય સંપાદક છે. એઓએસ ઉભરતા વિકાસને મોનિટર કરવા અને નવા અભિગમો અને પરિપ્રેક્ષ્યોને સક્રિયપણે પ્રોત્સાહિત કરવા માટે અસ્તિત્વ ધરાવે છે .

02227c94dd41fe0b439e050d377b0beb5d427cda

કુદરતી છબીઓમાંથી ટેક્સ્ટને શોધવું અને વાંચવું એ એક મુશ્કેલ કમ્પ્યુટર વિઝન કાર્ય છે જે વિવિધ ઉભરતા કાર્યક્રમો માટે કેન્દ્રિય છે. દસ્તાવેજ અક્ષર ઓળખ જેવી સંબંધિત સમસ્યાઓ વ્યાપકપણે કોમ્પ્યુટર વિઝન અને મશીન લર્નિંગ સંશોધકો દ્વારા અભ્યાસ કરવામાં આવી છે અને હાથથી લખાયેલા અંકો વાંચવા જેવા વ્યવહારુ કાર્યક્રમો માટે વર્ચ્યુઅલ રીતે ઉકેલી છે. જો કે, ફોટોગ્રાફ્સ જેવા વધુ જટિલ દ્રશ્યોમાં અક્ષરોને વિશ્વસનીય રીતે ઓળખવું વધુ મુશ્કેલ છેઃ શ્રેષ્ઠ વર્તમાન પદ્ધતિઓ સમાન કાર્યો પર માનવ પ્રભાવથી પાછળ છે. આ કાગળમાં અમે અસમર્થિત લક્ષણ શીખવાની પદ્ધતિઓનો ઉપયોગ કરીને વાસ્તવિક એપ્લિકેશનમાં અંકો ઓળખવાની સમસ્યાનો સામનો કરીએ છીએઃ શેરી સ્તરના ફોટાઓમાંથી ઘરની સંખ્યા વાંચવી. આ અંત માટે, અમે સંશોધન ઉપયોગ માટે એક નવી બેન્ચમાર્ક ડેટાસેટ રજૂ કરીએ છીએ જેમાં સ્ટ્રીટ વ્યૂ છબીઓમાંથી 600,000 થી વધુ લેબલવાળા અંકો કાપવામાં આવે છે. પછી અમે આ અંકો ઓળખવા માટે મુશ્કેલી દર્શાવે છે જ્યારે સમસ્યા હાથથી રચાયેલ સુવિધાઓ સાથે સંપર્ક કરવામાં આવે છે. છેલ્લે, અમે બે તાજેતરમાં પ્રસ્તાવિત અનસર્વેસ્ડ ફીચર લર્નિંગ પદ્ધતિઓના પ્રકારોનો ઉપયોગ કરીએ છીએ અને શોધી કાઢીએ છીએ કે તેઓ અમારા બેંચમાર્ક પર વિશ્વાસપૂર્વક શ્રેષ્ઠ છે.

081651b38ff7533550a3adfc1c00da333a8fe86c

કુદરતી છબીઓ પર તાલીમ પામેલા ઘણા ઊંડા ન્યુરલ નેટવર્ક્સ સામાન્યમાં વિચિત્ર ઘટના દર્શાવે છેઃ પ્રથમ સ્તર પર તેઓ ગેબોર ફિલ્ટર્સ અને રંગના ધાબળા જેવા લક્ષણો શીખે છે. આવા પ્રથમ સ્તરના લક્ષણો કોઈ ચોક્કસ ડેટાસેટ અથવા કાર્ય માટે વિશિષ્ટ નથી, પરંતુ સામાન્ય છે કે તેઓ ઘણા ડેટાસેટ્સ અને કાર્યો પર લાગુ થાય છે. નેટવર્કના છેલ્લા સ્તર દ્વારા લક્ષણોને સામાન્યથી વિશિષ્ટમાં સંક્રમણ કરવું જોઈએ, પરંતુ આ સંક્રમણનો વ્યાપકપણે અભ્યાસ કરવામાં આવ્યો નથી. આ કાગળમાં આપણે પ્રયોગાત્મક રીતે ઊંડા સંકોચન ન્યુરલ નેટવર્કના દરેક સ્તરમાં ન્યુરોન્સની વિશિષ્ટતા વિરુદ્ધ સામાન્યતાની ગણતરી કરીએ છીએ અને કેટલાક આશ્ચર્યજનક પરિણામોની જાણ કરીએ છીએ. ટ્રાન્સફરબિલિટી બે અલગ અલગ મુદ્દાઓ દ્વારા નકારાત્મક રીતે પ્રભાવિત થાય છેઃ (1) લક્ષ્ય કાર્ય પરના પ્રદર્શનના ખર્ચે ઉચ્ચ સ્તરના ન્યુરોન્સની વિશેષતા, જે અપેક્ષિત હતી, અને (2) સહ-અનુકૂલિત ન્યુરોન્સ વચ્ચેના નેટવર્ક્સને વિભાજીત કરવા સંબંધિત ઑપ્ટિમાઇઝેશન મુશ્કેલીઓ, જે અપેક્ષિત ન હતી. ઇમેજનેટ પર પ્રશિક્ષિત ઉદાહરણ નેટવર્કમાં, અમે દર્શાવ્યું છે કે આ બે મુદ્દાઓમાંથી કોઈ પણ એક પર પ્રભુત્વ હોઈ શકે છે, તેના આધારે કે શું તત્વો નીચે, મધ્યમ અથવા નેટવર્કની ટોચ પરથી સ્થાનાંતરિત થાય છે. અમે એ પણ દસ્તાવેજ કરીએ છીએ કે લક્ષણોની સ્થાનાંતરણતામાં ઘટાડો થાય છે કારણ કે બેઝ ટાસ્ક અને લક્ષ્ય કાર્ય વચ્ચેનું અંતર વધે છે, પરંતુ તે દૂરના કાર્યોમાંથી પણ લક્ષણોને સ્થાનાંતરિત કરવું રેન્ડમ સુવિધાઓનો ઉપયોગ કરતાં વધુ સારું હોઈ શકે છે. એક અંતિમ આશ્ચર્યજનક પરિણામ એ છે કે લગભગ કોઈપણ સંખ્યામાં સ્તરોમાંથી સ્થાનાંતરિત સુવિધાઓ સાથે નેટવર્કને પ્રારંભ કરવાથી સામાન્યીકરણમાં વધારો થઈ શકે છે જે લક્ષ્ય ડેટાસેટમાં ફાઇન-ટ્યુનિંગ પછી પણ અટકી જાય છે.

6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e

ઉચ્ચ-પ્રવાહ ક્રમકરણથી ઉચ્ચ ગુણવત્તાની ડી નોવો એસેમ્બલ જીનોમ ક્રમ મેળવવું સૈદ્ધાંતિક રીતે શક્ય બન્યું છે, પરંતુ વ્યવહારમાં ડીએનએ અર્ક ઘણીવાર અન્ય સજીવોના ક્રમથી દૂષિત થાય છે. હાલમાં, યુકેરીયોટિક એસેમ્બલીઓને સખત રીતે ડીકોન્ટિનેટ કરવા માટે થોડા અસ્તિત્વમાં છે. જે અસ્તિત્વમાં છે તે ન્યુક્લિયોટાઇડ સમાનતા પર આધારિત સિક્વન્સને ફિલ્ટર કરે છે અને લક્ષ્ય સજીવમાંથી સિક્વન્સને દૂર કરવાનું જોખમ લે છે. અમે એક સ્થાપિત મશીન શિક્ષણ પદ્ધતિનો એક નવલકથા એપ્લિકેશન રજૂ કરીએ છીએ, એક નિર્ણય વૃક્ષ, જે સખત રીતે ક્રમ વર્ગીકૃત કરી શકે છે. નિર્ણય વૃક્ષની મુખ્ય તાકાત એ છે કે તે ઇનપુટ તરીકે કોઈપણ માપવામાં આવેલ લક્ષણ લઈ શકે છે અને તેને નોંધપાત્ર વર્ણનકારોની પૂર્વ-ઓળખની જરૂર નથી. અમે નિર્ણય વૃક્ષનો ઉપયોગ નવા એસેમ્બલ કરેલા ક્રમોને વર્ગીકૃત કરવા અને પ્રકાશિત પ્રોટોકોલ્સ સાથે પદ્ધતિની તુલના કરવા માટે કરીએ છીએ. યુકેરીયોટિક ડે નોવો એસેમ્બલીઓમાં ક્રમોને વર્ગીકૃત કરતી વખતે નિર્ણય વૃક્ષ હાલની પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છે. તે કાર્યક્ષમ છે, સરળતાથી અમલમાં મૂકવામાં આવે છે, અને લક્ષ્ય અને પ્રદૂષક ક્રમોને ચોક્કસ રીતે ઓળખે છે. મહત્વપૂર્ણ રીતે, નિર્ણય વૃક્ષનો ઉપયોગ માપવામાં આવેલા વર્ણનાત્મક અનુસાર ક્રમને વર્ગીકૃત કરવા માટે થઈ શકે છે અને સંભવિત રીતે જૈવિક ડેટાસેટ્સને નિસ્યંદિત કરવામાં ઘણા ઉપયોગો છે.

26433d86b9c215b5a6871c70197ff4081d63054a

મલ્ટીમોડલ બાયોમેટ્રિકને તાજેતરમાં બાયોમેટ્રિક ઓળખ પ્રણાલીમાં તેના ઉચ્ચ પ્રદર્શન માટે નોંધપાત્ર રસ મળ્યો છે. આ કાગળમાં આપણે લક્ષણ સ્તર પર ફ્યુઝન તકનીકોનો ઉપયોગ કરીને ચહેરા અને હથેળીના છાપના ચિત્રો માટે મલ્ટીમોડલ બાયોમેટ્રીક્સ રજૂ કરીએ છીએ. ગેબોર આધારિત ઇમેજ પ્રોસેસિંગનો ઉપયોગ વિભેદક લક્ષણોને બહાર કાઢવા માટે કરવામાં આવે છે, જ્યારે મુખ્ય ઘટક વિશ્લેષણ (પીસીએ) અને રેખીય વિભેદક વિશ્લેષણ (એલડીએ) નો ઉપયોગ દરેક મોડ્યુલની પરિમાણ ઘટાડવા માટે કરવામાં આવે છે. એલડીએના આઉટપુટ લક્ષણોને શ્રેણીબદ્ધ રીતે સંયુક્ત કરવામાં આવે છે અને યુક્લિડિયન અંતર વર્ગીકરણકર્તા દ્વારા વર્ગીકૃત કરવામાં આવે છે. ઓઆરએલ ચહેરા અને પોલી-યુ પામપ્રિન્ટ ડેટાબેઝ પર આધારિત પ્રાયોગિક પરિણામોએ સાબિત કર્યું કે આ ફ્યુઝન ટેકનિક સિંગલ મોડલ બાયોમેટ્રીક્સ દ્વારા ઉત્પાદિતની તુલનામાં બાયોમેટ્રિક ઓળખ દરમાં વધારો કરી શકે છે.

1c01e44df70d6fde616de1ef90e485b23a3ea549

અમે માર્કોવ રેન્ડમ ફીલ્ડ (એમઆરએફ) ના લોગ પાર્ટીશન ફંક્શન પર ઉપલા મર્યાદાઓના નવા વર્ગની રજૂઆત કરીએ છીએ. આ જથ્થો વિવિધ સંદર્ભોમાં મહત્વની ભૂમિકા ભજવે છે, જેમાં સીમાંત વિતરણ, પરિમાણ અંદાજ, સંયોજન ગણતરી, આંકડાકીય નિર્ણય સિદ્ધાંત અને મોટા-અવગણનાની સીમાઓ સહિત. અમારું વ્યુત્પન્ન કન્વેક્સ દ્વિત્વ અને માહિતી ભૂમિતિના ખ્યાલો પર આધારિત છેઃ ખાસ કરીને, તે ગુણાંકના ક્ષેત્રમાં વિતરણના મિશ્રણનો ઉપયોગ કરે છે, અને ગુણાંક અને સરેરાશ પરિમાણો વચ્ચે લેજેન્ડ્રે મેપિંગ. વૃક્ષ-રચનાવાળી વિતરણોના ઉન્નત સંયોજનોના વિશેષ કિસ્સામાં, અમે વિવિધતા સમસ્યાઓના એક પરિવારને મેળવીએ છીએ, જે બેથ વેરિએશનલ સમસ્યા જેવી જ છે, પરંતુ નીચેના ઇચ્છનીય ગુણધર્મો દ્વારા અલગ પડે છેઃ i) તેઓ ઉન્નત છે, અને એક અનન્ય વૈશ્વિક શ્રેષ્ઠ છે; અને ii) શ્રેષ્ઠ લોગ પાર્ટીશન કાર્ય પર ઉપલા સીમા આપે છે. આ શ્રેષ્ઠતાને સ્થિર શરતો દ્વારા વ્યાખ્યાયિત કરવામાં આવે છે જે રકમ-ઉત્પાદન અલ્ગોરિધમનોના નિશ્ચિત બિંદુઓને વ્યાખ્યાયિત કરવા માટે ખૂબ સમાન છે, અથવા વધુ સામાન્ય રીતે, બેથ વેરિએશનલ સમસ્યાના કોઈપણ સ્થાનિક શ્રેષ્ઠ. સરવાળે ઉત્પાદિત નિશ્ચિત બિંદુઓની જેમ, ઑપ્ટિમાઇઝિંગ દલીલના તત્વોનો ઉપયોગ મૂળ મોડેલના સીમાડાના અંદાજો તરીકે થઈ શકે છે. આ વિશ્લેષણ કુદરતી રીતે હાયપરટ્રી-સ્ટ્રક્ચર્ડ વિતરણના ઉભી સંયોજનો સુધી વિસ્તરે છે, આમ કિકુચી અંદાજો અને ચલો સાથે જોડાણો સ્થાપિત કરે છે.

39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd

આ કાગળમાં અમે વિડીયો અથવા 3D ઇમેજિંગ જેવા કે એમઆરઆઈ ડેટા માટે 3-પરિમાણીય (3D) એસઆઇએફટી વર્ણનકાર રજૂ કરીએ છીએ. અમે એ પણ બતાવીએ છીએ કે આ નવો વર્ણનકાર ક્રિયા માન્યતાની અરજીમાં વિડિઓ ડેટાની 3D પ્રકૃતિને વધુ સારી રીતે રજૂ કરવા માટે કેવી રીતે સક્ષમ છે. આ કાગળ બતાવશે કે કેવી રીતે 3D SIFT એ અગાઉ ઉપયોગમાં લેવાતી વર્ણન પદ્ધતિઓને એક ભવ્ય અને કાર્યક્ષમ રીતે આગળ વધારવા માટે સક્ષમ છે. અમે વિડિઓઝનું પ્રતિનિધિત્વ કરવા માટે શબ્દોની બેગનો ઉપયોગ કરીએ છીએ, અને વિડિઓ ડેટાને વધુ સારી રીતે વર્ણવવા માટે અવકાશી-સમયના શબ્દો વચ્ચેના સંબંધોને શોધવા માટેની પદ્ધતિ રજૂ કરીએ છીએ.

0a10d64beb0931efdc24a28edaa91d539194b2e2

અમે ખૂબ મોટા ડેટા સેટ્સમાંથી શબ્દોના સતત વેક્ટર પ્રતિનિધિત્વની ગણતરી માટે બે નવલકથા મોડેલ આર્કિટેક્ચર્સ પ્રસ્તાવિત કરીએ છીએ. આ પ્રતિનિધિત્વની ગુણવત્તાને શબ્દ સમાનતા કાર્યમાં માપવામાં આવે છે, અને પરિણામોની સરખામણી અગાઉના શ્રેષ્ઠ પ્રદર્શન તકનીકો સાથે કરવામાં આવે છે જે વિવિધ પ્રકારના ન્યુરલ નેટવર્ક્સ પર આધારિત છે. અમે ખૂબ નીચા કમ્પ્યુટેશનલ ખર્ચમાં ચોકસાઈમાં મોટા સુધારાઓ અવલોકન કરીએ છીએ, એટલે કે તે 1.6 અબજ શબ્દો ડેટા સેટ માંથી ઉચ્ચ ગુણવત્તા શબ્દ વેક્ટર જાણવા માટે એક દિવસ કરતાં ઓછા લે છે. વધુમાં, અમે બતાવીએ છીએ કે આ વેક્ટર્સ અમારા પરીક્ષણ સમૂહ પર સિન્ટેક્ટીક અને સિમેન્ટીક શબ્દ સમાનતા માપવા માટે રાજ્ય-ઓફ-ધ-આર્ટ પ્રદર્શન પૂરું પાડે છે.

b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d

આ કાગળમાં 5G મિલિમીટર વેવ એપ્લિકેશન્સ માટે 64-એલિમેન્ટ 29-30GHz સક્રિય તબક્કાવાર એરે રજૂ કરવામાં આવી છે. પ્રસ્તાવિત તબક્કાવાર એરે કમ્પોઝિટ્સમાં 64 તત્વોવાળી એન્ટેના, 64 ચેનલ ટી/આર મોડ્યુલો, 4 ફ્રીક્વન્સી કન્વર્ઝન લિંક્સ, બીમ કંટ્રોલિંગ સર્કિટરી, પાવર મેનેજમેન્ટ સર્કિટ અને કૂલિંગ ફેન્સ છે અને તે ખૂબ જ કોમ્પેક્ટ કદમાં (૧૩૫ મીમી એક્સ ૭૭ મીમી એક્સ ૫૬ મીમી) એકીકૃત છે. વધુ સારી આરએફ કામગીરી હાંસલ કરવા માટે ગેએ અને સિ સિમ્યુલેશન સર્કિટના હાઇબ્રિડ સંકલનનો ઉપયોગ કરવામાં આવે છે. પ્રસ્તાવિત તબક્કાવાર એરેની આર્કિટેક્ચર અને ટી/આર મોડ્યુલો અને એન્ટેનાની વિગતવાર રચનાનું વિશ્લેષણ કરવામાં આવ્યું છે. ઓટીએ (ઓવર ધ એર) માપન દ્વારા, પ્રસ્તાવિત તબક્કાવાર એરે 29.5 ગીગાહર્ટ્ઝની કેન્દ્ર આવર્તન પર 1 ગીગાહર્ટ્ઝની બેન્ડવિડ્થ પ્રાપ્ત કરે છે, અને એઝિમથ બીમ-વિડ્થ 12 ડિગ્રી છે જે ± 45 ડિગ્રીની સ્કેનિંગ રેન્જ સાથે છે. 800MHz 64QAM સિગ્નલોના ઉત્તેજના સાથે, ટ્રાન્સમીટર બીમ 5.5% ની EVM પ્રાપ્ત કરે છે, -30.5dBc ની ACLR સાથે પીએ -10dB પર કામ કરે છે, અને માપવામાં આવેલ સંતૃપ્ત EIRP 63 ડીબીએમ છે.

5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

6424b69f3ff4d35249c0bb7ef912fbc2c86f4ff4

જંગલીમાં ચહેરાના લક્ષણોની આગાહી કરવી એ જટિલ ચહેરાના ભિન્નતાને કારણે પડકારરૂપ છે. અમે પ્રસ્તાવ કરીએ છીએ એક નવલકથા ઊંડા શિક્ષણ માળખું વન્યમાં લક્ષણ આગાહી માટે. તે બે સીએનએન, એલએનએટ અને એએનએટને કાસ્કેડ કરે છે, જે લક્ષણ ટૅગ્સ સાથે સંયુક્ત રીતે ફાઇન-ટ્યુન કરે છે, પરંતુ અલગ રીતે પૂર્વ-પ્રશિક્ષિત છે. LNet ને ચહેરાના સ્થાનિકીકરણ માટે વિશાળ સામાન્ય પદાર્થ કેટેગરી દ્વારા પૂર્વ-પ્રશિક્ષિત કરવામાં આવે છે, જ્યારે ANet ને વિશેષતાની આગાહી માટે વિશાળ ચહેરાની ઓળખ દ્વારા પૂર્વ-પ્રશિક્ષિત કરવામાં આવે છે. આ માળખું માત્ર મોટા પ્રમાણમાં કલાની સ્થિતિને આગળ વધતું નથી, પણ શીખવાની ચહેરાના પ્રતિનિધિત્વ પર મૂલ્યવાન તથ્યો પણ દર્શાવે છે. (1) તે દર્શાવે છે કે કેવી રીતે ચહેરાના સ્થાનિકીકરણ (એલએનટી) અને લક્ષણ આગાહી (એએનએટી) ની કામગીરીને વિવિધ પૂર્વ-તાલીમ વ્યૂહરચનાઓ દ્વારા સુધારી શકાય છે. (2) તે દર્શાવે છે કે એલએનટીના ફિલ્ટર્સ માત્ર છબી-સ્તરના એટ્રીબ્યુટ ટેગ્સ સાથે જ ફાઇન-ટ્યુન કરેલ છે, તેમ છતાં સમગ્ર છબીઓ પરના તેમના પ્રતિભાવ નકશામાં ચહેરાના સ્થાનોનો મજબૂત સંકેત છે. આ હકીકત માત્ર છબી-સ્તરના એનોટેશન્સ સાથે ચહેરાના સ્થાનિકીકરણ માટે LNet તાલીમ આપવા માટે સક્ષમ છે, પરંતુ ચહેરાના બાઉન્ડિંગ બૉક્સ અથવા સીમાચિહ્નો વિના, જે તમામ લક્ષણ ઓળખ કાર્ય માટે જરૂરી છે. (3) એ પણ દર્શાવે છે કે એએનઈટીના ઉચ્ચ સ્તરના છુપાયેલા ન્યુરોન્સ મોટા ચહેરાની ઓળખ સાથે પૂર્વ-તાલીમ પછી આપમેળે સિમેન્ટીક ખ્યાલો શોધે છે, અને આવા ખ્યાલો એટ્રિબ્યુટ ટેગ્સ સાથે ફાઇન-ટ્યુનિંગ પછી નોંધપાત્ર રીતે સમૃદ્ધ થાય છે. દરેક લક્ષણને આ ખ્યાલોના વિખરાયેલા રેખીય સંયોજન સાથે સારી રીતે સમજાવી શકાય છે.

d2938415204bb6f99a069152cb954e4baa441bba

આ પત્ર 1.57-1.60 ગીગાહર્ટ્ઝ પર આર્ટિલરી પ્રોજેક્ટીલ્સ પર જીપીએસ સંકેતો પ્રાપ્ત કરવા માટે યોગ્ય કોમ્પેક્ટ એન્ટેના રજૂ કરે છે. ચાર ઊંધી F-પ્રકારના તત્વો સમાન તીવ્રતા અને ક્રમિક 90 ° તબક્કાના તફાવતમાં શ્રેણીબદ્ધ ફીડ નેટવર્ક દ્વારા ઉત્તેજિત થાય છે. એન્ટેનાના આકાર અને ફોર્મ ફેક્ટરને અનુકૂળ કરવામાં આવે છે જેથી એન્ટેનાને સરળતાથી આર્ટિલરી ફ્યુઝની અંદર સ્થાપિત કરી શકાય. માપન દર્શાવે છે કે પ્રસ્તાવિત એન્ટેનામાં 2.90-3.77 ડીબીઆઇસીની ગેઇન, 1.9-2.86 ડીબીનું અક્ષીય ગુણોત્તર અને 1.57-1.62 ગીગાહર્ટ્ઝ પર -10 ડીબી કરતા ઓછા પ્રતિબિંબ ગુણાંક છે.

0e52fbadb7af607b4135189e722e550a0bd6e7cc

બેકગ્રાઉન્ડ રેઝર બ્લેડનો ઉપયોગ કરીને સ્વ-કટ કરવું એ એક પ્રકારનું સ્વ-શૂન્યકરણ વર્તન છે જે અનન્ય પેટર્ન સાથે કાયમી અને સામાજિક રીતે અસ્વીકાર્ય ડાઘ છોડી દે છે, ખાસ કરીને ઉપલા અંગો અને આગળની છાતીની દિવાલ પર. આ નિશાન સમાજમાં સરળતાથી ઓળખી શકાય છે અને આત્મહત્યા કરનારાઓ માટે આજીવન દોષ, શરમ અને પસ્તાવોનો સ્ત્રોત બની જાય છે. પ્રસ્તુત ક્લિનિકલ અભ્યાસમાં, અમે સ્વ-આપવામાં આવેલા રેઝર બ્લેડ કાપણીના ડાઘને છૂપાવીને કાર્બન ડાયોક્સાઇડ લેસર રિસર્ફેસિંગ અને પાતળા ચામડીના ગ્રાન્ટિંગની અસરકારકતાની તપાસ કરવાનો લક્ષ્ય રાખ્યો હતો. પદ્ધતિઓ ફેબ્રુઆરી 2001 અને ઓગસ્ટ 2003 વચ્ચે 20 થી 41 વર્ષની વય (સરેરાશ 23.8 વર્ષ) ના 16 સફેદ પુરુષ દર્દીઓની કુલ 26 એનાટોમિક સાઇટ્સ (11 ઉપલા હાથ, 11 અગ્રભાગ અને ચાર આગળની છાતી) ની સારવાર કરવામાં આવી હતી. ઓપરેશન પહેલા વિગતવાર માનસિક મૂલ્યાંકન; દર્દીને જાણ કરવી કે પ્રક્રિયા "કamમફ્લેજ" ઓપરેશન છે; હાયપરટ્રોફિક ડાઘને અખંડ ત્વચાના સ્તર સુધી કાપવા; હાયપરટ્રોફિક ડાઘમાં ઇન્ટ્રાલેઝિઓનલ કોર્ટીકોસ્ટેરોઇડ ઇન્જેક્શન; એક એકમ તરીકે કાર્બન ડાયોક્સાઇડ લેસર રિફ્રેશિંગ; પાતળા (0.2 થી 0.3 મીમી) ત્વચાના ગ્રાન્ટિંગ; 15 દિવસ માટે સંકોચન ડ્રેસિંગ; ટ્યુબ્યુલર પાટોનો ઉપયોગ; અને ઓછામાં ઓછા 6 મહિના માટે સૂર્યપ્રકાશથી રક્ષણ પ્રક્રિયાના મુખ્ય મુદ્દાઓ હતા. પરિણામ બર્ન સ્કારની જેમ જ ડાઘને સફળતાપૂર્વક છૂપાવી અને સામાજિક રીતે સ્વીકાર્ય દેખાવમાં રૂપાંતરિત કરવામાં આવ્યા હતા. એક કિસ્સામાં અંશતઃ પ્રત્યારોપણ નુકશાન અને બીજા કિસ્સામાં હાયપરપિગમેન્ટેશન જટિલતા હતી. કોઈ નવું હાયપરટ્રોફિક ડાઘ વિકસિત થયું નથી. નિષ્કર્ષ કાર્બન ડાયોક્સાઇડ લેસર રિફેરિંગ અને પાતળા ચામડીના ગ્રાન્ટિંગ પદ્ધતિ સ્વયં-આપવામાં આવેલી રેઝર બ્લેડ કાપને છૂપાવી દે છે.

2b0750d16db1ecf66a3c753264f207c2cb480bde

અમને ગ્રાહક વ્યવહારોનો મોટો ડેટાબેઝ આપવામાં આવે છે, જ્યાં દરેક વ્યવહારમાં ગ્રાહક-આઈડી, વ્યવહાર સમય અને વ્યવહારમાં ખરીદેલી વસ્તુઓનો સમાવેશ થાય છે. અમે આવા ડેટાબેઝ પર અનુક્રમિક પેટર્નના ખાણકામની સમસ્યા રજૂ કરીએ છીએ. અમે આ સમસ્યાને ઉકેલવા માટે ત્રણ અલ્ગોરિધમ્સ રજૂ કરીએ છીએ, અને કૃત્રિમ ડેટાનો ઉપયોગ કરીને તેમના પ્રદર્શનનું પ્રયોગાત્મક મૂલ્યાંકન કરીએ છીએ. પ્રસ્તાવિત અલ્ગોરિધમ્સમાંથી બે, એપ્રિઓરીસોમ અને એપ્રિઓરીઓલ, તુલનાત્મક પ્રદર્શન ધરાવે છે, જો કે એપ્રિઓરીસોમ થોડું સારું પ્રદર્શન કરે છે જ્યારે ગ્રાહકોની લઘુત્તમ સંખ્યા જે ક્રમિક પેટર્નને ટેકો આપવી જોઈએ તે ઓછી હોય છે. સ્કેલ-અપ પ્રયોગો દર્શાવે છે કે એપ્રિયોરીસોમ અને એપ્રિયોરીઓલ બંને ગ્રાહક વ્યવહારોની સંખ્યા સાથે રેખીય રીતે સ્કેલ કરે છે. તેઓ ગ્રાહક દીઠ વ્યવહારોની સંખ્યા અને વ્યવહારોમાં આઇટમ્સની સંખ્યાના સંદર્ભમાં ઉત્તમ સ્કેલ-અપ ગુણધર્મો ધરાવે છે.

3f4558f0526a7491e2597941f99c14fea536288d

f6c265af493c74cb7ef64b8ffe238e3f2487d133

આ સંશોધન લેખમાં, બ્લૂટૂથ, ડબલ્યુએલએન/વાયમેક્સ અને જાહેર સલામતી એપ્લિકેશન્સ માટે કોમ્પેક્ટ ડ્યુઅલ બેન્ડ અસમપ્રમાણ કોપ્લેનર સ્ટ્રીપ-ફીડ પ્રિન્ટેડ એન્ટેના ડિઝાઇન અને પ્રસ્તુત કરવામાં આવે છે. ડ્યુઅલ ફ્રીક્વન્સી ઓપરેટિંગ બેન્ડ્સ (2.45 ગીગાહર્ટ્ઝ અને 5.25 ગીગાહર્ટ્ઝ) એસીએસ ફીડ લાઇન પર બે સરળ મેન્ડર આકારની રેડિયેશન સ્ટ્રીપ્સને જોડીને પ્રાપ્ત કરવામાં આવી છે. પ્રસ્તાવિત એન્ટેનાની ભૂમિતિ ઓછી કિંમતના FR4 સબસ્ટ્રેટ પર છાપવામાં આવે છે, જેની જાડાઈ 1.6 મીમી છે અને એક સપાટીવાળા ગ્રાઉન્ડ પ્લેન સહિત 13 × 21.3 મીટરના કુલ પરિમાણો છે. એસીએસ-ફીડ ડ્યુઅલ બેન્ડ મોનોપોલ એન્ટેનાની -10 ડીબી ઇમ્પેડન્સ બેન્ડવિડ્થ અનુક્રમે 2.36-2.5 ગીગાહર્ટ્ઝથી 140 મેગાહર્ટ્ઝ અને 4.5-7.0 ગીગાહર્ટ્ઝથી 2500 મેગાહર્ટ્ઝ છે, જે 2.4 ગીગાહર્ટ્ઝ બ્લૂટૂથ / ડબલ્યુએલએનએ, 5.2/5.8 ગીગાહર્ટ્ઝ ડબલ્યુએલએનએ, 5.5 ગીગાહર્ટ્ઝ વાઇમેક્સ અને 4.9 ગીગાહર્ટ્ઝ યુએસ જાહેર સલામતી બેન્ડને આવરી શકે છે. સરળ ભૂમિતિ અને વિશાળ અવરોધ બેન્ડવિડ્થ સુવિધાઓ ઉપરાંત, પ્રસ્તાવિત માળખું અનુક્રમે ઇ અને એચ-પ્લેન બંનેમાં દ્વિદિશ અને સર્વદિશ કિરણોત્સર્ગ પેટર્ન કરે છે.

04f39720b9b20f8ab990228ae3fe4f473e750fe3

17fac85921a6538161b30665f55991f7c7e0f940

અમે [10, 11]માં શરૂ કરેલી સંશોધન લાઇનને ચાલુ રાખીએ છીએ, જે આંકડાકીય ડેટાબેઝની ગોપનીયતા જાળવવા પર છે. એક વિશ્વાસપાત્ર સર્વરનો વિચાર કરો જે સંવેદનશીલ માહિતીનો ડેટાબેઝ ધરાવે છે. ડેટાબેઝને વાસ્તવિક સંખ્યાઓ સાથે મેપિંગ કરવા માટે ક્વેરી ફંક્શન f આપવામાં આવે છે, કહેવાતા સાચું જવાબ ડેટાબેઝ પર f લાગુ કરવાના પરિણામ છે. ગોપનીયતાની સુરક્ષા માટે, સાચો જવાબ કાળજીપૂર્વક પસંદ કરેલા વિતરણ અનુસાર પેદા થયેલા રેન્ડમ અવાજના ઉમેરા દ્વારા વિક્ષેપિત થાય છે, અને આ પ્રતિભાવ, સાચો જવાબ વત્તા અવાજ, વપરાશકર્તાને પરત કરવામાં આવે છે. અગાઉના કામમાં ઘોંઘાટીયા સરવાળાના કેસ પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું હતું, જેમાં f = P i g ((xi), જ્યાં xi ડેટાબેઝની ith પંક્તિને સૂચવે છે અને g ડેટાબેઝની પંક્તિઓને [0, 1] પર મેપ કરે છે. અમે સામાન્ય કાર્યો f પર અભ્યાસને વિસ્તૃત કરીએ છીએ , સાબિત કરીએ છીએ કે કાર્યની સંવેદનશીલતા અનુસાર અવાજના પ્રમાણભૂત વિચલનને કેલિબ્રેટ કરીને ગોપનીયતા જાળવી શકાય છે . આશરે કહીએ તો, આ એ રકમ છે કે જે કોઈપણ એક તર્ક f તેના આઉટપુટને બદલી શકે છે. નવા વિશ્લેષણથી જાણવા મળ્યું છે કે કેટલાક ખાસ કાર્યક્રમો માટે અગાઉની ધારણા કરતાં નોંધપાત્ર રીતે ઓછો અવાજ જરૂરી છે. પ્રથમ પગલું એ છે કે ટ્રાન્સક્રિપ્ટ્સની અસ્પષ્ટતાના સંદર્ભમાં ગોપનીયતાનું ખૂબ જ સ્પષ્ટ પાત્ર છે. વધુમાં, અમે અલગ પરિણામો પ્રાપ્ત જે બિન-પ્રક્રિયાત્મક પર ઇન્ટરેક્ટિવ સેનિટાઇઝેશન પદ્ધતિઓ વધેલ મૂલ્ય દર્શાવે છે.

2a622720d4021259a6f6d3c6298559d1b56e7e62

તાજેતરની વેબ શોધ તકનીકો વેબની લિંકિંગ સ્ટ્રક્ચર પર આધારિત "મહત્વ" ની વૈશ્વિક ખ્યાલ સાથે પરંપરાગત ટેક્સ્ટ મેચિંગને વધારે છે, જેમ કે ગૂગલના પેજરેન્ક અલ્ગોરિધમનો. વધુ શુદ્ધ શોધ માટે, મહત્વની આ વૈશ્વિક ખ્યાલને મહત્વના વ્યક્તિગત દૃશ્યો બનાવવા માટે વિશિષ્ટ બનાવી શકાય છે - ઉદાહરણ તરીકે, મહત્વના સ્કોર્સને વપરાશકર્તા-વિશિષ્ટિત સેટના પ્રારંભિક રસપ્રદ પૃષ્ઠો અનુસાર પૂર્વગ્રહ કરી શકાય છે. દરેક દૃશ્યની ગણતરી માટે વેબ ગ્રાફ પર પુનરાવર્તિત ગણતરીની જરૂર હોવાથી, અગાઉથી તમામ શક્ય વ્યક્તિગત દૃશ્યોની ગણતરી અને સંગ્રહ કરવો, જેમ કે ક્વેરી સમયે વ્યક્તિગત દૃશ્યોની ગણતરી કરવી, તે અવ્યવહારુ છે. અમે નવા ગ્રાફ-સૈદ્ધાંતિક પરિણામો રજૂ કરીએ છીએ, અને આ પરિણામો પર આધારિત એક નવી તકનીક, જે આંશિક વેક્ટર્સ તરીકે વ્યક્તિગત દૃશ્યોને એન્કોડ કરે છે. આંશિક વેક્ટર્સ બહુવિધ વ્યક્તિગત દૃશ્યોમાં વહેંચાયેલા છે, અને તેમની ગણતરી અને સંગ્રહ ખર્ચ દૃશ્યોની સંખ્યા સાથે સારી રીતે સ્કેલ કરે છે. અમારો અભિગમ વૃદ્ધિગત ગણતરીને સક્ષમ કરે છે, જેથી આંશિક વેક્ટર્સમાંથી વ્યક્તિગત દૃશ્યોનું નિર્માણ ક્વેરી સમયે વ્યવહારુ હોય. અમે આંશિક વેક્ટર્સની ગણતરી માટે કાર્યક્ષમ ગતિશીલ પ્રોગ્રામિંગ અલ્ગોરિધમનો, આંશિક વેક્ટર્સથી વ્યક્તિગત દૃશ્યોનું નિર્માણ કરવા માટે એક અલ્ગોરિધમનો અને પ્રાયોગિક પરિણામો પ્રસ્તુત કરીએ છીએ જે અમારી તકનીકોની અસરકારકતા અને સ્કેલેબિલિટી દર્શાવે છે.

37c3303d173c055592ef923235837e1cbc6bd986

અમે વાજબી વર્ગીકરણ માટે શીખવાની અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ જે જૂથની ન્યાયીતા (સંરક્ષિત જૂથના સભ્યોનો હકારાત્મક વર્ગીકરણ મેળવનારનો હિસ્સો સમગ્ર વસ્તીના પ્રમાણ સાથે સમાન છે) અને વ્યક્તિગત ન્યાયીતા (સમાન વ્યક્તિઓને સમાન રીતે વર્તવું જોઈએ) બંને પ્રાપ્ત કરે છે. અમે બે સ્પર્ધાત્મક ધ્યેયો સાથે ડેટાના સારા પ્રતિનિધિત્વને શોધવા માટે ઑપ્ટિમાઇઝેશન સમસ્યા તરીકે ઔચિત્યને ઘડી કાઢીએ છીએઃ ડેટાને શક્ય તેટલી સારી રીતે એન્કોડ કરવા માટે, જ્યારે એક જ સમયે સુરક્ષિત જૂથમાં સભ્યપદ વિશેની કોઈપણ માહિતીને અસ્પષ્ટ કરે છે. અમે ત્રણ ડેટાસેટ્સ પર અન્ય જાણીતા તકનીકોના સંબંધમાં અમારા અલ્ગોરિધમનો હકારાત્મક પરિણામો બતાવીએ છીએ. વધુમાં, અમે અમારા અભિગમના કેટલાક ફાયદાઓ દર્શાવ્યા છે. પ્રથમ, અમારા મધ્યવર્તી પ્રતિનિધિત્વનો ઉપયોગ અન્ય વર્ગીકરણ કાર્યો માટે થઈ શકે છે (એટલે કે, ટ્રાન્સફર લર્નિંગ શક્ય છે); બીજું, અમે અંતર મેટ્રિક શીખવાની દિશામાં એક પગલું લઈએ છીએ જે વર્ગીકરણ માટે ડેટાના મહત્વપૂર્ણ પરિમાણો શોધી શકે છે.

4556f3f9463166aa3e27b2bec798c0ca7316bd65

આ કાગળમાં, અમે તપાસ કરીએ છીએ કે કેવી રીતે નિષ્કપટ બેયસ વર્ગીકરણકારને સંશોધિત કરવું કે જે વર્ગીકરણ કરવા માટે મર્યાદિત છે જે આપેલ સંવેદનશીલ લક્ષણના સંદર્ભમાં સ્વતંત્ર છે. સ્વતંત્રતા પરના આવા પ્રતિબંધો કુદરતી રીતે ત્યારે થાય છે જ્યારે ડેટા-સેટમાં લેબલ્સ તરફ દોરી જતી નિર્ણય પ્રક્રિયા પક્ષપાતી હોય છે; ઉદાહરણ તરીકે, લિંગ અથવા વંશીય ભેદભાવને કારણે. આ સેટિંગને ઘણા કિસ્સાઓ દ્વારા પ્રેરિત કરવામાં આવે છે જેમાં એવા કાયદાઓ અસ્તિત્વમાં છે જે નિર્ણયને અસ્વીકાર કરે છે જે અંશતઃ ભેદભાવ પર આધારિત છે. મશીન લર્નિંગ ટેકનિકનો નિષ્પક્ષ ઉપયોગ કરવાથી કંપનીઓ માટે ભારે દંડ થશે. અમે નિષ્પક્ષ બેયસ વર્ગીકરણકારને ભેદભાવ મુક્ત બનાવવા માટે ત્રણ અભિગમો રજૂ કરીએ છીએ: (i) નિર્ણયની સંભાવનાને હકારાત્મક બનાવવા, (ii) દરેક સંવેદનશીલ લક્ષણ મૂલ્ય માટે એક મોડેલને તાલીમ આપવી અને તેમને સંતુલિત કરવી, અને (iii) બેયસિયન મોડેલમાં એક ગુપ્ત ચલ ઉમેરવું જે નિષ્પક્ષ લેબલનું પ્રતિનિધિત્વ કરે છે અને અપેક્ષા મહત્તમકરણનો ઉપયોગ કરીને સંભાવના માટે મોડેલ પરિમાણોને શ્રેષ્ઠ બનાવે છે. અમે કૃત્રિમ અને વાસ્તવિક જીવન ડેટા બંને પર ત્રણ અભિગમો માટે પ્રયોગો રજૂ કરીએ છીએ.

f5de0751d6d73f0496ac5842cc6ca84b2d0c2063

માઇક્રોઇલેક્ટ્રોનિક્સ અને સંકલિત સર્કિટ, સિસ્ટમ-ઓન-ચિપ ડિઝાઇન, વાયરલેસ કમ્યુનિકેશન અને બુદ્ધિશાળી ઓછી શક્તિવાળા સેન્સર્સમાં તાજેતરની પ્રગતિએ વાયરલેસ બોડી એરિયા નેટવર્ક (ડબલ્યુબીએન) ની અનુભૂતિને મંજૂરી આપી છે. ડબલ્યુબીએન એ ઓછી શક્તિવાળા, લઘુચિત્ર, આક્રમક / બિન-આક્રમક હળવા વાયરલેસ સેન્સર ગાંઠોનો સંગ્રહ છે જે માનવ શરીરના કાર્યો અને આસપાસના પર્યાવરણને મોનિટર કરે છે. આ ઉપરાંત, તે અનેક નવીન અને રસપ્રદ એપ્લિકેશન્સને સપોર્ટ કરે છે જેમ કે સર્વવ્યાપક આરોગ્યસંભાળ, મનોરંજન, ઇન્ટરેક્ટિવ ગેમિંગ અને લશ્કરી એપ્લિકેશન્સ. આ કાગળમાં, ડબલ્યુબીએન (WBAN) ની મૂળભૂત પદ્ધતિઓ, જેમાં આર્કિટેક્ચર અને ટોપોલોજી, વાયરલેસ ઇમ્પ્લાન્ટ કમ્યુનિકેશન, લો-પાવર મીડિયમ એક્સેસ કંટ્રોલ (એમએસી) અને રૂટીંગ પ્રોટોકોલની સમીક્ષા કરવામાં આવી છે. ભૌતિક (PHY), MAC અને નેટવર્ક સ્તરો પર WBAN માટે પ્રસ્તાવિત તકનીકોનો વ્યાપક અભ્યાસ રજૂ કરવામાં આવ્યો છે અને દરેક સ્તર માટે ઘણા ઉપયોગી ઉકેલોની ચર્ચા કરવામાં આવી છે. છેલ્લે, અસંખ્ય ડબલ્યુબીએન એપ્લિકેશન્સ પ્રકાશિત કરવામાં આવે છે.

bebdd553058ab50d0cb19a1f65d7f4daeb7cda37

માહિતી ટેકનોલોજી (આઇટી) નું રક્ષણ સંસ્થાઓ માટે એક મુખ્ય આર્થિક પડકાર બની ગયું છે અને તે જ રહેવાની આગાહી કરવામાં આવી છે. આઇટી સુરક્ષા રોકાણ પર સંશોધન ઝડપથી વધી રહ્યું છે, પરંતુ તેમાં સંશોધનનું માળખું, આર્થિક-તકનીકી ઘટનાઓનું સમજૂતી અને ભવિષ્યના સંશોધનને માર્ગદર્શન આપવા માટે સૈદ્ધાંતિક આધારનો અભાવ છે. અમે આ ખામીને સંસાધન આધારિત દૃષ્ટિકોણ અને સંગઠનાત્મક શિક્ષણ સિદ્ધાંતને અપનાવીને બહુ-સૈદ્ધાંતિક પરિપ્રેક્ષ્યમાંથી ઉભરતા નવા સૈદ્ધાંતિક મોડેલની દરખાસ્ત કરીને સંબોધિત કરીએ છીએ. આ સિદ્ધાંતોની સંયુક્ત અરજી એક સૈદ્ધાંતિક મોડેલમાં સંગઠનાત્મક શિક્ષણ અસરોને વિભાવનાત્મક બનાવવા માટે પરવાનગી આપે છે જે જ્યારે આઇટી સુરક્ષા પ્રતિસાદ દ્વારા સંગઠનાત્મક સંસાધનોનું રક્ષણ સમય જતાં વિકસે છે ત્યારે થાય છે. અમે આ મોડેલનો ઉપયોગ આઇટી સુરક્ષા રોકાણોના તારણોને મોટા સાહિત્યના શરીરને સંશ્લેષણ કરવા અને સંશોધનના અંતરને કાઢવા માટે કરીએ છીએ. અમે વ્યવહારુ ઉદાહરણો આપીને આ અંતરને (બંધ કરવા) ની સંચાલકીય અસરોની પણ ચર્ચા કરીએ છીએ.

1407b3363d9bd817b00e95190a95372d3cb3694a

કુદરતી ભાષાના ભાષણમાં, સંબંધિત ઘટનાઓ એક મોટી દૃશ્યનું વર્ણન કરવા માટે એકબીજાની નજીક દેખાય છે. આવી માળખાને ફ્રેમની ખ્યાલ (એ. કે. એ. નમૂના), જેમાં સંબંધિત ઇવેન્ટ્સ અને પ્રોટોટાઇપલ સહભાગીઓ અને ઇવેન્ટ સંક્રમણોનો સમૂહ છે. ફ્રેમ્સની ઓળખ માહિતી નિષ્કર્ષણ અને કુદરતી ભાષા પેદા કરવા માટે એક પૂર્વશરત છે, અને સામાન્ય રીતે મેન્યુઅલી કરવામાં આવે છે. ફ્રેમ્સને પ્રેરિત કરવાની પદ્ધતિઓ તાજેતરમાં પ્રસ્તાવિત કરવામાં આવી છે, પરંતુ તેઓ સામાન્ય રીતે એડ હોક પ્રક્રિયાઓનો ઉપયોગ કરે છે અને નિદાન અથવા વિસ્તૃત કરવા માટે મુશ્કેલ છે. આ કાગળમાં, અમે ફ્રેમ ઇન્ડક્શન માટે પ્રથમ સંભાવનાત્મક અભિગમ પ્રસ્તાવિત કરીએ છીએ, જે ફ્રેમ્સ, ઇવેન્ટ્સ, સહભાગીઓને છુપાયેલા વિષયો તરીકે સામેલ કરે છે અને તે ફ્રેમ અને ઇવેન્ટ સંક્રમણો શીખે છે જે ટેક્સ્ટને શ્રેષ્ઠ રીતે સમજાવે છે. ફ્રેમની સંખ્યા સિન્ટેક્ટિક પાર્સિંગમાંથી સ્પ્લિટ-મર્જ પદ્ધતિના નવલકથા એપ્લિકેશન દ્વારા અનુમાનિત થાય છે. ટેક્સ્ટથી લઈને પ્રેરિત ફ્રેમ્સ અને કાઢવામાં આવેલા તથ્યો સુધીના અંત-થી-અંત મૂલ્યાંકનમાં, અમારી પદ્ધતિએ નોંધપાત્ર રીતે એન્જિનિયરિંગ પ્રયત્નોને ઘટાડતા રાજ્ય-ઓફ-ધ-આર્ટ પરિણામો ઉત્પન્ન કર્યા.

1bf9a76c9d9838afc51983894b58790b14c2e3d3

એમ્બિયન્ટ એસ્સિડેડ લિવિંગ (એએએલ) આઇટી સોલ્યુશન્સ પૂરા પાડે છે જેનો હેતુ અપંગ, વૃદ્ધ અને ક્રોનિક રીતે બીમાર લોકોના જીવનને સરળ બનાવવા અને સુધારવાનો છે. વૃદ્ધ લોકો માટે ગતિશીલતા એક મુખ્ય મુદ્દો છે કારણ કે તેમની શારીરિક પ્રવૃત્તિ, સામાન્ય રીતે, તેમના જીવનની ગુણવત્તામાં સુધારો કરે છે અને આરોગ્યની સ્થિતિ જાળવે છે. પછી, આ કાગળ સંભાળ રાખનારાઓ અને વૃદ્ધ લોકો માટે એએએલ માળખું રજૂ કરે છે જે તેમને તેમની ગતિશીલતાને મર્યાદિત કર્યા વિના સક્રિય જીવનશૈલી જાળવવાની મંજૂરી આપે છે. આ માળખામાં મોબિલિટી વાતાવરણ માટે ચાર એએએલ સાધનોનો સમાવેશ થાય છેઃ i) પતન શોધવાની મોબાઇલ એપ્લિકેશન; ii) પહેરવા યોગ્ય સેન્સર્સ દ્વારા બાયોફીડબેક મોનિટરિંગ સિસ્ટમ; iii) ગ્લોબલ પોઝિશનિંગ સિસ્ટમ (જીપીએસ) સાથે સજ્જ જૂતા દ્વારા આઉટડોર લોકેશન સેવા; અને iv) સંભાળ રાખનારાઓ માટે મોબાઇલ એપ્લિકેશન જે ઘરના વાતાવરણમાં મર્યાદિત કેટલાક વૃદ્ધોની સંભાળ રાખે છે. દરખાસ્તનું મૂલ્યાંકન અને પ્રદર્શન કરવામાં આવે છે અને તે ઉપયોગ માટે તૈયાર છે.

2375f6d71ce85a9ff457825e192c36045e994bdd

91c7fc5b47c6767632ba030167bb59d9d080fbed

અમે ઉચ્ચ-સ્તરના નેવિગેશન સૂચનાઓને અનુસરવા માટેની પદ્ધતિ રજૂ કરીએ છીએ, જે સીધા જ છબીઓ, સૂચનાઓ અને પોઝ અંદાજોથી રીઅલ-ટાઇમ નિયંત્રણ માટે સતત નીચા-સ્તરની વેગ આદેશો માટે મેપિંગ કરે છે. ગ્રાઉન્ડ્ડ સેમેન્ટીક મેપિંગ નેટવર્ક (જીએસએમએન) એ સંપૂર્ણ રીતે વિભેદક ન્યુરલ નેટવર્ક આર્કિટેક્ચર છે જે નેટવર્કમાં પિનહોલ કેમેરા પ્રક્ષેપણ મોડેલને સમાવિષ્ટ કરીને વિશ્વ સંદર્ભ ફ્રેમમાં સ્પષ્ટ અર્થશાસ્ત્ર નકશો બનાવે છે. નકશામાં સંગ્રહિત માહિતી અનુભવમાંથી શીખી છે, જ્યારે સ્થાનિકથી વિશ્વ પરિવર્તન સ્પષ્ટ રીતે ગણતરી કરવામાં આવે છે. અમે DAGGERFM નો ઉપયોગ કરીને મોડેલને તાલીમ આપીએ છીએ, DAGGER નું સંશોધિત પ્રકાર જે સુધારેલ તાલીમ ઝડપ અને મેમરી ઉપયોગ માટે ટેબલર સંકલન બાંયધરીઓનું વેપાર કરે છે. અમે જીએસએમએનને વાસ્તવિક ક્વોડકોપ્ટર સિમ્યુલેટર પર વર્ચ્યુઅલ વાતાવરણમાં પરીક્ષણ કરીએ છીએ અને બતાવીએ છીએ કે સ્પષ્ટ મેપિંગ અને ગ્રાઉન્ડિંગ મોડ્યુલોને સમાવિષ્ટ કરવાથી જીએસએમએનને મજબૂત ન્યુરલ બેઝલાઇન કરતા વધુ સારી કામગીરી કરવાની અને લગભગ નિષ્ણાત નીતિ પ્રદર્શન સુધી પહોંચવાની મંજૂરી મળે છે. છેલ્લે, અમે શીખી નકશા પ્રતિનિધિત્વનું વિશ્લેષણ કરીએ છીએ અને બતાવીએ છીએ કે સ્પષ્ટ નકશાનો ઉપયોગ કરીને અર્થઘટનયોગ્ય સૂચના-અનુસરણ મોડેલ તરફ દોરી જાય છે.

cc98157b70d7cf464b880668d7694edd12188157

આજકાલ વિવિધ સંસ્થાઓ વચ્ચે માહિતીના સુરક્ષિત અને વિશ્વસનીય સંચારની ખાતરી કરવા માટે ઉચ્ચ સ્તરની સુરક્ષા જાળવવી ખૂબ જ મહત્વપૂર્ણ છે. પરંતુ ઇન્ટરનેટ અને અન્ય કોઇ નેટવર્ક પર સુરક્ષિત ડેટા સંચાર હંમેશા ઘૂસણખોરી અને દુરુપયોગના ખતરા હેઠળ છે. તેથી, કમ્પ્યુટર અને નેટવર્ક સુરક્ષાની દ્રષ્ટિએ ઘૂસણખોરી શોધવાની સિસ્ટમ્સ આવશ્યક ઘટક બની છે. ઘુસણખોરીની તપાસમાં વિવિધ પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે, પરંતુ દુર્ભાગ્યે અત્યાર સુધીની કોઈ પણ પદ્ધતિ સંપૂર્ણપણે દોષરહિત નથી. તેથી, સુધારણાની શોધ ચાલુ છે. આ પ્રગતિમાં, અહીં અમે વિવિધ પ્રકારના નેટવર્ક ઘૂસણખોરીને અસરકારક રીતે શોધી કાઢવા માટે આનુવંશિક અલ્ગોરિધમનો (જીએ) લાગુ કરીને એક ઘૂસણખોરી શોધ સિસ્ટમ (આઇડીએસ) રજૂ કરીએ છીએ. એજી માટે પરિમાણો અને ઉત્ક્રાંતિ પ્રક્રિયાઓ પર વિગતવાર ચર્ચા કરવામાં આવી છે અને તેનો અમલ કરવામાં આવ્યો છે. આ અભિગમ ટ્રાફિક ડેટાને ફિલ્ટર કરવા અને આમ જટિલતાને ઘટાડવા માટે માહિતી ઉત્ક્રાંતિના સિદ્ધાંતનો ઉપયોગ કરે છે. અમારી સિસ્ટમના પ્રદર્શનને અમલમાં મૂકવા અને માપવા માટે અમે KDD99 બેન્ચમાર્ક ડેટાસેટનો ઉપયોગ કર્યો હતો અને વાજબી શોધ દર પ્રાપ્ત કર્યો હતો.