Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_bho

_id stringlengths 40 40	text stringlengths 0 9.62k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	पदानुक्रमित पिटमैन-योर प्रक्रिया के प्राथमिकता भाषा मॉडल के सीखे खातिर आकर्षक तरीका बा, जे बिंदु-अनुमान आधारित तरीका से बेहतर बा. हालांकि, ई सब मॉडल कम्प्यूटेशनल आउर सांख्यिकीय अनुमान के समस्या के कारण अलोकप्रिय रहेला, जइसे कि मेमोरी आउर समय के उपयोग, आउर नमूना के खराब मिश्रण. ई काम में हमनी के एगो नया ढांचा के प्रस्ताव दिहल जा रहल बा जे संकुचित प्रत्यय पेड़ के उपयोग क के एचपीवाईपी मॉडल के कॉम्पैक्ट रूप से दर्शावेला. फेर, हम ए फ्रेमवर्क में एगो कुशल अनुमानित अनुमान योजना विकसित करब जेकर पूरा HPYP के तुलना में बहुत कम मेमोरी पदचिह्न होला आउर अनुमान समय में तेज होला. प्रयोगात्मक परिणाम से पता चलल कि हमनी के मॉडल के निर्माण पहिले के एचपीवाईपी मॉडल के तुलना में काफी बड़ डेटासेट पर कइल जा सकेला, जबकि ई कई गुना छोट होला, ट्रेनिंग आ अनुमान लगावे में तेज होला, आ अत्याधुनिक संशोधित केनेसर-नी गणना आधारित एलएम चिकनाई के तुलना में 15 प्रतिशत तक बेहतर प्रदर्शन करेला.
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	ई पेपर घटना आ अर्थ संबंधी भूमिका के एगो नया भाषा संसाधन के वर्णन करे ला जे वास्तविक दुनिया के स्थिति के बिसेसता हवे। कथावस्तु योजना में संबंधित घटना के सेट (संपादन आउर प्रकाशन), घटना के समय के क्रम (प्रकासन से पहिले संपादन), आउर प्रतिभागी के अर्थ संबंधी भूमिका (लेखक पुस्तक प्रकाशित) शामिल बाटे. इ प्रकार के विश्व ज्ञान प्राकृतिक भाषा समझ में प्रारंभिक शोध खातिर केंद्रीय रहे. लिपि मुख्य औपचारिकता में से एगो रहे, जवन दुनिया में होखे वाला घटना के सामान्य अनुक्रम के प्रतिनिधित्व करत रहे. दुर्भाग्य से, इ ज्ञान के जादातर भाग हाथ से लिखल गइल रहे आउर एकरा बनावे में समय लागल. वर्तमान मशीन लर्निंग तकनीक, साथ ही कोररेफरेन्स चेन के माध्यम से सीखने के एगो नया तरीका, हमरा के खुला डोमेन पाठ से कथा योजना के रूप में स्वचालित रूप से समृद्ध घटना संरचना निकाले के अनुमति देले बा. इ पत्र में वर्णित कथा योजना संसाधन में लगभग 5000 अद्वितीय घटनाएं शामिल हव जवन अलग-अलग आकार के योजना में संयुक्त हव. हम संसाधन के वर्णन करब, इ कइसे सीखल गइल, आउर अज्ञात दस्तावेजन पर इ योजना के कवरेज के एगो नया मूल्यांकन.
8e508720cdb495b7821bf6e43c740eeb5f3a444a	भाषण, रोबोटिक्स, वित्त आउर जीव विज्ञान में कई अनुप्रयोग अनुक्रमिक डेटा से संबंधित होला, जहां क्रमबद्ध मामला आउर आवर्ती संरचना सामान्य होला. हालाँकि, इ संरचना के मानक कर्नेल फलन द्वारा आसानी से प्राप्त ना कइल जा सकेला. अइसन संरचना के मॉडल बनावे खातिर, हम गॉसियन प्रक्रिया खातिर अभिव्यक्तिपूर्ण बंद-रूप के कर्नेल फलन के प्रस्ताव देले बानी. परिणामी मॉडल, जीपी-एलएसटीएम, गॉसियन प्रक्रिया के गैर-पैरामीटर संभाव्यता लाभ के बरकरार रखत, दीर्घकालिक स्मृति (एलएसटीएम) आवर्ती नेटवर्क के प्रेरक पूर्वाग्रह के पूरा तरह से शामिल करेला. हम प्रस्तावित कर्नेल के गुण के नया साबित रूप से अभिसरण अर्ध-स्टोकास्टिक ढाल प्रक्रिया के उपयोग करके गौसियन प्रक्रिया सीमांत संभावना के अनुकूलित करके सीखलस आउर स्केलेबल प्रशिक्षण आउर भविष्यवाणी खातिर इ कर्नेल के संरचना के शोषण कइलस. ई दृष्टिकोण बेयसियन LSTM खातिर एगो व्यावहारिक प्रतिनिधित्व प्रदान करेला. हम कई बेन्चमार्क पर अत्याधुनिक प्रदर्शन देखावत बानी, आउर एगो परिणामी स्वायत्त ड्राइविंग अनुप्रयोग के गहराई से जांच करत बानी, जहां जीपी-एलएसटीएम द्वारा प्रदान कइल गइल भविष्यवाणी अनिश्चितता अद्वितीय रूप से मूल्यवान बा.
033b62167e7358c429738092109311af696e9137	इ पत्र समीक्षा के अनुशंसित (अंगूठा ऊपर) या अनुशंसित (अंगूठा नीचे) के रूप में वर्गीकृत करे खातिर एगो सरल अनसुपरवाइज्ड लर्निंग एल्गोरिथ्म प्रस्तुत करेला. समीक्षा के वर्गीकरण समीक्षा में विशेषण या विशेषण वाला वाक्यांश के औसत अर्थ संबंधी अभिविन्यास द्वारा भविष्यवाणी कइल जाला. जब कौनो वाक्यांश में अच्छा संबंध होला (जइसे, सूक्ष्म बारीकियां) त ओकर सकारात्मक अर्थ संबंधी अभिविन्यास होला आउर जब खराब संबंध होला (जइसे, बहुत अशिष्ट) त नकारात्मक अर्थ संबंधी अभिविन्यास होला. एह लेख में, एगो वाक्यांश के अर्थ संबंधी अभिविन्यास के गणना दिहल गइल वाक्यांश आ शब्द उत्कृष्ट के बीच पारस्परिक जानकारी से घटा के दिहल गइल वाक्यांश आ शब्द गरीब के बीच पारस्परिक जानकारी के रूप में कइल गइल बा. एगो समीक्षा के अनुशंसित के रूप में वर्गीकृत कइल जाला अगर एकर वाक्यांश के औसत अर्थ संबंधी अभिविन्यास सकारात्मक बा. एल्गोरिथ्म 74% के औसत सटीकता प्राप्त करेला जब इपिनियंस से 410 समीक्षा पर मूल्यांकन कइल जाला, चार अलग-अलग डोमेन (ऑटोमोबाइल, बैंक, फिल्म आउर यात्रा गंतव्य के समीक्षा) से नमूना लिहल जाला. सटीकता 84% से लेके ऑटोमोबाइल समीक्षा खातिर 66% तक होला फिल्म समीक्षा खातिर.
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	एकीकृत सर्किट (आईसी) डिजाइन में इंटरकनेक्ट विश्वसनीयता खातिर आगे बढ़त इलेक्ट्रोमिग्रेशन (ईएम) एगो प्रमुख चिंता बाटे. हालाँकि एनालॉग डिजाइनर लोग कुछ समय से ईएम समस्या के बारे में जानत बा, डिजिटल सर्किट भी अब प्रभावित हो रहल बा. इ व्याख्यान बुनियादी डिजाइन मुद्दा आउर इंटरकनेक्ट भौतिक डिजाइन के दौरान इलेक्ट्रोमिग्रेशन पर उनकर प्रभाव के संबोधित करेला. ई इरादा इंटरकनेक्ट में वर्तमान घनत्व सीमा के बढ़ावे के बा, इलेक्ट्रॉमिग्रेशन-बाधित उपाय, जइसे कि छोट लंबाई आ जलाशय प्रभाव के अपना के। लेआउट चरण में इ सब प्रभाव के उपयोग भविष्य में आईसी डिजाइन प्रवाह में ईएम चिंता के आंशिक राहत प्रदान कर सकेला.
45e2e2a327ea696411b212492b053fd328963cc3	पृष्ठभूमि मोबाइल एप्प्स के सार्वजनिक स्वास्थ्य में जीवनशैली के हस्तक्षेप के रूप में काम करे के वादा बा ताकि कल्याण के बढ़ावा दिहल जा सके आ पुरानी बीमारी के कम कइल जा सके, तबो एह बारे में बहुत कम जानकारी बा कि पुरानी बीमारी वाला लोग मोबाइल एप्प के कइसे उपयोग करे ला या कइसे महसूस करे ला। उद्देश्य इ अध्ययन के उद्देश्य पुरानी बीमारी के लोगन के बीच मोबाइल फोन आधारित स्वास्थ्य अनुप्रयोग के बारे में व्यवहार आउर धारणा के पता लगावल रहे. विधि संयुक्त राज्य अमेरिका में 1604 मोबाइल फोन उपयोगकर्ताओं के राष्ट्रीय क्रॉस-सेक्शनल सर्वेक्षण से डेटा एकत्र कइल गइल जे एमहेल्थ उपयोग, विश्वास आउर प्राथमिकता के आकलन कइलस. इ अध्ययन में स्वास्थ्य ऐप के उपयोग, डाउनलोड करे के कारण, आउर पुरानी स्थिति द्वारा अनुभव कइल गइल प्रभावकारिता के जांच कइल गइल. परिणाम प्रतिभागी लोगन में, बिना कौनो स्थिति के 38.9% (314/807) उत्तरदाता लोगन द्वारा 1 से 5 एप्लिकेशन के रिपोर्ट कइल गइल रहे आउर उच्च रक्तचाप वाले उत्तरदाता लोगन के 6.6% (24/364) द्वारा. स्वास्थ्य अनुप्रयोग के उपयोग बिना कौनो स्थिति के 21.3% (172/807) उत्तरदाता द्वारा प्रति दिन 2 बार या ओसे अधिक बार रिपोर्ट कइल गइल रहे, उच्च रक्तचाप के साथ 2.7% (10/364), मोटापा के साथ 13.1% (26/198), मधुमेह के साथ 12.3% (20/163), अवसाद के साथ 12.0% (32/267) आउर उच्च कोलेस्ट्रॉल के साथ 16.6% (53/319). लॉजिस्टिक प्रतिगमन के परिणाम क्रोनिक स्थिति वाला आउर बिना व्यक्ति के बीच स्वास्थ्य ऐप डाउनलोड में महत्वपूर्ण अंतर के संकेत ना दिहलस (पी>.05) । खराब स्वास्थ्य वाला लोग के तुलना में, स्वास्थ्य ऐप डाउनलोड करे के संभावना उन लोग के बीच अधिक रहे जे खुद के बहुत अच्छा स्वास्थ्य (ऑड्स रेश्यो [OR] 3.80, 95% आईसी 2.38-6.09, पी <.001) आउर उत्कृष्ट स्वास्थ्य (OR 4.77, 95% आईसी 2.70-8.42, पी <.001) के रिपोर्ट कइलें. एही तरह, ओ लोग के तुलना में जे कभी या शायद ही कभी शारीरिक गतिविधि में संलग्न होखे के रिपोर्ट कइले बा, स्वास्थ्य ऐप डाउनलोड करे के संभावना ओ लोग में अधिक रहे जे सप्ताह में 1 दिन व्यायाम (OR 2. 47, 95% CI 1. 6- 3. 83, P<. 001), सप्ताह में 2 दिन (OR 4. 77, 95% CI 3. 27-6. 94, P<. 001), सप्ताह में 3 से 4 दिन (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001), आउर सप्ताह में 5 से 7 दिन (OR 4. 64, 95% CI 3. 11-6. 92, P<. 001) रिपोर्ट कइले रहे. आयु, लिंग, आऊ नस्ल या जातीयता खातिर नियंत्रित सब लॉजिस्टिक प्रतिगमन परिणाम. निष्कर्ष इ अध्ययन से मिलल परिणाम बतावेला कि जिनहन लोग के खुद के खराब स्वास्थ्य बतावल गइल बा आउर कम शारीरिक गतिविधि के दर बा, यकीनन उ लोग जे स्वास्थ्य ऐप से सबसे ज्यादा लाभान्वित हो सकेला, इ स्वास्थ्य उपकरण के डाउनलोड आउर उपयोग करे के रिपोर्ट करे के सबसे कम संभावना रहे.
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	औसत विचलन पोर्टफोलियो विश्लेषण लाभ आउर जोखिम के बीच व्यापार-ऑफ के पहिला मात्रात्मक उपचार प्रदान कइलस. हम विस्तृत रूप से कई एकल-अवधि के रूप में उद्देश्य आउर बाधा के बीच परस्पर क्रिया के वर्णन करिला, जेमे अर्ध-विचलन मॉडल शामिल बा. विशेष जोर ओह पर दिहल गइल बा कि अधिक काम करे पर दंड से बचे के चाहीं. परिणाम के उपयोग तब परिदृश्य पेड़न पर आधारित बहु-अवधि मॉडल के विकास आउर सैद्धांतिक विश्लेषण में बिल्डिंग ब्लॉक के रूप में कइल जाला. एगो प्रमुख गुण ई बा कि भविष्य में निर्णय लेवे में अतिरिक्त धन के हटावे के संभावना होला, जेकरा से अनुमानित डाउनसाइड जोखिम कम हो जाला.
0e1431fa42d76c44911b07078610d4b9254bd4ce	मुख्य घटक विश्लेषण के एगो गैर-रैखिक रूप के करे खातिर एगो नया तरीका प्रस्तावित कइल गइल बा. अभिन्न संचालक कर्नेल फलन के उपयोग से, उच्च-आयामी सुविधा स्थान में मुख्य घटक के कुशलता से गणना कइल जा सकेला, जे कि कुछ गैर-रैखिक मानचित्र द्वारा इनपुट स्थान से संबंधित होला, उदाहरण खातिर, 16-16 छवियन में सब संभावित पांच-पिक्सेल उत्पाद के स्थान. हम विधि के व्युत्पत्ति देले बानी आउर पैटर्न मान्यता खातिर बहुपद सुविधा निष्कर्षण पर प्रयोगात्मक परिणाम प्रस्तुत कइले बानी.
292eee24017356768f1f50b72701ea636dba7982	हम बाहरी शहरी दृश्यन के प्रतिनिधित्व करे वाला 3 डी बिंदु बादर में स्वचालित वस्तु स्थानीयकरण आउर मान्यता खातिर एगो विधि प्रस्तुत करब. इ पद्धति निहित आकार मॉडल (आईएसएम) ढांचा पर आधारित बा, जवन उनकर केंद्र स्थान खातिर मतदान करके वस्तु के पहचान करेला. एके एके वर्ग के खातिर केवल कुछ प्रशिक्षण उदाहरण के आवश्यकता होला, जवन व्यावहारिक उपयोग खातिर एगो महत्वपूर्ण गुण ह. हम स्पिन इमेज डिस्क्रिप्टर के एगो बेहतर संस्करण के भी पेश कइल जा रहल बानी, जे सामान्य दिशा अनुमान में बिंदु घनत्व भिन्नता आउर अनिश्चितता के बेहतर तरीका से आंक सकेला. हमार प्रयोग से पता चलल कि इ सब बदलाव के पहचान पर बहुत असर पड़ेला. हम आपन परिणाम के अत्याधुनिक तरीका से तुलना कइनी आ ओहियो डेटासेट में सटीकता आ रिकॉल दुनों में उल्लेखनीय सुधार मिलल, जे में कुल मिला के 150,000 मीटर शहरी क्षेत्र के हवाई आ जमीनी लिडार स्कैन शामिल बा.
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	संचार आउर नियंत्रण में सैद्धांतिक आउर व्यावहारिक समस्या के एगो महत्वपूर्ण वर्ग सांख्यिकीय प्रकृति के बा. अइसन समस्या इ ह: (i) यादृच्छिक संकेत के भविष्यवाणी; (ii) यादृच्छिक संकेत के यादृच्छिक शोर से अलग कइल; (iii) यादृच्छिक शोर के उपस्थिति में ज्ञात रूप (पल्स, साइनसॉइड) के संकेत के पता लगावल. आपन अग्रणी काम में, वीनर [1]3 देखवलें कि समस्या (i) आउर (ii) तथाकथित वीनर-हॉपफ अभिन्न समीकरण के तरफ ले जाला; ऊ स्थिर सांख्यिकी आउर तर्कसंगत स्पेक्ट्रा के व्यावहारिक रूप से महत्वपूर्ण विशेष मामला में इ अभिन्न समीकरण के हल खातिर एगो विधि (स्पेक्ट्रल फैक्टराइजेशन) भी दिहलन. कई विस्तार आउर सामान्यीकरण विनेर के मूल कार्य के अनुसरण कइलन. ज़देह आउर रागाज़िनी परिमित-स्मृति के मामला के हल कइलन. एक साथे आउर बोडे आउर शैनन [3] से स्वतंत्र रूप से, ऊ लोग समाधान के एगो सरलीकृत विधि [2] भी देलन. बूटन ने गैर-स्थिर विनेर-हॉफ समीकरण [4] पर चर्चा कइलन. ई नतीजा अब मानक ग्रंथ में बाटे [5-6] । हाल में डार्लिंगटन [7] द्वारा एह मुख्य पंक्ति के कुछ अलग दृष्टिकोण दिहल गइल बा. नमूना संकेत के विस्तार खातिर, उदाहरन खातिर, फ्रैंकलिन [8], लीज़ [9] देखल जाय. एगो आउर दृष्टिकोण, जवन कि वीनरहोफ समीकरण के स्वयंसिद्ध पर आधारित बा (जेकि गैर-स्थिर समस्या पर भी लागू होला जबकि पिछला तरीका सामान्य रूप से लागू ना होला), डेविस द्वारा अग्रणी बनावल गइल रहे [10] आउर कई अन्य लोग द्वारा लागू कइल गइल रहे, उदा. शिन्ब्रोट [11], ब्लूम [12], पुगाचेव [13], सोलोडोव्निकोव [14] । इ सब काम में, लक्ष्य एगो रैखिक गतिशील प्रणाली (वाईनर फ़िल्टर) के विनिर्देश प्राप्त करल बा जे एगो यादृच्छिक सिग्नल के भविष्यवाणी, पृथक्करण, या पता लगावे के पूरा करेला. 2 7212 Bellona Ave. 3 कोष्ठक में अंक कागज के अंत में संदर्भ के दर्शावेला. 4 निश्चित रूप से, सामान्य रूप से इ कार्य गैर-रैखिक फ़िल्टर द्वारा बेहतर ढंग से करल जा सकेला. वर्तमान में, हालांकि, इ गैर-रैखिक फ़िल्टर के प्राप्त करे के तरीका (दुनों सैद्धांतिक आउर व्यावहारिक) के बारे में बहुत कम या कुछो ना जानल जाला. इंस्ट्रूमेंट्स एंड रेगुलेटर डिवीजन द्वारा योगदान कइल गइल आउर द अमेरिकन सोसाइटी ऑफ मैकेनिकल इंजीनियर्स के इंस्ट्रूमेंट्स एंड रेगुलेटर सम्मेलन, मार्च 29-अप्रैल 2, 1959 में प्रस्तुत कइल गइल. नोट: लेख में दिहल गइल कथन आ राय के लेखक लोग के व्यक्तिगत अभिव्यक्ति के रूप में समझे के चाहीं, सोसाइटी के ना। 24 फरवरी, 1959 के एएसएमई मुख्यालय में पावल गइल पांडुलिपि. पेपर नंबर से शुरू करे 59-IRD-11 एगो रैखिक फ़िल्टरिंग आउर भविष्यवाणी समस्या के एगो नया दृष्टिकोण
e50a316f97c9a405aa000d883a633bd5707f1a34	पिछला 20 साल में जमा भइल प्रयोगात्मक साक्ष्य ई दर्शावेला कि उचित रूप से भारित एकल शब्द के असाइनमेंट पर आधारित टेक्स्ट इंडेक्सिंग सिस्टम पुनर्प्राप्ति परिणाम उत्पन्न करेला जवन कि अन्य अधिक विस्तृत टेक्स्ट प्रतिनिधित्व के साथ प्राप्त करे योग्य परिणाम से बेहतर होला. ई परिणाम प्रभावी शब्द भारन प्रणाली के चुनाव पर बहुत निर्भर करेला. ई लेख स्वचालित शब्द भारन में प्राप्त अंतर्दृष्टि के सारांश देवेला, आउर आधार रेखा एकल-शब्द-सूचकांक मॉडल प्रदान करेला जेकर साथ अन्य अधिक विस्तृत सामग्री विश्लेषण प्रक्रिया के तुलना कइल जा सकेला. 1. करेले स्वचालित पाठ विश्लेषण 1980 के दशक के अंत में, लुहन [l] सबसे पहिले सुझाव दिहलन कि स्वचालित पाठ पुनर्प्राप्ति प्रणाली के डिजाइन कइल जा सकेला जे सामग्री पहचानकर्ता के तुलना पर आधारित होला जे संग्रहीत पाठ आ प्रयोगकर्ता के जानकारी क्वेरी से जुड़ल रहे. आमतौर पर, सामग्री के पहिचान खातिर दस्तावेज आ क्वेरी सभ के पाठ से निकालल कुछ शब्द के इस्तेमाल कइल जाला; या फिर, सामग्री के निरूपण के चयन प्रशिक्षित अनुक्रमणकर्ता द्वारा मैन्युअल रूप से कइल जा सके ला, जे कि बिसय पर विचार करे वाला बिसय से परिचित होखें आ दस्तावेज सभ के संग्रह के सामग्री से परिचित होखें। दुनों मामला में, दस्तावेज के D= (ti,tj,...ytp) (1) रूप के शब्द वेक्टर द्वारा देखावल जाई, जहाँ हर tk कुछ नमूना दस्तावेज D के सामग्री शब्द के पहिचान करेला. ओही तरह से, सूचना अनुरोध, या क्वेरी, के या त वेक्टर रूप में, या बूलियन कथन के रूप में देखावल जाई. इ प्रकार, एगो विशिष्ट क्वेरी Q के Q = (qa,qbr. . . के रूप में तैयार कइल जा सकेला. ,4r) (2)
6ac15e819701cd0d077d8157711c4c402106722c	ई तकनीकी रिपोर्ट डीएआरपीए शहरी चुनौती खातिर टीम एमआईटी के दृष्टिकोण के वर्णन करेला. हमनी के एगो नया रणनीति विकसित कइले बानी जा जेवना में कई गो सस्ता सेंसर के इस्तेमाल कइल जा सके ला, जेवना के गाड़ी के बाहरी हिस्सा पर लगावल जाला आ नया क्रॉस-मोडल कैलिब्रेशन तकनीक से कैलिब्रेट कइल जा सके ला। लीडर, कैमरा आ रडार डेटा के प्रवाह के एगो अभिनव, स्थानीय रूप से सुचारू स्थिति के प्रतिनिधित्व के उपयोग से संसाधित कइल जाला जे वास्तविक समय के स्वायत्त नियंत्रण खातिर मजबूत धारणा प्रदान करेला। यातायात में ड्राइविंग खातिर एगो लचीला नियोजन आउर नियंत्रण आर्किटेक्चर विकसित कइल गइल बा, जेमें मिशन नियोजन, स्थिति योजना, स्थिति व्याख्या आउर प्रक्षेपवक्र नियंत्रण खातिर अच्छी तरह से सिद्ध एल्गोरिदम के अभिनव संयोजन शामिल बा. इ नवाचारन के दो गो नया रोबोटिक वाहन में शामिल कइल जा रहल बा, जे शहरी वातावरण में स्वायत्त ड्राइविंग खातिर सुसज्जित बा, डीएआरपीए साइट विजिट कोर्स में व्यापक परीक्षण के साथ. प्रयोगात्मक परिणाम सभ बुनियादी नेविगेशन आ कुछ बुनियादी ट्रैफिक व्यवहार के देखावत बाड़ी, जेह में खाली ऑटोनोमिक ड्राइविंग, शुद्ध-अनुसरण नियंत्रण के उपयोग करे वाला लेन अनुसरण आ हमनी के स्थानीय फ्रेम धारणा रणनीति, किनो-डायनामिक आरटी मार्ग नियोजन के उपयोग करे वाला बाधा से बचे के तरीका, टर्न-आउट, आ हमनी के सिचुएशनल इंटरप्रिटर के उपयोग करे वाला चौराहा पर अन्य कार सभ के बीच प्राथमिकता के मूल्यांकन शामिल बा। हम उन्नत नेविगेशन आउर यातायात परिदृश्य में इ दृष्टिकोण के विस्तारित करे खातिर काम कर रहल बानी. † एक्जीक्यूटिव सारांश इ तकनीकी रिपोर्ट में टीम एमआईटी के डार्पा अर्बन चैलेंज के दृष्टिकोण के वर्णन कइल गइल बा. हमनी के एगो नया रणनीति विकसित कइले बानी जा जेवना में कई गो सस्ता सेंसर के इस्तेमाल कइल जा सके, जेवना के गाड़ी के बाहरी हिस्सा पर लगावल जा सके आ नया क्रॉस-मोडल कैलिब्रेशन तकनीक से कैलिब्रेट कइल जा सके। लीडर, कैमरा, आ रडार डेटा स्ट्रीम के एगो अभिनव, स्थानीय रूप से सुचारू स्थिति प्रतिनिधित्व के उपयोग क के संसाधित कइल जाला जे वास्तविक समय के स्वायत्त नियंत्रण खातिर मजबूत धारणा प्रदान करेला. यातायात में ड्राइविंग खातिर एगो लचीला नियोजन आउर नियंत्रण आर्किटेक्चर विकसित कइल गइल बा, जेमें मिशन योजना, स्थिति योजना, स्थिति व्याख्या आउर प्रक्षेपवक्र नियंत्रण खातिर अच्छी तरह से सिद्ध एल्गोरिदम के अभिनव संयोजन शामिल बा. इ नवाचारन के दो गो नया रोबोटिक वाहन में शामिल कइल जा रहल बा, जे शहरी वातावरण में स्वायत्त ड्राइविंग खातिर सुसज्जित बा, डीएआरपीए साइट विजिट कोर्स में व्यापक परीक्षण के साथ. प्रयोगात्मक परिणाम सभ बुनियादी नेविगेशन आ कुछ बुनियादी ट्रैफिक व्यवहार के देखावत बा, जेह में खाली ऑटोनोमिक ड्राइविंग, शुद्ध-पीछा नियंत्रण के उपयोग करे वाला लेन फॉलोइंग आ हमनी के लोकल फ्रेम परसेप्शन रणनीति, किनो-डायनामिक आरटी पथ नियोजन के उपयोग करे वाला बाधा से बचे के तरीका, यू-टर्न, आ इंटरसेक्शन पर अन्य कार के बीच प्राथमिकता के मूल्यांकन बा, जे हमनी के सिचुएशनल इंटरप्रिटर के उपयोग करे ले। हम उन्नत नेविगेशन आउर यातायात परिदृश्य में इ दृष्टिकोण के विस्तारित करे खातिर काम कर रहल बानी. अस्वीकरण: इ पत्र में निहित जानकारी आधिकारिक नीति के प्रतिनिधित्व ना करे, चाहे उ स्पष्ट हो या निहित, रक्षा उन्नत अनुसंधान परियोजना एजेंसी (डीएआरपीए) या रक्षा विभाग के. डीएआरपीए एह कागजात में दिहल जानकारी के सटीकता या विश्वसनीयता के गारंटी ना देला. अतिरिक्त समर्थन ... खातिर
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	हम निश्चित भौतिक लंबाई के विश्लेषण आउर डिजाइन प्रस्तुत करत बानी, टेराहर्ट्ज आवृत्ति पर समायोज्य देरी के साथ सतह प्लाज्मन पोलरिटन आधारित वेव गाइड के स्पूफ करत बानी. समायोज्य देरी कोरुगेटेड प्लैनर गुआबौ लाइन (सीपीजीएल) के उपयोग करके प्राप्त कइल जाला, एकर कोर्रगेशन गहराई के बदले बिना वेवगाइड के कुल भौतिक लंबाई के बदले. हमार अनुकरण परिणाम से पता चलल कि 237.9°, 220.6°, आउर 310.6° के विद्युत लंबाई प्रदर्शन उद्देश्य खातिर क्रमशः 0.25, 0.275, आउर 0.3 THz पर 250 μm आउर 200 μm के भौतिक लंबाई से प्राप्त करल जा सकेला. ई अनुकरण परिणाम भौतिक पैरामीटर आउर सामग्री गुण के उपयोग करके हमनी के विश्लेषणात्मक गणना के साथ भी सुसंगत हव. जब हम समान लंबाई के देरी लाइन के जोड़े के जोड़ल जा, जइसे कि ऊ टेराहर्ट्ज चरण शिफ्टर के दुगो शाखा होखें, त हम सापेक्ष चरण शिफ्ट अनुमान के त्रुटि दर 5.8% से बेहतर प्राप्त कइलें. हमरा जानकारी में, ई पहिला बेर बा जब सीपीजीएल देरी लाइन के प्रदर्शन कइल जा रहल बा. इ विचार के उपयोग टेराहर्ट्ज बैंड सर्किट्री खातिर निश्चित लंबाई आउर चरण शिफ्टर्स के साथ ट्यून करने योग्य देरी लाइन प्राप्त करे खातिर कइल जा सकेला.
325d145af5f38943e469da6369ab26883a3fd69e	इनपुट के रूप में ग्रेस्केल फोटो के देख के, इ पेपर फोटो के एगो सही रंगीन संस्करण के कल्पना करे के समस्या पर हमला करेला. इ समस्या स्पष्ट रूप से कम बा, इ खातिर पिछला दृष्टिकोण या त महत्वपूर्ण उपयोगकर्ता बातचीत पर निर्भर रहे या परिनामस्वरूप असंतृप्त रंगन में परिणत भइल. हम पूरा तरह से स्वचालित तरीका के प्रस्ताव देले बानी जे जीवंत आ यथार्थवादी रंगन के उत्पादन करेला. हम समस्या के अंतर्निहित अनिश्चितता के वर्गीकरण कार्य के रूप में प्रस्तुत करके स्वीकार करत बानी आउर परिणाम में रंग के विविधता के बढ़ावे खातिर प्रशिक्षण समय में वर्ग-पुनः संतुलन के उपयोग करत बानी. इ प्रणाली के परीक्षण समय में सीएनएन में फीड-फॉरवर्ड पास के रूप में लागू कइल गइल रहे आउर दस लाख से अधिक रंगीन छवियन पर प्रशिक्षित कइल गइल रहे. हम आपन एल्गोरिथ्म के मूल्यांकन एगो रंगिंक ट्यूरिंग परीक्षण के उपयोग क के करेनी, जेमे मानव प्रतिभागी के एगो उत्पन्न आउर आधार सत्य रंग छवि के बीच चयन करे के कहल जाला. हमार तरीका से 32% परीक्षण में मनुष्य के सफलतापूर्वक मूर्ख बना दिहल गइल बा, जवन कि पहिले के तरीका से काफी अधिक बा. एकरे अलावा, हम देखब कि रंगन के स्व-पर्यवेक्षित सुविधा सीखय के खातिर एगो शक्तिशाली बहाना हो सकेला, जवन एगो क्रॉस-चैनल एन्कोडर के रूप में काम करत बा. ई दृष्टिकोण कईगो विशेषता सीखने के बेंचमार्क पर अत्याधुनिक प्रदर्शन के परिणाम देवेला.
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	पहिला बेर, एगो पूरा तरह से एकीकृत चरणबद्ध सरणी एंटीना के रेडियो फ्रीक्वेंसी माइक्रोइलेक्ट्रोमैकेनिकल सिस्टम (आरएफ एमईएमएस) के साथ लचीला, कार्बनिक सब्सट्रेट पर 10 गीगाहर्ट्ज से ऊपर प्रदर्शित कइल गइल बा. एगो कम शोर एम्पलीफायर (एलएनए), एमईएमएस चरण शिफ्टर, आउर 2 गुना 2 पैच एंटीना सरणी के तरल क्रिस्टल बहुलक आधार पर सिस्टम-ऑन-पैकेज (एसओपी) में एकीकृत कइल गइल बा. दू गो एंटीना सरणी के तुलना कइल गइल बा; एगो एकल-परत एसओपी के उपयोग करके लागू कइल गइल बा आउर दूसरका बहुपरत एसओपी के साथ. दुनों कार्यान्वयन कम-हानि वाला बा आउर बीम के 12 डिग्री स्टीयरिंग के सक्षम बा. डिजाइन आवृत्ति 14 गीगाहर्ट्ज बा आउर मापल गइल वापसी हानि दुनों कार्यान्वयन खातिर 12 डीबी से जादा बा. एलएनए के उपयोग से विकिरणित बिजली के स्तर के जादा अनुमति मिलेला. इ एंटीना के लगभग कौनो भी आकार, आवृत्ति, आउर प्रदर्शन के पूरा करे खातिर अनुकूलित करल जा सकेला. इ शोध जैविक एसओपी उपकरन क खातिर अत्याधुनिक क विकास करेला.
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	उच्च वोल्टेज रेटेड सॉलिड स्टेट स्विच जइसे कि इन्सुलेटेड-गेट द्विध्रुवीय ट्रांजिस्टर (आईजीबीटी) 6.5 केवी तक के वाणिज्यिक रूप से उपलब्ध हवें। इ तरह के वोल्टेज रेटिंग्स आवेगित शक्ति आउर उच्च वोल्टेज स्विच-मोड कनवर्टर अनुप्रयोगन खातिर आकर्षक होला. हालाँकि, जइसे-जइसे आईजीबीटी वोल्टेज रेटिंग बढ़त जाला, वर्तमान में बढ़त आ गिरत के दर आम तौर पर कम हो जाला. इ व्यापार से बचे के मुश्किल बा काहे से कि आईजीबीटी के एपिटाक्सियल या बहाव क्षेत्र परत में कम प्रतिरोध बनाए रखे के चाही. रिवर्स वोल्टेज के समर्थन करे खातिर मोटा बहाव वाला हाई वोल्टेज रेटेड आईजीबीटी खातिर, जरूरी उच्च वाहक सांद्रता चालू होखे पर इंजेक्ट कइल जाला आउर बंद होखे पर हटा दिहल जाला, जवन कि स्विचिंग गति के धीमा कर देला. तेजी से स्विच करे खातिर एगो विकल्प कईगो, कम वोल्टेज रेटेड आईजीबीटी के सीरीज कइल बा. एगो आईजीबीटी-स्टैक प्रोटोटाइप के छ गो, 1200 वोल्ट रेटेड आईजीबीटी के श्रृंखला में प्रयोगात्मक रूप से परीक्षण कइल गइल बा. छह-सीरीज के आईजीबीटी स्टैक में व्यक्तिगत, ऑप्टिकल रूप से अलग, गेट ड्राइवर आउर मजबूर हवा ठंडा करे खातिर एल्यूमीनियम कूलिंग प्लेट होला जेकरा परिणामस्वरूप एगो कॉम्पैक्ट पैकेज होला. प्रत्येक आईजीबीटी ट्रांजिटोरियल वोल्टेज सप्रेसर द्वारा ओवरवोल्टेज संरक्षित होला. छह-सीरीज के आईजीबीटी स्टैक आउर एकल 6.5 केवी रेटेड आईजीबीटी के चालू करे के समय के एगो पल्स रेसिस्टिव-लोड, कैपेसिटर डिस्चार्ज सर्किट में प्रयोगात्मक रूप से नापल गइल बा. आईजीबीटी स्टैक के तुलना दू गो आईजीबीटी मॉड्यूल से कइल गइल बा जे 3.3 केवी के रेटेड बा आ ई 9 केएचजेड पर स्विच करे वाला बूस्ट सर्किट के रूप में बा आ 5 केवी के आउटपुट देला। छह-सीरीज के आईजीबीटी स्टैक के परिणामस्वरूप चालू होखे पर स्विचिंग गति में सुधार होला, आउर बंद होखे के दौरान कम करंट टेल के चलते काफी जादा पावर बूस्ट कनवर्टर दक्षता होला. प्रयोगात्मक परीक्षण पैरामीटर आउर तुलनात्मक परीक्षण के परिणाम के नीचे दिहल कागज में चर्चा कइल गइल बा.
20f5b475effb8fd0bf26bc72b4490b033ac25129	हम शहरी सड़कन पर लेन मार्कर के पता लगावे खातिर एगो मजबूत आ वास्तविक समय के तरीका प्रस्तुत करत बानी. ई सड़क के ऊपर से देखे के तरीका पर आधारित बा, चुनिंदा उन्मुख गॉसियन फिल्टर के उपयोग से फ़िल्टरिंग, बेज़ियर स्प्लाइन के फिट करे खातिर नया आउर तेज RANSAC एल्गोरिथ्म के प्रारंभिक अनुमान लगावे खातिर RANSAC लाइन फिटिंग के उपयोग करके, जेकरा बाद पोस्ट-प्रोसेसिंग चरण के पालन कइल जाला. हमार एल्गोरिथ्म सड़क के अलग-अलग स्थिति में स्थिर चित्र में सब लेन के पता लगा सकेला, जबकि 50 हर्ट्ज के दर से काम करत समय आउर पिछला तकनीक के तुलनात्मक परिणाम प्राप्त कर सकेला.
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	ऑनलाइन समीक्षा आउर अनुशंसा के उपलब्धता में तेजी से बढ़ोतरी अकादमिक आउर औद्योगिक अनुसंधान में भावना वर्गीकरण के एगो दिलचस्प विषय बनावेला. समीक्षा में एतना अलग-अलग क्षेत्र शामिल हो सकेला कि उन सब खातिर एनोटेटेड प्रशिक्षण डेटा इकट्ठा कइल मुश्किल बा. एही से, इ पत्र भावना वर्गीकरणकर्ता खातिर डोमेन अनुकूलन के समस्या के अध्ययन करेला, इ प्रकार एगो प्रणाली के एगो स्रोत डोमेन से लेबल कइल गइल समीक्षा पर प्रशिक्षित कइल जाला लेकिन एकर मतलब दुसर पर तैनात कइल जा ला. हम गहरी सीख के एगो तरीका प्रस्तावित करत बानी जवन बिना देखरेख के हर समीक्षा खातिर एगो सार्थक प्रतिनिधित्व निकाले के सीखत बा. अमेजन के इ निर्णय के बाद, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला, इ निर्णय के बाद से कि इ कंपनी के मूल्य निर्धारण के तरीका के बारे में कुछ भी पता चलेला. एकरे अलावा, इ तरीका अच्छा माप लेवेला आउर 22 डोमेन के एगो बड़ औद्योगिक-दृढ़ता डेटासेट पर डोमेन अनुकूलन के सफलतापूर्वक करे के अनुमति दिहलस.
7cbbe0025b71a265c6bee195b5595cfad397a734	लोग अक्सर कुर्सी के साथे बातचीत करेले, जे उनका एगो संभावित स्थान बनावेला जेमें स्वास्थ्य संवेदीकरण के प्रदर्शन करे खातिर उपयोग करे वालन के अतिरिक्त प्रयास के आवश्यकता ना होखेला. हमनी के 550 प्रतिभागी लोगन से पूछल जा कि लोग कइसे कुर्सी पर बइठल बाड़े आ कुर्सी के डिजाइन के बारे में जानकारी मिलल जे क्रमशः कुर्सी के आर्मरेस्ट आ बैकरेस्ट से हृदय आ श्वसन दर के पता लगावेला। 18 प्रतिभागी के साथे एगो प्रयोगशाला अध्ययन में, हम लोग ई निर्धारित करे खातिर सामान्य बइठल स्थिति के मूल्यांकन कइल कि कब हृदय गति आउर श्वसन गति के पता लगावल संभव रहे (32% समय हृदय गति खातिर, 52% श्वसन गति खातिर) आउर पता लगावल गइल दर के सटीकता के मूल्यांकन कइल (83% हृदय गति खातिर, 73% श्वसन गति खातिर). हमनी के एह संवेदन के जंगली में ले जाए के चुनौती पर चर्चा करे के बा, 11 प्रतिभागी के साथे कुल 40 घंटा के एगो इन-सिटू अध्ययन के मूल्यांकन करके. हम देखवनी कि एगो निहित सेंसर के रूप में, कुर्सी आपन यात्री से महत्वपूर्ण संकेत डेटा एकत्र कर सकेला कुर्सी के साथ प्राकृतिक बातचीत के माध्यम से.
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	स्वायत्त वाहन एगो मोबाइल रोबोट ह जे बहु-संवेदी नेविगेशन आउर पोजिशनिंग, बुद्धिमान निर्णय लेवे आउर नियंत्रण तकनीक के एकीकृत करेला. इ पत्र स्वायत्त वाहन क नियंत्रण प्रणाली वास्तुकला क प्रस्तुत करेला, जेकरा के "इंटेलिजेंट पायनियर" कहल जाला, आउर अज्ञात वातावरण में प्रभावी ढंग से नेविगेट करे क खातिर पथ ट्रैकिंग आउर गति क स्थिरता पर चर्चा करल जाला. इ दृष्टिकोण में, राज्य स्थान प्रारूप में पथ-ट्रैकिंग समस्या के तैयार करे खातिर दु डिग्री-स्वतंत्रता गतिशील मॉडल विकसित कइल जाला. क्षणिक पथ त्रुटि के नियंत्रित करे खातिर, पारंपरिक नियंत्रक के पैरामीटर परिवर्तन आउर व्यवधान के एगो विस्तृत श्रृंखला में प्रदर्शन आउर स्थिरता के गारंटी देवे में कठिनाई होखेला. एही खातिर, नया रूप से विकसित अनुकूलन-पीआईडी नियंत्रक के उपयोग कइल जाई. इ तरीका के उपयोग से वाहन नियंत्रण प्रणाली के लचीलापन में वृद्धि होई आउर बहुत लाभ प्राप्त होई. हम पूरा लेख में, इंटेलिजेंट पायनियर के उदाहरण आ परिणाम देखावल जाई आ एह तरीका के इस्तेमाल करे वाला ऑटोनोमिक वाहन के 2010 आ 2011 के फ्यूचर चैलेंज ऑफ चाइना में प्रतिस्पर्धा कइल जाई। इंटेलिजेंट पायनियर प्रतियोगिता के सब कार्यक्रम पूरा कइलस आ 2010 में पहिला स्थान आ 2011 में तीसरा स्थान हासिल कइलस।
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	प्रतिस्पर्धी एमएनआईएसटी हस्तलिखित अंक मान्यता बेंचमार्क के 1998 से रिकॉर्ड तोड़ के लंबा इतिहास बाटे. बाकी लोग द्वारा सबसे हाल के प्रगति 8 साल पहिले के बा (त्रुटि दर 0.4%). सादा बहु-परत पर्सेप्ट्रोन खातिर बढ़िया पुरान ऑन-लाइन बैक-प्रोपेगरेशन एगो एकल एमएलपी के साथे एमएनआईएसटी हस्तलिखित अंक बेंचमार्क पर बहुत कम 0.35% त्रुटि दर आउर सात एमएलपी के समिति के साथे 0.31% उत्पन्न करेला. 2011 तक एकरा के प्राप्त करे खातिर सबसे बढ़िया नतीजा के खातिर हमनी के ढेर छिपल परत, ढेर न्यूरॉन्स प्रति परत, ढेर विकृत प्रशिक्षण चित्र, ताकि ओवरफिट से बचावल जा सके, आउर ग्राफिक्स कार्ड, ताकि सीख के बहुत तेजी से हो सके.
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	बिटकॉइन एगो वितरित डिजिटल मुद्रा ह जवन कि काफी संख्या में प्रयोगकर्ता के आकर्षित कइले बा। हम ई समझे खातिर गहन जांच कर रहल बानी कि बिटकॉइन के एतना सफल काहे बनावल गइल, जबकि क्रिप्टोग्राफिक ई-कैश पर कई दशक के शोध के बाद भी एकर व्यापक रूप से इस्तेमाल ना हो पावल बा। हम इहो पूछत बानी कि बिटकॉइन कइसे एगो दीर्घकालिक स्थिर मुद्रा खातिर एगो बढ़िया उम्मीदवार बन सकेला. अइसन करे में, हम बिटकॉइन के कई समस्या आ हमला के पहिचान करीं, आ एकरा के दूर करे खातिर उपयुक्त तकनीक के प्रस्ताव करीं।
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	ई पेपर पांचवीं पीढ़ी (5G) के फुल-डायमेंशन मल्टीपल इनपुट मल्टीपल आउटपुट (FD-MIMO) सिस्टम खातिर 29 GHz फ्रीक्वेंसी पर WR28 वेव गाइड पर आधारित बीम स्टेरेबल हाई गेन फेस्ड एरे एंटीना के एगो नया डिजाइन अवधारणा प्रस्तुत करेला. 8×8 समतल चरणबद्ध सरणी के त्रि-आयामी बीमफॉर्मर द्वारा पोषित कइल जाला ताकि अज़ीमुथ आउर ऊंचाई दुनों दिशा में -60 से +60 डिग्री तक के आयतन बीम स्कैनिंग प्राप्त कइल जा सके. बीमफॉर्मिंग नेटवर्क (बीएफएन) के डिजाइन 8×8 बटलर मैट्रिक्स बीमफॉर्मर के 16 सेट के उपयोग करके 64 बीम स्टेट प्राप्त करे खातिर कइल गइल बा, जे क्षैतिज आउर ऊर्ध्वाधर कोण के नियंत्रित करेला. ई वेव गाइड आधारित उच्च शक्ति वाला त्रि-आयामी बीमफार्मर के डिजाइन करे खातिर एगो नया अवधारणा ह, जे 5जी एप्लीकेशन खातिर का बैंड में वॉल्यूमेट्रिक मल्टीबीम खातिर बा। चरणबद्ध सरणी के अधिकतम लाभ 28.5 dBi बा जे 28.9 GHz से 29.4 GHz आवृत्ति बैंड के कवर करेला.
34feeafb5ff7757b67cf5c46da0869ffb9655310	कम बिजली के वायरलेस सेंसर नेटवर्क खातिर पर्यावरणीय ऊर्जा एगो आकर्षक बिजली स्रोत बाटे. हम प्रोमेथियस के प्रस्तुत करत बानी, एगो अइसन प्रणाली जवन बिना मानवीय हस्तक्षेप या रखरखाव के लगातार संचालन खातिर ऊर्जा हस्तांतरण के बुद्धिमानी से प्रबंधित करेला. अलग-अलग ऊर्जा भंडारण तत्व के सकारात्मक गुण के मिला के आउर माइक्रोप्रोसेसर के बुद्धि के उपयोग करके, हम एगो कुशल बहु-चरण ऊर्जा हस्तांतरण प्रणाली के लागू कर रहल बानी जे एकल ऊर्जा भंडारण प्रणाली के सामान्य सीमा के लगभग अनन्त संचालन के प्राप्त करे खातिर कम कर रहल बा. हम आपन डिजाइन विकल्प, व्यापार-बदला, सर्किट मूल्यांकन, प्रदर्शन विश्लेषण, आउर मॉडल प्रस्तुत करत बानी. हम सिस्टम घटक के बीच संबंध पर चर्चा करब आउर अनुप्रयोग के जरूरत के पूरा करे खातिर इष्टतम हार्डवेयर विकल्प के पहचान करब. अंत में हम एगो वास्तविक प्रणाली के कार्यान्वयन प्रस्तुत करत बानी जे सौर ऊर्जा के उपयोग बर्कले के टेलोस मोटे के शक्ति देवे खातिर करेला. हमार विश्लेषण के अनुमान बा कि सिस्टम 1 प्रतिशत भार के तहत 43 साल, 10 प्रतिशत भार के तहत 4 साल, आउर 100 प्रतिशत भार के तहत 1 साल तक काम करी. हमनी के कार्यान्वयन में सुपरकैपेसिटर (प्राइमरी बफर) आ लिथियम रिचार्जेबल बैटरी (सेकेंडरी बफर) से बनल दू चरण के भंडारण प्रणाली के इस्तेमाल कइल गइल बा. मोट के बिजली के स्तर के पूरा जानकारी बा आउर जीवनकाल के अधिकतम करे खातिर ऊर्जा हस्तांतरण के समझदारी से प्रबंधित करेला.
3689220c58f89e9e19cc0df51c0a573884486708	एम्बीमैक्स एगो ऊर्जा कटाई सर्किट हवे आ वायरलेस सेंसर नोड्स (डब्ल्यूएसएन) खातिर सुपरकैपेसिटर आधारित ऊर्जा भंडारण सिस्टम हवे। पिछला WSN सभ विभिन्न स्रोत से ऊर्जा के उपज करे के कोसिस करत रहल, आ कुछ बैटरी के बजाय सुपरकैपेसिटर के इस्तेमाल भी करत रहल जेवना से बैटरी के पुरान होखे के समस्या के समाधान कइल जा सके। हालाँकि, ई या त प्रतिबाधा के असंगति के कारण ढेर उपलब्ध ऊर्जा के बर्बाद कर देलीं, या फिर इनहन के सक्रिय डिजिटल नियंत्रण के जरूरत पड़े ला जेकरा खातिर ओवरहेड के आवश्यकता पड़े ला, या फिर ई खाली एक ठो खास प्रकार के स्रोत के साथ काम करे लीं। एम्बीमैक्स इ समस्या के समाधान पहिले अधिकतम पावर प्वाइंट ट्रैकिंग (एमपीपीटी) के स्वचालित रूप से करेके, आउर फिर सुपरकैपेसिटर के अधिकतम दक्षता पर चार्ज करेके. एकरे अलावा, एम्बीमैक्स मॉड्यूलर बा आ ई कई गो ऊर्जा स्रोत सभ के रचना के संभव बनावे ला जेह में सौर, पवन, थर्मल आ कंपन ऊर्जा के स्रोत शामिल बा आ ई सभ अलग-अलग आकार के होला। एगो वास्तविक डब्लूएसएन प्लेटफॉर्म, इको पर प्रायोगिक परिणाम से पता चलल कि एम्बीमैक्स सफलतापूर्वक एक साथ आउर स्वायत्त रूप से डब्लूएसएन के वर्तमान अत्याधुनिक दक्षता से कई गुना कई शक्ति स्रोत के प्रबंधन करेला.
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	एगो कम बिजली वाला कम लागत वाला अत्यधिक कुशल अधिकतम पावर प्वाइंट ट्रैकर (एमपीपीटी) के फोटोवोल्टिक (पीवी) पैनल में एकीकृत करे के प्रस्ताव दिहल गइल बा. एकर नतीजा इ हो सकेला कि मानक फोटोवोल्टिक पैनल के तुलना में 25% ऊर्जा बढ़ जाई, जबकि बैटरी वोल्टेज विनियमन आउर लोड के साथ पीवी सरणी के मिलान जइसन कार्य करेला. बाहरी रूप से जुड़ल एमपीपीटी के उपयोग करे के बजाय, पीवी पैनल के हिस्सा के रूप में एकीकृत एमपीपीटी कनवर्टर के उपयोग करे के प्रस्ताव दिहल गइल बा. लागत प्रभावी होखे खातिर ई एकीकृत एमपीपीटी एगो सरल नियंत्रक के उपयोग करे के प्रस्ताव दिहल गइल बा. एकरे अलावा, कन्वर्टर के बहुत दक्षता के जरूरत होला, ताकि सीधे जोड़ल गइल सिस्टम के तुलना में भार में अधिक ऊर्जा स्थानांतरित कइल जा सके। ई एगो साधारण सॉफ्ट-स्विच टोपोलॉजी के उपयोग करके प्राप्त कइल जाला. इ प्रकार कम लागत पर बहुत अधिक रूपांतरण दक्षता के परिणाम होई, एमपीपीटी के छोट पीवी ऊर्जा प्रणालियन खातिर सस्ती समाधान बना देला.
61c1d66defb225eda47462d1bc393906772c9196	वायरलेस सेंसर नेटवर्क के हमनी के समाज पर सकारात्मक प्रभाव डाले के अपार संभावना के चलते एह विषय पर बहुत सारा शोध भइल बा, आ ई शोध अब पर्यावरण खातिर तैयार सिस्टम के उत्पादन कर रहल बा। वर्तमान प्रौद्योगिकी सीमा के साथ व्यापक रूप से भिन्न अनुप्रयोग आवश्यकता के कारण डिजाइन स्थान के विभिन्न भाग खातिर विविधता के हार्डवेयर प्लेटफार्म के जन्म देला. एकरे अलावा, बिना मानव हस्तक्षेप के एक प्रणाली के अद्वितीय ऊर्जा आउर विश्वसनीयता प्रतिबंध के मतलब बा कि सेंसर नेटवर्क हार्डवेयर पर मांग मानक एकीकृत सर्किट से अलग बा. इ पत्र संवेदक नोड्स के डिजाइन करे आउर उनका के नियंत्रित करे खातिर निम्न स्तर के सॉफ्टवेयर के बारे में हमनी के अनुभव के वर्णन करेला. जेब्रानेट प्रणाली में हम जीपीएस प्रौद्योगिकी के उपयोग करत बारीक दाने वाला स्थिति डेटा रिकॉर्ड करे खातिर करेनी ताकि जानवरन के दीर्घकालिक प्रवास के पता लगावल जा सके [14]. जेब्रानेट हार्डवेयर में 16-बिट टीआई माइक्रो कंट्रोलर, 4 एमबीआईटी ऑफ-चिप फ्लैश मेमोरी, 900 मेगाहर्ट्ज रेडियो, आ कम पावर वाला जीपीएस चिप शामिल बा। एह लेख में, हमनी के सेंसर नेटवर्क खातिर कुशल बिजली सप्लाई के डिजाइन करे के तकनीक, नोड्स के ऊर्जा खपत के प्रबंध करे के तरीका, आ रेडियो, फ्लैश, आ सेंसर सहित परिधीय यंत्रन के प्रबंध करे के तरीका पर चर्चा करब। अंत में हम जेब्रानेट नोड्स के डिजाइन के मूल्यांकन करब आउर चर्चा करब कि एकरा में कइसे सुधार कइल जा सकेला. इ हार्डवेयर के विकसित करे में हमनी के सीखल गइल सबक भविष्य के सेंसर नोड्स के डिजाइन करे में आउर वास्तविक सिस्टम में उनकर उपयोग करे में उपयोगी हो सकेला.
146da74cd886acbd4a593a55f0caacefa99714a6	आर्टिफिशियल इंटेलिजेंस के विकास से प्रौद्योगिकी के क्षेत्र में उत्प्रेरक के रूप में काम भइल बा। अब हमनी का ऊ चीज विकसित कर सकऽ तानी जवन कबो खाली कल्पना के रूप में रहे। अइसन एगो सृजन के जन्म सेल्फ ड्राइविंग कार के बा. अइसन दिन आ गइल बा जब केहू अपना काम के कर सकेला भा गाड़ी में सुत सकेला आ बिना स्टीयरिंग व्हील, एक्सेलेरेटर के छूए भी ऊ सुरक्षित रूप से अपना गंतव्य तक चहुँप सकेला. ई लेख एगो काम करे वाली मॉडल के प्रस्ताव देला जे एक जगह से दूसर जगह चले या अलग-अलग प्रकार के ट्रैक पर चले जइसे कि घुमावदार ट्रैक, सीधा ट्रैक आ सीधा ट्रैक के बाद घुमावदार ट्रैक। एगो कैमरा मॉड्यूल कार के ऊपर लगावल जाला आ रास्पबेरी पाई के साथे ई तस्वीर सभ वास्तविक दुनिया से कन्वोल्यूशनल न्यूरल नेटवर्क में भेजल जाला जेवना से ई भविष्यवाणी कइल जा सके कि गाड़ी के कौनों दिशा में जाई। जइसे कि दाहिना, बायाँ, आगे या रुकल, एकरे बाद आर्डुइनो से रिमोट से नियंत्रित गाड़ी के कंट्रोलर के सिग्नल भेजल जाला आ एकर नतीजा ई होला कि गाड़ी बिना कउनो मानवीय हस्तक्षेप के वांछित दिशा में चले ले।
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	हम लोग विरल कैनोनिकल सहसंबंध विश्लेषण (सीसीए) के समस्या पर विचार करब, यानी, दू गो रैखिक संयोजन राष्ट्र के खोज, प्रत्येक बहुविकल्पी खातिर एगो, जे कि निर्दिष्ट संख्या में चर के उपयोग करके अधिकतम सहसंबंध उत्पन्न करेला. हम एगो सीधा लालची दृष्टिकोण पर आधारित एगो कुशल संख्यात्मक अनुमान के प्रस्ताव देले बानी जवन हर चरण में सहसंबंध के बाधित करेला. इ विधि के खास तौर पर बड़ डेटा सेट के साथ काम करे खातिर डिज़ाइन कइल गइल बा आउर एकर कम्प्यूटेशनल जटिलता केवल विरलता स्तर पर निर्भर करेला. हम सहसंबंध आउर परोपकार के बीच व्यापार-बदला के माध्यम से एल्गोरिथ्म के प्रदर्शन के विश्लेषण करिला. संख्यात्मक अनुकरण के परिणाम से पता चलेला कि सहसंबंध के एगो महत्वपूर्ण हिस्सा के अपेक्षाकृत कम संख्या में चर के उपयोग करके पकड़ल जा सकेला. एकर अलावा, हम एकर उपयोग के जांच करब कि कइसे सीसीए के नियमित करे के विधि के रूप में उपयोग कइल जा सकेला जब उपलब्ध नमूना के संख्या बहु-उपक्रम के आयाम के तुलना में छोट होला. कैनोनिकल सहसंबंध विश्लेषण (सीसीए), जेकर शुरुआत हारोल डी होटेलिंग [1] द्वारा कइल गइल, बहु-परिवर्तनीय डेटा एन lysis में एगो मानक तकनीक ह, जे डेटा स्रोत के जोड़ी से सामान्य विशेषता के निकाले खातिर उपयोग कइल जाला [2], [3]. इ सब डेटा स्रोत एगो यादृच्छिक वेक्टर r उत्पन्न करेला जेकरा के हम बहु-परिवर्तनीय कहत बानी. क्लासिक आयामात्मकता कमी के तरीका के विपरीत जवन एगो बहु-उपक्रम के संबोधित करेला, सीसीए दूगो स्थानन के नमूना के बीच सांख्यिकीय संबंध के ध्यान में रखेला जवन संभवतः अलग-अलग आयाम आउर संरचना के होला. विशेष रूप से, इ दुगो रैखिक संयोजन के खोज करेला, एगो एगो बहुविकल्पी खातिर, ताकि उनकर सहसंबंध के अधिकतम कइल जा सके. एकर उपयोग अलग-अलग विसय में एगो स्टैंड-अलोन उपकरण के रूप में या दूसर सांख्यिकीय विधि खातिर पूर्व-प्रसंस्करण चरण के रूप में कइल जाला. एकरे अलावा, सीसीए एगो सामान्यीकृत ढांचा हवे जेह में सांख्यिकी में कई गो क्लासिकल तरीका शामिल बा, जइसे कि प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए), पार्टिकल लेस्ट स्क्वायर (पीएलएस) आ मल्टीपल लीनियर रिग्रेशन (एमएलआर) [4]. सीसीए के हाल में कर्नेल सीसीए के आगमन आउर स्वतंत्र घटक विश्लेषण [5] [6] में एकर अनुप्रयोग के साथ ध्यान आकर्षित कइल गइल बा. पिछला दस साल में सिग्नल के विरल निरूपण आउर विरल संख्यात्मक विधि के खोज में बढ़त रुचि देखल गइल बा. इ प्रकार, हम विरल सीसीए के समस्या पर विचार करब, अर्थात, कम संख्या में चर के उपयोग करके अधिकतम सहसंबंध के साथे रैखिक संयोजन के खोज करब. विविध तर्क के माध्यम से सघनता के खोज के प्रेरित कइल जा सकेला. पहिला इ कि परिणाम के व्याख्या आउर कल्पना करे के क्षमता बा. छोट संख्या में चर के चलते हमनी के बड़ा चित्र मिलेला, जबकि कुछ छोटहन विवरण के त्याग दिहल जाला. एकरे अलावा, ई प्रतिनिधित्व के कम करे से कम्प्यूटेशनल रूप से कुशल के उपयोग के अनुमति मिलेला. एह काम के अंशतः अनुदान FA9550-06-1-0 324 के तहत एगो AFOSR MURI द्वारा समर्थित कइल गइल रहे. दुयारा कारण बा कि इ सब के नियमित कइल जा सकेला आ स्थिरता भी हो सकेला. सीसीए के एगो मुख्य कमजोर जगह कम संख्या में देखल गइल चीज के प्रति संवेदनशीलता बा. हालांकि, नियमित तरीका जइसे कि रिज सीसीए [7] के उपयोग करे के चाहीं. इ संदर्भ में, विरल सीसीए एगो उपसमुच्चय चयन योजना बा जे हमनी के वेक्टर के आयाम के कम करे आउर स्थिर समाधान प्राप्त करे के अनुमति देवेला. हमनी के सबसे अच्छा ज्ञान के अनुसार, विरल सीसीए के पहिला संदर्भ [2] में दिखाई दिहलस जहां पिछड़े आउर चरणबद्ध उपसमूह चयन के प्रस्ताव दिहल गइल रहे. ई चर्चा गुणात्मक प्रकृति के रहे आउर कौनो विशिष्ट संख्यात्मक एल्गोरिथ्म के प्रस्ताव ना कइल गइल रहे. हाल में, बहुआयामी डेटा प्रोसेसिंग के बढ़त माँग आ कम हो रहल कंप्यूटेशनल लागत के कारण ई बिसय एक बेर फेर प्रमुखता हासिल कइलस [8]-[13]। इ वर्तमान समाधान के साथ मुख्य नुकसान इ बा कि विरलता पर कौनो प्रत्यक्ष नियंत्रण ना होला आउर इकरे इष्टतम हाइपरपैरामीटर के चयन करल मुश्किल (आऊ गैर-सहज) होला. एकरे अलावा, एह तरीका सभ में से ज्यादातर के कम्प्यूटेशनल जटिलता ढेर आयामी डेटा सेट के व्यावहारिक अनुप्रयोग खातिर बहुत ढेर बा। विरल सीसीए के भी निहित रूप से संबोधित कइल गइल बा [9], [14] आउर डी विरल पीसीए पर हाल के परिणाम से निकटता से संबंधित बा [9] , [15]- [17]. वास्तव में, हमनी के प्रस्तावित समाधान सीसीए के [17] में परिनाम के विस्तार बा. एह काम के मुख्य योगदान दू गो चीज में बा। पहिले, हम सीसीए एल्गोरिदम के प्रत्येक बहुविकल्पी में विरलता पर सीधा नियंत्रण के साथ प्राप्त कर लेवे आउर ओकर प्रदर्शन के जांच करे. हमार गणना के तरीका से कुशल तरीका से दू गो बड़हन डेटा सेट के बीच संबंध के समझे में मदद मिलेला. हम एगो आगे (या पीछे) के लालची दृष्टिकोण अपनईले बानी जवन क्रमिक रूप से चर के चुनल (या छोड़ल) पर आधारित बा. हर चरण में, हम सीसीए के इष्टतम समाधान के निर्धारित कइल जा आउर पूरा समस्या के हल करे के जरूरत के छोड़ दिहल जा. एकरे अलावा, फॉरवर्ड लोभी पद्धति के कम्प्यूटेशनल जटिलता डेटा के आयाम पर निर्भर ना करे ला बलुक खाली बिसालता पैरामीटर पर निर्भर करे ला। संख्यात्मक अनुकरण परिणाम से पता चलल बा कि सहसंबंध के एगो महत्वपूर्ण हिस्सा पर अपेक्षाकृत कम संख्या में गैर-शून्य गुणांक के उपयोग करके दक्षता से कैप्चर कइल जा सकेला. हमार दूसर योगदान नियमित करे के तरीका के रूप में सीसीए के जांच बा. अनुभवजन्य अनुकरण के उपयोग करके हम अलग-अलग एल्गोरिदम के उपयोग के जांच करब जब बहु-उपक्रम के आयाम नमूना के संख्या से बड़ (या एके क्रम के) होला आउर बिखराइल सीसीए के लाभ के प्रदर्शित करेला. इ संदर्भ में, लोभी दृष्टिकोण के लाभ में से एगो इ बा कि इ एक ही रन में पूर्ण विरलता पथ उत्पन्न करेला आउर उपयोग कके कुशल पैरामीटर ट्यूनिंग क अनुमति देवेला.
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	आवर्ती बैकप्रोपेगरेशन द्वारा विस्तारित समय अंतराल पर जानकारी संग्रहीत करे के सीखल बहुत लंबा समय लेवेला, ज्यादातर अपर्याप्त, क्षय त्रुटि बैकफ्लो के कारण. हम संक्षेप में एह समस्या के होचराइटर (1991) के विश्लेषण के समीक्षा करब, फिर एगो नया, कुशल, ढाल आधारित तरीका के परिचय देके एकरा के संबोधित करब जेकरा के लंबा अल्पकालिक स्मृति (एलएसटीएम) कहल जाला. जहां ई नुकसान ना करेला, ग्रेडिएंट के काट के, एलएसटीएम विशेष इकाइयन के भीतर निरंतर त्रुटि कैरोसेल के माध्यम से निरंतर त्रुटि प्रवाह के लागू करके 1000 से अधिक असतत-समय चरण के न्यूनतम समय अंतराल के पाटना सीख सकेला. गुणन गेट इकाई लगातार त्रुटि प्रवाह तक पहुँच खोले आउर बंद करे के सीखले. LSTM स्थान आउर समय में स्थानीय होला; एकर गणनात्मक जटिलता प्रति समय चरण आउर वजन O होला. 1. करेले कृत्रिम डेटा के साथे हमनी के प्रयोग में स्थानीय, वितरित, वास्तविक-मूल्यवान, आउर शोर भरल पैटर्न के प्रतिनिधित्व सामिल बा. वास्तविक समय आवर्ती सिखे, समय के माध्यम से पीछे के प्रसार, आवर्ती कैस्केड सहसंबंध, एल्मन जाल, आउर तंत्रिका अनुक्रम खंडन के तुलना में, एलएसटीएम बहुत अधिक सफल रन के तरफ ले जाला, आउर बहुत तेजी से सीखलेला. एल एस टी एम जटिल, कृत्रिम लंबा समय-अवधि के काम के भी हल करेला जवन कि पहिले के आवर्ती नेटवर्क एल्गोरिदम द्वारा कबो हल ना कइल गइल रहे.
9eb67ca57fecc691853636507e2b852de3f56fac	पहिले के अध्ययन से पता चलल बा कि शब्द आउर पाठ के अर्थपूर्ण प्रतिनिधित्व तंत्रिका सम्मिलन मॉडल के माध्यम से प्राप्त कइल जा सकेला. खासतौर पर, पैराग्राफ वेक्टर (पीवी) मॉडल कुछ प्राकृतिक भाषा प्रसंस्करण कार्य में प्रभावशाली प्रदर्शन देखवले बाड़े, ई एगो दस्तावेज़ (विषय) स्तर के भाषा मॉडल के अनुमान लगावेला. हालांकि, पुनर्प्राप्ति खातिर पारंपरिक भाषा मॉडल दृष्टिकोण के साथ पीवी मॉडल के एकीकरण अस्थिर प्रदर्शन आउर सीमित सुधार पैदा करेला. इ पत्र में, हम औपचारिक रूप से मूल पीवी मॉडल के तीन आंतरिक समस्या पर चर्चा करब जउन पुनर्प्राप्ति कार्य में एकर प्रदर्शन के सीमित करेला. हम मॉडल में बदलाव के भी वर्णन करब जवन कि इ के आईआर कार्य खातिर अधिक उपयुक्त बनावेला, आउर प्रयोग आउर केस स्टडी के माध्यम से ओकर प्रभाव के देखावेला. तीन गो मुद्दा जवन हमनी के संबोधित करेनीं उ इ ह (1) पीवी के अनियमित प्रशिक्षण प्रक्रिया छोट दस्तावेज के ओवर-फिटिंग खातिर कमजोर ह जवन अंतिम पुनर्प्राप्ति मॉडल में लंबाई पूर्वाग्रह पैदा करेला; (2) पीवी के कॉर्पस-आधारित नकारात्मक नमूनाकरण शब्द खातिर वजन योजना के तरफ ले जाला जवन अक्सर शब्द के महत्व के बहुत दबावेला; आउर (3) शब्द-संदर्भ जानकारी के कमी पीवी के शब्द प्रतिस्थापन संबंध के कैप्चर करे में असमर्थ बनावेला.
4df321947a2ac4365584a01d78a780913b171cf5	पहलू आधारित भावना विश्लेषण (एबीएसए) खास इकाई आ ओकरी पहलु के बारे में पाठ से राय के खनन आ सारांशित करे के काम हवे। इ लेख में फ्रेंच खातिर एबीएसए सिस्टम के विकास आउर परीक्षण खातिर दू डेटासेट के वर्णन कइल गइल बा जेमे प्रासंगिक संस्था, पहलु आउर ध्रुवीयता मान के साथ टिप्पणी कइल गइल उपयोगकर्ता समीक्षा शामिल बा. पहिला डेटासेट में एबीएसए सिस्टम के प्रशिक्षण आउर परीक्षण खातिर 457 रेस्तरां समीक्षा (2365 वाक्य) शामिल बाटे, जबकि दूसर में आउट-ऑफ-डोमेन मूल्यांकन खातिर समर्पित 162 संग्रहालय समीक्षा (655 वाक्य) शामिल बाटे. दुनों डेटासेट के सेमेवल-2016 टास्क 5 के हिस्सा के रूप में बनावल गइल रहे पहलू-आधारित भावना विश्लेषण जहाँ सात गो अलग-अलग भाषा के प्रतिनिधित्व कइल गइल रहे, आउर शोध उद्देश्यन खातिर सार्वजनिक रूप से उपलब्ध बाटे. ई लेख एनोटेशन प्रकार के उदाहरण आ आँकड़ा देला, एनोटेशन दिशानिर्देश के सारांश देला आ एकर पार-भाषाई परभाव पर चर्चा करे ला। ई ई भी बतावेला कि कइसे डेटा के उपयोग मूल्यांकन खातिर सेमेवल एबीएसए कार्य में कइल गइल रहे आउर संक्षेप में फ्रेंच खातिर प्राप्त परिणाम के प्रस्तुत करेला.
2445089d4277ccbec3727fecfe73eaa4cc57e414	ई पेपर 8 भाषा जोड़े खातिर मशीन अनुवाद प्रणाली के अनुवाद गुणवत्ता के मूल्यांकन करेला: फ्रांसीसी, जर्मन, स्पेनिश, आउर चेक के अंग्रेजी में अनुवाद आउर उल्टा. हम लोग व्यापक मानव मूल्यांकन कइल जेवना से हम लोग न केवल अलग-अलग एमटी प्रणाली के रैंक कर सकलीं, बल्कि मूल्यांकन प्रक्रिया के उच्च-स्तरीय विश्लेषण भी कर सकलीं. हम लोग तीन प्रकार के व्यक्तिपरक मूल्यांकन खातिर समय के माप कइल आ अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर-अंतर। हम लोग स्वचालित मूल्यांकन के माप के मानवीय निर्णय से संबंध के नापलीं. इ मेटा-मूल्यांकन सबसे आम उपयोग करल जाए वाला बिधि के बारे में आश्चर्यजनक तथ्य के उजागर करेला.
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	परिपत्र रूप से ध्रुवीकृत एकल-परत यू-स्लॉट माइक्रोस्ट्रिप पैच एंटीना के प्रस्तावित कइल गइल बा. सुझावल गइल असममित यू-स्लॉट, जांच-खाता स्क्वायर पैच माइक्रोस्ट्रिप एंटीना के कौनो कोना के बिना चकमा के बिना परिपत्र ध्रुवीकरण खातिर दु गो ऑर्थोगोनल मोड उत्पन्न कर सकेला. यू-स्लॉट के अलग-अलग बांह के लंबाई के कारण होखे वाला प्रभाव के जांच करे खातिर एगो पैरामीटर अध्ययन कइल गइल बा. फोम सब्सट्रेट के मोटाई ऑपरेटिंग आवृत्ति पर तरंगदैर्ध्य के लगभग 8.5% होला. 3 डीबी एक्सियल अनुपात वाला एंटिना के बैंडविड्थ 4% बा. एंटीना के प्रयोगात्मक आउर सैद्धांतिक परिणाम दुनों के प्रस्तुत आउर चर्चा कइल गइल बा. परिपत्र ध्रुवीकरण, मुद्रित एंटीना, यू-स्लॉट.
9462cd1ec2e404b22f76c88b6149d1e84683acb7	इ पत्र में, एगो वाइडबैंड कॉम्पैक्ट सर्कुलरली पोलराइज्ड (सीपी) पैच एंटीना प्रस्तावित बा. इ पैच एंटीना में एगो प्रिंटेड मेन्डरिंग जांच (एम-सप) औरु ट्रांक्सेड पैच होला जवन वाइडबैंड सीपी संचालन क उत्पन्न करे क खातिर ऑर्थोगोनल अनुनाद मोड को उत्तेजित करेला. 5G वाई-फाई एप्लीकेशन के फिट करे खातिर अक्षीय-अनुपात (एआर) बैंडविड्थ के और बेहतर बनावे खातिर स्टैक्ड पैच के इस्तेमाल कइल जाला. प्रस्तावित एंटीना क्रमशः 42.3% प्रतिबाधा बैंडविड्थ आउर 16.8% एआर बैंडविड्थ प्राप्त करेला. एआर बैंडविड्थ के भीतर औसत लाभ 6.6 डीबीआईसी 0.5 डीबीआईसी से कम भिन्नता के साथे होला. इ काम एगो एम-सोंड से खिलावल सीपी पैच एंटीना के बैंडविड्थ विस्तारित करे के तकनीक के प्रदर्शित करेला. ई एम-सोंड के जांच करे वाला आ प्रदर्शित करे वाला पहिला अध्ययन ह जे डीलेक्ट्रिक लोडेड पैच एंटीना में ब्रॉडबैंड विशेषता भी प्रदान कर सकेला. एंटिना के संभावित अनुप्रयोग 5जी वाई-फाई आउर उपग्रह संचार प्रणाली बा.
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	इ पेपर में हम वास्तविक समय में कई विशिष्ट 3 डी वस्तु के पता लगावे खातिर एगो नया तरीका प्रस्तावित कइले बानी. हम हाल में हीटरस्टोइसर आ अन्य लोग द्वारा पेश कइल गइल LINE2D/LINEMOD निरूपण पर आधारित टेम्पलेट-आधारित दृष्टिकोण से शुरू करब, फिर भी एकरा के दू तरीका से बढ़ाब. सबसे पहिले, हमनी के एगो भेदभावपूर्ण तरीका से टेम्पलेट के सीखे के प्रस्ताव बा. हम देखवलीं कि ई नमूना चित्रन के संग्रह के दौरान ऑनलाइन कइल जा सकेला, कुछ ही मिलीसेकंड में, आउर डिटेक्टर के सटीकता पर एकर बहुत प्रभाव पड़ेला. दूसरा, हम कैस्केड आधारित एगो योजना के प्रस्तावित करत बानी जवन कि पता लगावे के गति तेज करेला. चूंकि कौनो वस्तु के पता लगावल तेज होला, नया वस्तु के बहुत कम लागत से जोड़ल जा सकेला, जेसे हमार दृष्टिकोण अच्छा होला. हमनी के प्रयोग में, हमनी के आसानी से 10-30 थ्री डी ऑब्जेक्ट के 10fps से ऊपर के फ्रेम रेट पर एगो सिंगल सीपीयू कोर के उपयोग करके संभाल सकिला. हम तेज गति के साथ-साथ सटीकता के संदर्भ में अत्याधुनिक से बेहतर प्रदर्शन करत बानी, जइसन कि 3 अलग-अलग डेटा सेट पर मान्य कइल गइल बा. इ दुनों के उपयोग Monocular रंग छवियन (LINE2D के साथ) आउर RGBD छवियन (LINEEMOD के साथ) के उपयोग करे पर कइल जाला. एकरे अलावा, हम 12 वस्तु सभ के एगो नया चुनौतीपूर्ण डेटासेट प्रस्तावित करत बानी, जे भविष्य में मोनोकुलर रंगीन चित्रन पर प्रतिस्पर्धी तरीका खातिर इस्तेमाल कइल जाई।
41d103f751d47f0c140d21c5baa4981b3d4c9a76	लोग के आपन इंटरनेट ब्लॉग में लिखल निजी कहानी में रोजमर्रा के घटना के बीच कारण-संबंध के बारे में ढेर जानकारी होला। इ पत्र में हम लोग लाखों कहानी के उपयोग करे खातिर कइल आपन प्रयास के वर्णन करे खातिर स्वचालित सामान्य ज्ञान कारण तर्क खातिर. सामान्य ज्ञान के कारण तर्क समस्या के एगो विकल्प विकल्प के रूप में निर्दिष्ट करत, हम चार प्रयोग के वर्णन करब जवन कि विभिन्न सांख्यिकीय आउर सूचना पुनर्प्राप्ति दृष्टिकोण के तुलना कहानी कॉर्पोरा में कारण संबंधी जानकारी के दोहन करे खातिर करेला. इ प्रयोग में सबसे अच्छा प्रदर्शन करे वाली प्रणाली कारण पूर्ववर्ती आउर परिणाम में शब्द के बीच एगो सरल सह-घटना सांख्यिकी के उपयोग करेला, जेकर गणना लाखों व्यक्तिगत कहानी के निकाय में शब्द के बीच बिंदुवार पारस्परिक जानकारी के रूप में कइल जाला.
c9d1bcdb95aa748940b85508fd7277622f74c0a4	कम से कम एक दशक से सूचना प्रणाली (आईएस) अनुशासन में केस रिसर्च क सम्मान मिलल बा. केस स्टडी के प्रासंगिकता आउर संभावित मूल्य के बावजूद, इ पद्धतिगत दृष्टिकोण के कभी सबसे कम व्यवस्थित मानल जात रहे. 1980 के दशक के अंत में, इ सवाल पहिला बार उठावल गइल कि का आईएस केस रिसर्च कड़ाई से कइल गइल रहे. हमार क्षेत्र के शोधकर्ता (जइसे, बेनबास एट अल। 1987; ली 1989) आउर अन्य विधा (जइसे, आइजनहार्ड 1989; यिन 1994) से केस रिसर्च में अधिक कठोरता के आह्वान कइल गइल आउर, आपन सिफारिश के माध्यम से, केस स्टडी पद्धति के प्रगति में योगदान दिहल गइल. एह योगदान के ध्यान में रखत, वर्तमान अध्ययन के उद्देश्य ई निर्धारित कइल बा कि आईएस के क्षेत्र में केस स्टडी पद्धति के परिचालन उपयोग में केतना प्रगति भइल बा. ठीक से कहल जाय त ई पिछला दस बरीस में सकारात्मक आईएस केस रिसर्च में विधिगत कठोरता के स्तर के जांच करेला। एह उद्देश्य के पूरा करे खातिर, हमनी के 183 केस लेख के पहचान कइल गइल आ सात गो प्रमुख आईएस पत्रिका से कोड कइल गइल। वर्तमान समीक्षा में विचार कइल गइल मूल्यांकन विशेषता या मानदंड तीन मुख्य क्षेत्र पर केंद्रित बा, अर्थात्, डिजाइन मुद्दा, डेटा संग्रह आउर डेटा विश्लेषण. जबकि कुछ विशिष्ट गुणन के संबंध में पद्धतिगत कठोरता के स्तर में मामूली प्रगति भइल बा, समग्र रूप से मूल्यांकन कइल गइल कठोरता कुछ हद तक अस्पष्ट बा आउर सुधार के महत्वपूर्ण क्षेत्र अभियो बा. एह में से एगो कुंजी बेहतर प्रलेखन के शामिल करे के बा, खासतौर से डेटा संग्रह आ डेटा प्रोसेसिंग से जुड़ल मुद्दा के बारे में।
025cdba37d191dc73859c51503e91b0dcf466741	फिंगरप्रिंट इमेज एन्हांसमेंट फिंगरप्रिंट रिकॉग्निशन एप्लीकेशन में एगो जरूरी प्रीप्रोसेसिंग स्टेप होला. इ पेपर में हम एगो अइसन तरीका प्रस्तुत करब जवन एक साथ गैबोर वेवलेट फिल्टर बैंक द्वारा फिंगरप्रिंट इमेज में स्थानीय रिज के ओरिएंटेशन आउर फ्रीक्वेंसी के निकाल ले आउर इमेज के गैबोर फिल्टरिंग में उपयोग करेले. एकरे अलावा, हम फिंगरप्रिंट इमेज एन्हांसमेंट खातिर एगो मजबूत तरीका के वर्णन कर रहल बानी, जे गैबोर फिल्टर आउर डायरेक्शनल मेडियन फिल्टर (डीएमएफ) के एकीकरण पर आधारित बा. वास्तव में, गॉसियन-वितरित शोर के गॅबोर फिल्टर द्वारा प्रभावी ढंग से कम कइल जाला आउर आवेग शोर के डीएमएफ द्वारा कम कइल जाला. प्रस्तावित डीएमएफ न केवल आपन मूल कार्य पूरा कर सकेला, ई टूटल फिंगरप्रिंट रिज के भी जोड़ सकेला, फिंगरप्रिंट इमेज के छेद के भर सकेला, अनियमित रिज के चिकना कर सकेला आउर साथ ही रिज के बीच से कुछ कष्टप्रद छोट कलाकृतियन के हटा सकेला. प्रयोगात्मक परिणाम से पता चलल कि हमनी के तरीका साहित्य में बतावल तरीका से बेहतर बा.
3dfce4601c3f413605399267b3314b90dc4b3362	आज के वैश्विक रूप से जुड़ल समाज सूचना के प्रसार आ साझाकरण के बहुत बड़हन मांग करत बा। जबकि पहिले जारी जानकारी ज्यादातर सारणीबद्ध आ सांख्यिकीय रूप में रहे, आज कई गो स्थिति में खास आँकड़ा (माइक्रोडाटा) के जारी करे के जरूरत पड़ रहल बा। अइसन संस्था के गुमनामता के बचावे खातिर (जेके उत्तरदाता कहल जाला) जेकर जानकारी संदर्भित करेला, डेटा धारक अक्सर नाम, पते आउर फोन नंबर जइसन स्पष्ट पहचानकर्ता के हटावे चाहे एन्क्रिप्ट करे लें. हालाँकि, पहचान के हटावे वाला डेटा गुमनामी के कौनो गारंटी नईखे देत. जारी जानकारी में अक्सर दोसर डेटा होला, जइसे कि जाति, जन्म तिथि, लिंग, आउर ज़िप कोड, जेकरा के सार्वजनिक रूप से उपलब्ध जानकारी से जोड़ल जा सकेला ताकि उत्तरदाता के पुनः पहचान कइल जा सके आउर अइसन जानकारी के अनुमान लगावल जा सके जेके खुलासा खातिर इरादा ना रहे. इ पत्र में हम डेटा के संदर्भित करे वाला उत्तरदाता के गुमनामी के सुरक्षित रखत माइक्रोडाटा जारी करे के समस्या के संबोधित करब. ई दृष्टिकोण के परिभाषा के-अनामिकता पर आधारित बा. एगो तालिका के-अनामिकता प्रदान करेला अगर स्पष्ट रूप से पहचान करे वाली जानकारी के ओकर सामग्री से जोड़ के जानकारी के कम से कम के इकाई से मैप करे के प्रयास कइल जाला. हम इ बतावेब कि सामान्यीकरण आउर दमन तकनीक के उपयोग क के जारी कइल गइल जानकारी के अखंडता (या सत्यता) के समझौता कइले बिना के-अनामिकता कइसे प्रदान कइल जा सकेला. हम न्यूनतम सामान्यीकरण के अवधारणा के परिचय देलीं जे रिलीज प्रक्रिया के गुण के कैप्चर करेला ताकि के-अनामीपन प्राप्त करे खातिर डेटा के जरूरत से अधिक विकृत ना कइल जा सके, आउर अइसन सामान्यीकरण के गणना खातिर एगो एल्गोरिथ्म प्रस्तुत कइल जा सके. हम अलग-अलग न्यूनतम के बीच में से चुनल जाए खातिर संभावित प्राथमिकता नीति पर भी चर्चा करब
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	वायरलेस सेंसर नेटवर्क खातिर स्मार्ट कार्ड-आधारित उपयोगकर्ता प्रमाणीकरण योजना (संक्षेप में, एसयूए-डब्ल्यूएसएन योजना) के डिजाइन अइसन प्रयोगकर्ता लोग के सेंसर डेटा तक पहुंच के सीमित करे खातिर बनावल गइल बा जे लोग के पास स्मार्ट कार्ड आ संबंधित पासवर्ड दुनों बा। जबकि हाल के बरस में काफी संख्या में एसयूए-डब्ल्यूएसएन योजना के सुझाव दिहल गइल बा, उनकर इच्छित सुरक्षा गुण के औपचारिक परिभाषा आउर व्यापक रूप से स्वीकृत मॉडल में प्रमाणन के कमी बा. एकर एगो परिणाम ई बा कि विभिन्न हमला के खिलाफ असुरक्षित एसयूए-डब्ल्यूएसएन योजनाएं तेजी से बढ़ल बा. ई लेख में, हम एसयूए-डब्ल्यूएसएन योजना के विश्लेषण खातिर एगो सुरक्षा मॉडल तैयार करब, जे में बेलारे, पॉइंटचेवल आउर रोगावे (2000) के व्यापक रूप से स्वीकृत मॉडल के विस्तार कइल जाई। हमनी के मॉडल साइड-चैनल हमला के साथ-साथ दोसर आम हमला के कैप्चर करत समय प्रमाणीकृत कुंजी आदान-प्रदान अउरी उपयोगकर्ता गुमनामी के औपचारिक परिभासा प्रदान करेला. हम एगो नया एसयूए-डब्ल्यूएसएन योजना के भी प्रस्ताव देले बानी जवन दीर्घवृत्तीय वक्र क्रिप्टोग्राफी (ईसीसी) पर आधारित बा, आउर एकर सुरक्षा गुण के हमनी के विस्तारित मॉडल में साबित करेले. हमनी के जानकारी के अनुसार, हमनी के प्रस्तावित योजना पहिला एसयूए-डब्ल्यूएसएन योजना ह जवन प्रमाणित रूप से प्रमाणित कुंजी आदान-प्रदान आउर उपयोगकर्ता गुमनामी दुनों के प्राप्त करेला. हमार योजना ईसीसी आधारित (गैर-प्रमाणित रूप से सुरक्षित) योजना के संगणकीय रूप से प्रतिस्पर्धी भी हवे.
3973e14770350ed54ba1272aa3e19b4d21f5dad3	ई पेपर बॉस खातिर विकसित बाधा के पता लगावे आउर ट्रैकिंग एल्गोरिदम के वर्णन करेला, जे 2007 के डीएआरपीए अर्बन चैलेंज में कार्नेगी मेलन विश्वविद्यालय के विजेता प्रविष्टि ह. हम ट्रैकिंग उपप्रणाली के वर्णन करब आउर देखब कि इ बड़ धारणा प्रणाली के संदर्भ में कैसे काम करेला. ट्रैकिंग उपप्रणाली रोबोट के शहरी ड्राइविंग के जटिल परिदृश्य के समझे के क्षमता देला ताकि अन्य वाहनन के निकटता में सुरक्षित रूप से काम कइल जा सके। ट्रैकिंग सिस्टम एगो सुसंगत स्थिति मॉडल बनावे खातिर दर्जन से ज्यादा सेंसर से सेंसर डेटा के अतिरिक्त जानकारी के साथ मिलावेला. सेंसर डेटा के गुणवत्ता के आधार पर वस्तु के ट्रैक करे खातिर एगो नया मल्टीपल-मॉडल दृष्टिकोण के उपयोग कइल जाला. अंत में, ट्रैकिंग सबसिस्टम के आर्किटेक्चर स्पष्ट रूप से प्रसंस्करण के प्रत्येक स्तर के अलग करेला. उपप्रणाली के नया सेंसर आउर सत्यापन एल्गोरिदम के जोड़के आसानी से बढ़ाल जा सकेला.
6a694487451957937adddbd682d3851fabd45626	अत्याधुनिक प्रश्न-उत्तर (क्यूए) प्रणाली उत्तर के अंश के पुनः प्राप्त करे खातिर शब्द-घनत्व क्रमबद्धता के उपयोग करेली. अइसन विधि अक्सर गलत मार्ग के पुनः प्राप्त करेली काहे कि प्रश्न शब्द के बीच संबंध पर विचार ना कइल जाला. पिछला अध्ययन में प्रश्न आउर उत्तर के बीच निर्भरता संबंध के मिलान करके इ समस्या के हल करे के प्रयास कइल गइल रहे. उ लोग सख्त मिलान के उपयोग कइलस, जवन तब असफल हो जाला जब अर्थसापेक्ष समतुल्य संबंध के अलग तरह से कहल जाला. हम सांख्यिकीय मॉडल पर आधारित फजी संबंध मिलान के प्रस्ताव देले बानी. हम पिछला क्वालिटी एश्योरेंस जोड़े से सीखल संबंध मैपिंग स्कोर के दू गो तरीका प्रस्तुत करब: एगो आपसी जानकारी पर आधारित आउर दूसरका उम्मीद अधिकतम पर. प्रयोगात्मक परिणाम ई देखावेला कि हमनी के तरीका औसत पारस्परिक श्रेणी में 78% तक ले अत्याधुनिक घनत्व-आधारित मार्ग पुनर्प्राप्ति विधि के बेहतर करेला. रिलेशन मिलान क मतलब इ भी हौवे कि क्वेरी विस्तार द्वारा बढ़ावे वालन प्रणाली में लगभग 50% सुधार होला.
2538e3eb24d26f31482c479d95d2e26c0e79b990	हम एगो एकीकृत तंत्रिका नेटवर्क आर्किटेक्चर आउर सीखना एल्गोरिथ्म के प्रस्ताव देले बानी जवन कि विभिन्न प्राकृतिक भाषा प्रसंस्करण कार्य पर लागू हो सकेला, जेमे शामिल बा: भाषण के हिस्सा टैगिंग, खंडन, नामित इकाई मान्यता, आउर अर्थ संबंधी भूमिका लेबलिंग. इ बहुमुखी प्रतिभा कार्य-विशिष्ट इंजीनियरिंग से बचे के प्रयास द्वारा प्राप्त करल जाला आउर येही से बहुत सारा पूर्व ज्ञान के अनदेखा करल जाला. मनुष्य द्वारा बनावल इनपुट सुविधा के फायदा उठावे के बजाय जवन कि हर काम खातिर सावधानी से अनुकूलित बा, हमनी के सिस्टम प्रशिक्षण डेटा के विशाल मात्रा के आधार पर आंतरिक प्रतिनिधित्व सीखलस. तब ई काम के उपयोग बढ़िया परफॉर्मेंस आ कम से कम कंप्यूटेशनल आवश्यकता वाला फ्री में उपलब्ध टैगिंग सिस्टम बनावे खातिर आधार के रूप में कइल जाला।
317deb87586baa4ee7c7b5dfc603ebed94d1da07	हम प्राकृतिक भाषा पार्सिंग खातिर एगो नया तेज विशुद्ध रूप से विभेदक एल्गोरिथ्म प्रस्तावित कइले बानी, जे एगो गहरी आवर्ती संक्षारक ग्राफ ट्रांसफार्मर नेटवर्क (जीटीएन) पर आधारित बा. एगो पार्स पेड़ के "स्तर" के ढेर में विघटन के मानके, नेटवर्क पिछला स्तर के भविष्यवाणी के ध्यान में रखके पेड़ के एगो स्तर के भविष्यवाणी करेला. कोलोबर्ट आउर वेस्टन (2008) से शब्द निरूपण के लाभ उठावे वाला कुछ बुनियादी पाठ सुविधा के उपयोग करके, हम एगो विशाल गति लाभ के साथे मौजूदा शुद्ध भेदभावपूर्ण पार्सर आउर मौजूदा "बेंचमार्क" पार्सर (जैसे कोलिन्स पार्सर, संभाव्य संदर्भ-मुक्त व्याकरण आधारित) के समान प्रदर्शन (एफ 1 स्कोर में) देखावल जा सकेला.
04cc04457e09e17897f9256c86b45b92d70a401f	बहुत सारा डेटा जइसे कि सामाजिक नेटवर्क, फिल्म प्राथमिकता या ज्ञान आधार बहु-संबंधी होला, काहे कि ऊ इकाई के बीच कई संबंध के वर्णन करेला. जबकि इ सब डेटा के मॉडलिंग पर ध्यान केंद्रित करे वाला काम के एगो बड़ निकाय बा, इ सब कई प्रकार के संबंध के संयुक्त रूप से मॉडलिंग चुनौतीपूर्ण बनल रहेला. एकरे अलावा, जब ई प्रकार के संख्या बढ़ेला, तब मौजूदा दृष्टिकोण टूट जाला. इ पत्र में, हम संभवतः हजारों संबंधन के साथे, बड़ बहु-संबंधी डेटासेट के मॉडलिंग करे खातिर एगो विधि प्रस्तावित कइले बानी. हमनी के मॉडल एगो द्विध्रुवीय संरचना पर आधारित बा, जवन डेटा के परस्पर क्रिया के विभिन्न क्रम के पकड़ लेला, आउर अलग-अलग संबंध में बिसाल छिपे कारक के भी साझा करेला. हम मानक टेंसर-फैक्टरिज़ेशन डेटासेट पर आपन दृष्टिकोण के प्रदर्शन के चित्रित करब जहवाँ हम प्राप्त, या बेहतर प्रदर्शन, अत्याधुनिक परिणाम प्राप्त करब. अंत में, एनएलपी के एगो अनुप्रयोग हमनी के स्केलेबिलिटी आ हमनी के मॉडल के दक्षता आ अर्थ के हिसाब से सार्थक क्रिया के प्रतिनिधित्व के सीखे के क्षमता के प्रदर्शित करेला.
052b1d8ce63b07fec3de9dbb583772d860b7c769	हम न्यूरॉन-जैसे इकाई के नेटवर्क खातिर एगो नया सिखे के प्रक्रिया, बैक-प्रोपेगशन, के वर्णन करत बानी. ई प्रक्रिया नेटवर्क में कनेक्शन के भार के बार-बार समायोजित करेला ताकि नेट के वास्तविक आउटपुट वेक्टर आउर वांछित आउटपुट वेक्टर के बीच के अंतर के माप के कम कइल जा सके. भार समायोजन के परिणाम के रूप में, आंतरिक "छिपल" इकाइ जवन कि इनपुट या आउटपुट के हिस्सा ना हवें, टास्क डोमेन के महत्वपूर्ण विशेषता के प्रतिनिधित्व करे लें, आउर टास्क में नियमितता के इ इकाइ के अंतःक्रिया द्वारा कैप्चर कइल जाला. उपयोगी नया सुविधा बनावे के क्षमता बैक-प्रोपेगरेशन के पहिले के, सरल विधि जइसे कि पर्सेप्ट्रॉन-कन्वर्जेंस प्रक्रिया से अलग करेला1.
07f3f736d90125cb2b04e7408782af411c67dd5a	कई प्राकृतिक भाषा कार्यन खातिर अर्थ संबंधी मिलान के केंद्रीय महत्व बाटे [2, 28]. एगो सफल मिलान एल्गोरिथ्म के भाषा वस्तु के आंतरिक संरचना आउर उनहन के बीच बातचीत के पर्याप्त रूप से मॉडल करे के जरूरत होला. एह लक्ष्य की ओर एगो कदम के रूप में, हम दू गो वाक्य के मिलान करे खातिर संवितरण तंत्रिका नेटवर्क मॉडल के प्रस्ताव रखत बानी, दृष्टि आ भाषण में संवितरण रणनीति के अनुकूलित करके। प्रस्तावित मॉडल न केवल वाक्य के पदानुक्रमित संरचना के उनके परत-दर-स्तर के रचना आउर पूलिंग के साथ अच्छा तरह से दर्शावलन, बल्कि विभिन्न स्तर पर समृद्ध मिलान पैटर्न के भी कैप्चर करेलन. हमनी के मॉडल सामान्य बा, भाषा के बारे में पहिले से ज्ञान के जरूरत नइखे, अउर एहीसे अलग-अलग प्रकृति के काम आ अलग-अलग भाषा में मिलान करे पर लागू कइल जा सकेला. विभिन्न प्रकार के मिलान कार्य पर अनुभवजन्य अध्ययन विभिन्न प्रकार के मिलान कार्य पर प्रस्तावित मॉडल के प्रभावकारिता आउर प्रतिस्पर्धी मॉडल के तुलना में एकर श्रेष्ठता के प्रदर्शित करेला.
0af737eae02032e66e035dfed7f853ccb095d6f5	वाक्य के जोड़ी के कैसे मॉडल कइल जाए ई कई एनएलपी कार्य में एगो महत्वपूर्ण मुद्दा ह जइसे कि उत्तर चयन (एएस), परिभासा पहचान (पीआई) आउर पाठ्य समावेशीकरण (टीई). अधिकांश पूर्व कार्य (i) एगो विशिष्ट प्रणाली के ठीक से ट्यूनिंग करके एगो व्यक्तिगत कार्य से संबंधित होला; (ii) प्रत्येक वाक्य के प्रतिनिधित्व के अलग से मॉडल करेला, दूसर वाक्य के प्रभाव के शायद ही कभी विचार करेला; या (iii) पूरी तरह से मैन्युअल रूप से डिजाइन कइल गइल, कार्य-विशिष्ट भाषाई विशेषता पर निर्भर करेला. इ काम वाक्य के जोड़ी के मॉडलिंग खातिर सामान्य ध्यान आधारित संवितरण तंत्रिका नेटवर्क (एबीसीएनएन) प्रस्तुत करेला. हम तीन जने के एह काम खातिर भुगतान करब. (i) एबीसीएनएन के कई तरह के काम पर लागू कइल जा सकेला जेकरा खातिर वाक्य जोड़े के मॉडलिंग के जरूरत होला. (ii) हम तीन गो ध्यान योजना के प्रस्ताव देले बानी जे वाक्य के बीच आपसी प्रभाव के सीएनएन में एकीकृत करेले; एह तरह से, हर वाक्य के प्रतिनिधित्व एकर समकक्ष के ध्यान में रखले बा. ई परस्पर निर्भर वाक्य जोड़ी निरूपण अलग-थलग वाक्य निरूपण से अधिक शक्तिशाली बाटे. (iii) एबीसीएनएन एएस, पीआई आउर टीई कार्य पर अत्याधुनिक प्रदर्शन प्राप्त करेलन. हमनी के कोड के https://github.com/yinwenpeng/Answer_Selection पर जारी कइल गइल बा.
1c059493904b2244d2280b8b4c0c7d3ca115be73	नेटवर्क में नोड्स आउर एज पर भविष्यवाणी कार्य के लिए सीखने एल्गोरिदम द्वारा उपयोग कइल जाए वाला इंजीनियरिंग सुविधा में सावधानीपूर्वक प्रयास के आवश्यकता होला. प्रतिनिधित्व सीखल के व्यापक क्षेत्र में हाल के शोध से खुद के विसेसता के सीख के भविष्यवाणी के स्वचालित करे में महत्वपूर्ण प्रगति भइल बा. हालाँकि, वर्तमान में फीचर लर्निंग के तरीका नेटवर्क में देखल गइल कनेक्टिविटी पैटर्न के विविधता के समझे खातिर पर्याप्त रूप से अभिव्यंजक नइखे. इहाँ हमनी के node2vec, नेटवर्क में नोड खातिर निरंतर विशेषता निरूपण के सीखे खातिर एगो एल्गोरिथम ढांचा के प्रस्ताव दिहल गइल बा. नोड2वेक में, हम नोड के मैपिंग के एगो कम-आयामी स्पेस में सीखल जालीं जे नोड के नेटवर्क पड़ोस के बचावे के संभावना के अधिकतम करेला. हम एगो नोड के नेटवर्क पड़ोस के एगो लचीला धारणा के परिभाषित कर तानी आउर एगो पक्षपातपूर्ण यादृच्छिक पैदल प्रक्रिया के डिजाइन कर तानी, जवन कि कुशलता से विविध पड़ोस के खोज करेला. हमार एल्गोरिथ्म पहिले के काम के सामान्यीकृत करेला जवन नेटवर्क पड़ोस के कठोर धारणा पर आधारित बा, आउर हमनी के तर्क बा कि पड़ोस के खोज में अतिरिक्त लचीलापन समृद्ध प्रतिनिधित्व के सीखे के कुंजी बा. हम कई अलग-अलग क्षेत्रन के वास्तविक दुनिया के नेटवर्क में बहु-लेबल वर्गीकरण आउर लिंक भविष्यवाणी पर मौजूदा अत्याधुनिक तकनीक पर नोड 2 वीक के प्रभावकारिता के प्रदर्शन कर रहल बानी. एक साथ ले के, हमार काम जटिल नेटवर्क में अत्याधुनिक टास्क-स्वतंत्र निरूपण के कुशलता से सीखे के एगो नया तरीका के प्रतिनिधित्व करेला.
de93c4f886bdf55bfc1bcaefad648d5996ed3302	ई अध्याय आधुनिक घुसपैठ के पता लगावे के स्थिति के जांच करेला, डेटा माइनिंग के उभरल दृष्टिकोण पर विशेष जोर देवेला. चर्चा में घुसपैठ के पता लगावे के दू गो महत्वपूर्ण पहलू पर विचार कइल गइल: सामान्य पता लगावे के रणनीति (दुरुपयोग के पता लगावे के बनाम विसंगति के पता लगावे के) आउर डेटा स्रोत (व्यक्तिगत मेजबान बनाम नेटवर्क ट्रैफिक) । गलत उपयोग के पता लगावे के प्रयास घुसपैठ के ज्ञात पैटर्न से मेल खाला , जबकि विसंगति के पता लगावे के काम सामान्य व्यवहार से विचलन के खोज करेला . दुनों तरीका में, खाली विसंगति के पता लगावे में अज्ञात हमला के पता लगावे के क्षमता होला. विसंगति के पता लगावे के एगो विसेस रूप से आशाजनक दृष्टिकोण एसोसिएशन खनन के अन्य प्रकार के मशीन लर्निंग जइसे वर्गीकरण के साथ जोड़ले बा. एकरे अलावा, डेटा स्रोत जे कि घुसपैठ के पता लगावे वाला सिस्टम के इस्तेमाल करे ला, एह हमला के प्रकार पर महत्वपूर्ण प्रभाव डाले ला। उपलब्ध विस्तृत जानकारी के स्तर में एगो समझौता बा verD. बारबरा अउर अन्य. (संपादक लोगन के बीच) ), कंप्यूटर सुरक्षा में डेटा माइनिंग के अनुप्रयोग © क्ल्यूवर एकेडमिक पब्लिशर्स 2002
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	हमनी के एगो स्किप-ग्राम भासाई निरूपण वेक्टर के एगो दृश्य अवधारणा निरूपण वेक्टर के साथ जोड़के बहु-आयामी अवधारणा निरूपण के निर्माण करेनी जा जे एगो गहिरा संवहन तंत्रिका नेटवर्क (सीएनएन) के विशेषता निष्कर्षण परत के उपयोग करके गणना कइल गइल बा जे एगो बड़ लेबल वाला ऑब्जेक्ट मान्यता डेटासेट पर प्रशिक्षित बा. इ स्थानांतरण सीखना दृष्टिकोण पारंपरिक बैग-ऑफ-विजुअल-वर्ड दृष्टिकोण के आधार पर सुविधा के तुलना में स्पष्ट प्रदर्शन लाभ लावेला. प्रयोगात्मक परिणाम WordSim353 आउर MEN सिमेंटिक संबंध मूल्यांकन कार्य पर रिपोर्ट कइल गइल बा. हम इमेजनेट या ईएसपी गेम इमेज के उपयोग करके गणना कइल गइल दृश्य सुविधा के उपयोग करत बानी.
a65e815895bed510c0549957ce6baa129c909813	हम गैर-संयोजक रूप-विज्ञान के सीखे खातिर एगो असिच्छित दृष्टिकोण के प्रस्ताव देले बानी, जेकरा के हम अरबी जड़ आउर पैटर्न टेम्पलेट के एगो शब्दकोश के प्रेरित करे खातिर लागू करब. ई दृष्टिकोण इ विचार पर आधारित बा कि परिकल्पना के पैटर्न आउर रूट आवृत्ति के आधार पर पारस्परिक रूप से पुनरावर्ती स्कोरिंग के माध्यम से जड़ आउर पैटर्न के प्रकट कइल जा सकेला. एगो आगे के पुनरावर्ती परिष्कृत चरण के बाद, प्रेरित शब्दकोश के साथ रूपात्मक विश्लेषण 94% से अधिक के जड़ पहचान सटीकता प्राप्त करेला. हमार तरीका अरबी रूप-विज्ञान के बिना देखरेख के सीखे पर पहिले के काम से अलग बा काहे कि ई स्वाभाविक रूप से लिखल, बिना स्वर वाला पाठ पर लागू होला.
3f4e71d715fce70c89e4503d747aad11fcac8a43	ई केस स्टडी ऑटो इंक के भीतर तीन अलग-अलग डिजिटल नवाचार परियोजना के जांच करेला - एगो बड़ यूरोपीय ऑटोमेकर प्रतिस्पर्धी मूल्य ढांचा के सैद्धांतिक लेंस के रूप में उपयोग करके हम इ पता लगाइब कि कैसे गतिशील क्षमता एगो फर्म में उत्पन्न होला जवन कि डिजिटलीकरण से उत्पन्न आउर अभिनव में बढ़त मांग के पूरा करे के कोशिश करेला. एह डिजिटलीकरण प्रक्रिया में, हमनी के अध्ययन से पता चलल कि स्थापित सामाजिक-तकनीकी समरूपता के चुनौती दिहल जा रहल बा. एकरे अलावा, हमनी के ई बात के भी धियान देवे के चाही कि डिजिटल युग में संगठन के नया प्रयोगात्मक सीख के तरीका खोजे के चाही। जबकि अइसन बदलाव खातिर दीर्घकालिक प्रतिबद्धता आ दूरदृष्टि के जरूरत बा, एह अध्ययन में अइसन प्रयोगात्मक प्रक्रिया खातिर तीन गो अनौपचारिक सक्षमकर्ता के प्रस्तुत कइल गइल बा जे समय, दृढ़ता आ संपर्क बा।
c22366074e3b243f2caaeb2f78a2c8d56072905e	एगो कॉम्पैक्ट अनुप्रस्थ आयाम के साथ अनुदैर्ध्य-स्लॉटेड रिज वेवगाइड एंटीना सरणी प्रस्तुत कइल गइल बा. सरणी के बैंडविड्थ के बिस्तार करे खातिर, एकरा के दू गो उप-सरणियन में बाँटल जाला जेवन एगो नया कॉम्पैक्ट उत्तल वेवगाइड डिवाइडर द्वारा खिलावल जालें। डिजाइन के वैधता के सत्यापित करे खातिर एक्स-बैंड में 16 तत्व के एक समान रैखिक सरणी के निर्माण आउर मापल गइल रहे. S11les-15 dB के मापल गइल बैंडविड्थ 14.9% बा आउर मापल गइल क्रॉस- ध्रुवीकरण स्तर पूरा बैंडविड्थ पर -36 dB से कम बा. ई सरणी के किनारा-स्लॉट वेवगाइड सरणी के साथ मिला के सिंथेटिक एपर्चर रडार (एसएआर) अनुप्रयोग खातिर द्वि-आयामी दोहरी-ध्रुवीकरण एंटीना सरणी बनावल जा सकेला
0d57ba12a6d958e178d83be4c84513f7e42b24e5	गहरी सीखल बड़हन तंत्रिका नेटवर्क आउर बड़ डेटासेट के साथे पनपले. हालांकि, बड़ नेटवर्क आउर बड़ डेटासेट के परिणामस्वरूप लंबा प्रशिक्षण समय होला जवन अनुसंधान आउर विकास प्रगति में बाधा डालेला. वितरित समकालिक एसजीडी समानांतर श्रमिकन के एगो समूह पर एसजीडी मिनीबैच के विभाजित करके इ समस्या के एगो संभावित समाधान प्रदान करेला. फिर भी इ योजना के कारगर बनावे खातिर प्रति श्रमिक के काम के बोझ बड़ होखे के चाही, जेकर मतलब बा कि एसजीडी मिनीबैच के आकार में महत्वपूर्ण वृद्धि. इ पेपर में, हम अनुभवजन्य रूप से देखावल जा रहल बानी कि इमेजनेट डेटासेट पर बड़हन मिनीबैच अनुकूलन कठिनाई पैदा करेला, लेकिन जब एकरा के संबोधित कइल जाला त प्रशिक्षित नेटवर्क अच्छा सामान्यीकरण प्रदर्शित करेला. विशेष रूप से, हमनी के 8192 छवियन तक के बड़ मिनी बैच आकार के साथ प्रशिक्षण देवे पर सटीकता के कौनो नुकसान ना देखावेला. ई परिणाम प्राप्त करे खातिर, हम सीख के दर के समायोजित करे खातिर एगो रैखिक स्केलिंग नियम के मिनीबैच आकार के फलन के रूप में अपनावेनी आउर एगो नया वार्मअप योजना विकसित करेनी जवन प्रशिक्षण में जल्दी अनुकूलन चुनौती के दूर करेला. इ सरल तकनीक के साथ, हमनी के कैफे 2 आधारित सिस्टम एगो घंटा में 256 जीपीयू पर 8192 के मिनी बैच आकार के साथ रेसनेट 50 के प्रशिक्षित करेला, जबकि छोट मिनी बैच सटीकता के मिलान करेला. कमोडिटी हार्डवेयर के उपयोग कइके, हमार कार्यान्वयन 8 से 256 जीपीयू में बढ़ला पर ∼90% स्केलिंग दक्षता प्राप्त करेला. इ प्रणाली हमनी के उच्च दक्षता के साथ इंटरनेट पैमाना पर डेटा पर दृश्य मान्यता मॉडल के प्रशिक्षित करे में सक्षम बनावेला.
2bbe9735b81e0978125dad005656503fca567902	कर्नेल रूटकिट कंप्यूटर सिस्टम खातिर एगो बड़हन खतरा बा. उ चुपके से काम करेले आउर सिस्टम संसाधन तक बिना कउनो रोक-टोक के पहुँच रख सकेले. इ पेपर न्यूमचेकर के प्रस्तुत करेला, एगो नया वर्चुअल मशीन (वीएम) मॉनिटर आधारित फ्रेमवर्क जे एगो अतिथि वीएम में कंट्रोल-फ्लो संशोधित करे वाला कर्नेल रूटकिट के पता लगावे आउर ओकर पहचान करे खातिर बा. न्यूमचेकर सिस्टम कॉल के निष्पादन के दौरान होखे वाला कुछ हार्डवेयर घटना के संख्या के मापे के द्वारा अतिथि वीएम में सिस्टम कॉल में दुर्भावनापूर्ण संशोधन के पता लगावेला आउर ओकर पहचान करेला. स्वचालित रूप से इ सब घटना के गिनती करे खातिर, NumChecker हार्डवेयर परफॉर्मेंस काउंटर (HPCs) के उपयोग करेला, जे आधुनिक प्रोसेसर में मौजूद बा. एचपीसी के उपयोग कके, जांच लागत में काफी कमी आवेला औरु हेरफेर-प्रतिरोध बढ़ावेला. हम लिनक्स पर न्युमचेकर के एगो प्रोटोटाइप लागू करेनी जे कर्नेल-आधारित वीएम के साथ बा. एचपीसी आधारित दु-चरण के कर्नेल रूटकिट डिटेक्शन आउर पहचान तकनीक के कई वास्तविक दुनिया के कर्नेल रूटकिट पर प्रस्तुत आउर मूल्यांकन कइल गइल बा. परिणाम एकर व्यावहारिकता आउर प्रभावकारिता के दर्शावेला.
a3d638ab304d3ef3862d37987c3a258a24339e05	साइकिलगैन [झू एट अल, 2017] दुगो छवि वितरण के बीच एगो परिवर्तन के सीखे खातिर एगो हालिया सफल दृष्टिकोण बाटे. प्रयोग के एगो श्रृंखला में, हमनी के मॉडल के एगो पेचीदा गुण के प्रदर्शन करेनी: साइकिलगैन एगो स्रोत छवि के बारे में जानकारी के ऊ छवियन में "छिपावे" सीखले बा जवन ऊ लगभग अगोचर, उच्च आवृत्ति संकेत में उत्पन्न करेला. इ चाल इ सुनिश्चित करेला कि जनरेटर मूल नमूना के पुनर्प्राप्त कर सकेला आउर इ प्रकार चक्रीय स्थिरता आवश्यकता के पूरा कर सकेला, जबकि उत्पन्न छवि यथार्थवादी बनल रहेला. हम लोग ई घटना के विरोधी हमला से जोड़त बानीं आ साइकिलगैन के प्रशिक्षण प्रक्रिया के विरोधी उदाहरण के जनरेटर के प्रशिक्षण के रूप में देख के ई देखावत बानीं कि चक्रगत स्थिरता के कमी के चलते साइकिलगैन विरोधी हमला के खास तौर पर कमजोर हो जाला।
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	ए अंक में छपल लेख कुल के चयन एंथनी जी. हॉपवुड, जे लंदन के ग्रेजुएट स्कूल ऑफ बिजनेस स्टडीज में एकाउंटिंग आ फाइनेंशियल रिपोर्टिंग के प्रोफेसर बाड़ें। प्रोफेसर होपवुड लिखले बाड़न कि एह लेख में सूचना प्रणाली में रुचि रखे वाला सभे लोग खातिर महत्वपूर्ण विचार बा, चाहे ऊ व्यवसायी होखें चाहे शिक्षाविद. लेखक, ओह समय के आपन पेशेवर संबद्धता के साथ, क्रिस आर्गिरिस, ग्रेजुएट स्कूल ऑफ एजुकेशन, हार्वर्ड विश्वविद्यालय; बो हेडबर्ग आउर स्टेन जॉनसन, बिजनेस एडमिनिस्ट्रेशन विभाग, गोथेनबर्ग विश्वविद्यालय; जे। फ़्रिसको डेन हर्टोग, एन. वी. फिलिप्स ग्लोइलैम्पफैब्रीकेन, नीदरलैंड्स, आउर माइकल जे. अर्ल, ऑक्सफोर्ड सेंटर फॉर मैनेजमेंट स्टडीज. ई लेख मूल रूप से एकाउंटिंग, ऑर्गेनाइजेशन एंड सोसाइटी में छपल, जेवना के संपादक प्रोफेसर होपवुड हवें। एओएस के अस्तित्व उभरल विकास के निगरानी करे आउर नया दृष्टिकोण आउर दृष्टिकोण के सक्रिय रूप से प्रोत्साहित करे खातिर बा .
02227c94dd41fe0b439e050d377b0beb5d427cda	प्राकृतिक छवियन से पाठ के पता लगावल आ पढ़ल एगो कठिन कंप्यूटर विजन कार्य ह जवन कि कई प्रकार के उभरते अनुप्रयोगन खातिर केंद्रीय बाटे. दस्तावेज़ वर्ण पहचान जइसन संबंधित समस्या के कंप्यूटर विजन आउर मशीन लर्निंग शोधकर्ता द्वारा व्यापक रूप से अध्ययन कइल गइल बा आउर हाथ से लिखल अंक के पढ़े जइसन व्यावहारिक अनुप्रयोग खातिर वस्तुतः हल कइल गइल बा. हालाँकि, फ़ोटोग्राफ़ के तरह जादे जटिल दृश्य में पात्र के भरोसेमंद रूप से पहचानल बहुत कठिन बा: सर्वोत्तम मौजूदा तरीका समान कार्य पर मानव प्रदर्शन से बहुत पीछे बा. इ पेपर में हम अनसुनीकृत सुविधा सीखने के तरीका के उपयोग करके एगो वास्तविक अनुप्रयोग में अंक के पहचान के समस्या पर हमला कर रहल बानी: सड़क स्तर के फोटो से घर के नंबर पढ़ल. एही खातिर, हमनी के एगो नया बेंचमार्क डेटासेट प्रस्तुत करत बानी जा जेवना में स्ट्रीट व्यू के छवियन से 600,000 लेबल वाला अंक के इस्तेमाल कइल जा सकेला। फेर हम इ समस्या के हाथ से डिजाइन कइल गइल बिसेसता के साथ संपर्क कइल जाय त इ अंकन के पहचान के कठिनाई के प्रदर्शित करब. अंत में, हमनी के हाल में प्रस्तावित बिना देखरेख के दू गो विशेषता सीखल विधि के प्रयोग कइनी जा आ ई पावल गइल कि ई हमनी के बेंचमार्क पर बहुत बेहतर बाड़ी सऽ।
081651b38ff7533550a3adfc1c00da333a8fe86c	प्राकृतिक छवियन पर प्रशिक्षित कईगो गहिरा तंत्रिका नेटवर्क एगो सामान्य घटना प्रदर्शित करेला: पहिला परत पर ऊ लोग गाबोर फिल्टर आउर रंग के धब्बा के समान सुविधा सीखेलन. अइसन पहिला परत के विशेषता कउनो खास डेटासेट या कार्य खातिर खास ना होला, बल्कि इ बात में सामान्य होला कि ई कई डेटासेट आउर कार्य खातिर लागू होला. नेटवर्क के अंतिम परत द्वारा अंततः विशेषता के सामान्य से विशिष्ट में संक्रमण होवे के चाही, लेकिन इ संक्रमण के व्यापक रूप से अध्ययन ना कइल गइल बा. इ पत्र में हम प्रयोगात्मक रूप से गहिरा संवहन तंत्रिका नेटवर्क के प्रत्येक परत में न्यूरॉन्स के विशिष्टता के खिलाफ सामान्यता के मात्रा निर्धारित कइलस आउर कुछ आश्चर्यजनक परिणाम के रिपोर्ट कइलस. हस्तांतरणीयता दू अलग-अलग मुद्दा से नकारात्मक रूप से प्रभावित होला: (1) लक्ष्य कार्य पर प्रदर्शन के कीमत पर उच्च परत न्यूरॉन्स के आपन मूल कार्य में विशेषज्ञता, जेकर उम्मीद रहे, आउर (2) सह-अनुकूलित न्यूरॉन्स के बीच नेटवर्क के विभाजित करे से संबंधित अनुकूलन कठिनाइ, जेकर उम्मीद ना रहे. इमेजनेट पर प्रशिक्षित एगो उदाहरण नेटवर्क में, हम देखावल जा सकेला कि इ दुन्नो में से कौनो भी समस्या हावी हो सकेला, इ इ बात पर निर्भर करेला कि नेटवर्क के निचला, मध्य, या ऊपर से सुविधा स्थानांतरित कइल जा रहल बा. हम इ भी लिखत बानी कि आधार कार्य आउर लक्ष्य कार्य के बीच के दूरी के रूप में सुविधा के हस्तांतरणीयता घट जाला, लेकिन दूर के कार्य से भी सुविधा के हस्तांतरण यादृच्छिक सुविधा के उपयोग करे से बेहतर हो सकेला. एगो अंतिम आश्चर्यजनक परिणाम ई बा कि लगभग कौनो भी संख्या में परत से स्थानांतरित सुविधा के साथ एगो नेटवर्क के आरंभ करे से सामान्यीकरण के बढ़ावा मिल सकेला जे लक्ष्य डेटासेट के ठीक-ठीक करे के बाद भी टिकेला.
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	उच्च-प्रवाह अनुक्रमण सैद्धांतिक रूप से उच्च-गुणवत्ता वाला डी नोवो असेंबल जीनोम अनुक्रम प्राप्त करे के संभव बनइले रहे लेकिन व्यवहार में डीएनए अर्क अक्सर दुसर जीव के अनुक्रम से दूषित होले. वर्तमान में, यूकेरियोटिक असेंबली के सख्ती से दूषित करे खातिर कुछ मौजूदा तरीका बा. जवन अस्तित्व में बा उ न्यूक्लियोटाइड समानता के आधार पर अनुक्रम के फ़िल्टर करेला आउर लक्षित जीव से अनुक्रम के समाप्त करे के जोखिम करेला. हम एगो स्थापित मशीन लर्निंग पद्धति के एगो नया अनुप्रयोग प्रस्तुत करत बानी, एगो निर्णय वृक्ष, जे अनुक्रम के कठोर रूप से वर्गीकृत कर सकेला. निर्णय वृक्ष के मुख्य ताकत ई ह कि इ कौनो भी मापल गइल विशेषता के इनपुट के रूप में ले सकेला आउर महत्वपूर्ण विवरण के पहिले से पहचान के आवश्यकता ना होला. हम निर्णय वृक्ष क उपयोग नव-संयोजित अनुक्रमों क वर्गीकृत करे आउर प्रकाशित प्रोटोकॉल क खातिर विधि क तुलना करे क खातिर करेले. यूकेरियोटिक डी नोवो असेंबली में अनुक्रम के वर्गीकृत करे में एगो निर्णय वृक्ष मौजूदा विधि के तुलना में बेहतर प्रदर्शन करेला. इ कुशल बा, आसानी से लागू होला, आउर सटीक रूप से लक्ष्य आउर दूषित अनुक्रम के पहचान करेला. महत्वपूर्ण रूप से, मापल गइल वर्णकन के अनुसार अनुक्रम के वर्गीकृत करे खातिर एगो निर्णय पेड़ के उपयोग कइल जा सकेला आउर जैविक डेटासेट के आसवन में संभावित रूप से कई उपयोग हो सकेला.
26433d86b9c215b5a6871c70197ff4081d63054a	बहुआयामी बायोमेट्रिक्स हाल में बायोमेट्रिक मान्यता प्रणाली में एकर उच्च प्रदर्शन खातिर पर्याप्त रुचि के आकर्षित कइलस ह. इ पत्र में हम चेहरा आउर हथेली के छाप के छवियन खातिर बहुआयामी बायोमेट्रिक्स के परिचय देले बानी जवन सुविधा स्तर पर संलयन तकनीक के उपयोग करेला. भेदभाव वाला विशेषता के निकाले खातिर गॅबोर आधारित छवि प्रसंस्करण के उपयोग कइल जाला, जबकि मुख्य घटक विश्लेषण (पीसीए) आउर रैखिक भेदभाव वाला विश्लेषण (एलडीए) के उपयोग प्रत्येक रूप के आयाम के कम करे खातिर कइल जाला. एलडीए के आउटपुट विशेषता के क्रमबद्ध रूप से जोड़ल जाला आउर यूक्लिडियन दूरी वर्गीकरणकर्ता द्वारा वर्गीकृत कइल जाला. ओआरएल चेहरा आउर पॉली-यू हथेली के छाप डेटाबेस पर आधारित प्रयोगात्मक परिणाम से ई साबित भइल कि इ संलयन तकनीक एकल-मोडल बायोमेट्रिक्स के तुलना में बायोमेट्रिक मान्यता दर के बढ़ावे में सक्षम हवे.
1c01e44df70d6fde616de1ef90e485b23a3ea549	हम मार्कोव यादृच्छिक क्षेत्र (MRF) के लॉग विभाजन फलन पर ऊपरी सीमा के एगो नया वर्ग के परिचय देले बानी. इ मात्रा विभिन्न संदर्भ में एगो महत्वपूर्ण भूमिका निभावेला, जेमे सीमांत वितरण, पैरामीटर अनुमान, संयोजक गणना, सांख्यिकीय निर्णय सिद्धांत आउर बड़ विचलन सीमा के अनुमान लगावल शामिल बा. हमार व्युत्पत्ति उत्तल द्वित्व आउर सूचना ज्यामिति के अवधारणा पर आधारित बा: विशेष रूप से, इ घातीय डोमेन में वितरण के मिश्रण आउर घातीय आउर माध्य मापदंड के बीच लेजेंड्रे मैपिंग के शोषण करेला. पेड़-संरचित वितरण के उत्तल संयोजन के विशेष मामला में, हम भिन्नता समस्या के एगो परिवार प्राप्त कर तानी, जे बेथ भिन्नता समस्या के समान बा, लेकिन निम्नलिखित वांछनीय गुण द्वारा प्रतिष्ठित बा: i) उ उत्तल बा, आउर एगो अद्वितीय वैश्विक इष्टतम बा; आउर ii) इष्टतम लॉग विभाजन फलन पर एगो ऊपरी सीमा देला. इ इष्टतम स्थिर स्थिति द्वारा परिभाषित कइल जाला जे कि योग-उत्पाद एल्गोरिथ्म के निश्चित बिंदु के परिभाषित करे वाला के समान होला, या जादा सामान्य रूप से, बेथ भिन्नता समस्या के कौनो स्थानीय इष्टतम. योग-उत्पाद निश्चित बिंदु के रूप में, अनुकूलन तर्क के तत्व के मूल मॉडल के सीमांत के अनुमान के रूप में उपयोग कइल जा सकेला. विश्लेषण हाइपरट्री-संरचित वितरण के उत्तल संयोजन तक स्वाभाविक रूप से फैलल बा, इ प्रकार किकुची अनुमान आउर भिन्नता के साथे संबंध स्थापित करेला.
39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd	इ पेपर में हम वीडियो या 3 डी इमेजरी जइसे कि एमआरआई डेटा खातिर 3 आयामी (3 डी) एसआईएफटी डिस्क्रिप्टर के परिचय देत बानी. हम इ भी देखब कि इ नया वर्णक क्रिया मान्यता के अनुप्रयोग में वीडियो डेटा के 3 डी प्रकृति के बेहतर ढंग से प्रदर्शित करे में कइसे सक्षम बा. इ पेपर इ देखाई कि कैसे 3 डी SIFT पहिले से इस्तेमाल कईल गईल विवरण विधियन के सुरुचिपूर्ण और कुशल तरीका से बेहतर करे में सक्षम बा. हमनी के विडियो के प्रतिनिधित्व करे खातिर सब्दन के एगो बैग के उपयोग करेनी जा, आ विडियो डेटा के बेहतर तरीका से बतावे खातिर स्थानिक-समयिक सब्दन के बीच संबंध खोजे खातिर एगो तरीका प्रस्तुत करेनी जा।
0a10d64beb0931efdc24a28edaa91d539194b2e2	हम बहुत बड़ डेटा सेट से शब्द के निरंतर वेक्टर निरूपण के गणना खातिर दू गो उपन्यास मॉडल आर्किटेक्चर के प्रस्ताव देले बानी. इ निरूपण के गुणवत्ता के शब्द समानता कार्य में मापल जाला, आउर परिणाम के तुलना अलग-अलग प्रकार के तंत्रिका नेटवर्क के आधार पर पहिले से सबसे अच्छा प्रदर्शन करे वाली तकनीक से कइल जाला. हम बहुत कम गणना लागत पर सटीकता में बड़ सुधार देखऽ ही, अर्थात ई बाति सोरहवाँ बा कि 1.6 अरब शब्द के डेटा सेट से उच्च गुणवत्ता वाला शब्द वेक्टर सीखल एक दिन से भी कम समय लेला। एकरे अलावा, हम देखब कि इ सब वेक्टर वाक्य रचना आ शब्द अर्थ के समानता के मापे खातिर हमनी के परीक्षण सेट पर अत्याधुनिक प्रदर्शन प्रदान करेला.
b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d	इ पेपर में 5G मिलीमीटर तरंग अनुप्रयोगन खातिर 64-एलिमेंट 29-30GHz सक्रिय चरणबद्ध सरणी प्रस्तुत कइल गइल बा. प्रस्तावित चरणबद्ध सरणी में 64-एलिमेंट एंटीना, 64-चैनल टी/आर मॉड्यूल, 4 आवृत्ति रूपांतरण लिंक, बीम कंट्रोलिंग सर्किट्री, पावर मैनेजमेंट सर्किट आउर कूलिंग प्रशंसक शामिल बा आउर इ बहुत कॉम्पैक्ट आकार में एकीकृत बा ((135 मिमी X 77 मिमी X 56 मिमी) । बेहतर आरएफ परफॉर्मेंस प्राप्त करे खातिर गाएएस आउर सी सर्किट के हाइब्रिड एकीकरण के उपयोग कइल जाला. प्रस्तावित चरणबद्ध सरणी के वास्तुकला आउर टी/आर मॉड्यूल आउर एंटीना के विस्तार डिजाइन के विश्लेषण कइल गइल बा. ओटीए (ऑवर द एयर) माप द्वारा, प्रस्तावित चरणबद्ध सरणी 29.5GHz के केंद्र आवृत्ति पर 1 GHz के बैंडविड्थ प्राप्त करेला, आउर अज़ीमुथ बीम-चौड़ाई ± 45 डिग्री के स्कैनिंग रेंज के साथ 12 डिग्री होला. 800MHz 64QAM सिग्नल के उत्तेजना के साथ, ट्रांसमीटर बीम -5.5% के EVM प्राप्त करेला, -30.5dBc के ACLR पीए के साथ -10dB बैक ऑफ पर काम करेला, आउर मापल गइल संतृप्त EIRP 63 dBm बा.
5f507abd8d07d3bee56820fd3a5dc2234d1c38ee
6424b69f3ff4d35249c0bb7ef912fbc2c86f4ff4	चेहरा के विशेषता के भविष्यवाणी कइल जटिल चेहरा के विविधता के कारण चुनौतीपूर्ण बा. हम लोग प्रकृति में गुण के भविष्यवाणी खातिर एगो नया गहिरा सीखे के ढांचा प्रस्तावित करत बानी. ई दू गो सीएनएन, एलएनटी आउर एएनटी के कैस्केड करेला, जे कि एट्रिब्यूट टैग के साथ संयुक्त रूप से ठीक-ठाक कइल गइल बा, लेकिन अलग-अलग तरीका से पूर्व-प्रशिक्षित बा. चेहरा के स्थानीयकरण खातिर LNet के व्यापक सामान्य वस्तु श्रेणी द्वारा पूर्व-प्रशिक्षित कइल जाला, जबकि ANet के विशेषता के भविष्यवाणी खातिर व्यापक चेहरा पहचान द्वारा पूर्व-प्रशिक्षित कइल जाला. ई ढाँचा न केवल एगो बड़हन मार्जिन के साथ अत्याधुनिक प्रदर्शन करेला, बल्कि सीखे वाला चेहरा के प्रतिनिधित्व पर मूल्यवान तथ्य भी प्रकट करेला. (1) ई देखावेला कि कइसे चेहरा के स्थानीयकरण (एलनेट) आउर विशेषता भविष्यवाणी (एनेट) के प्रदर्शन के विभिन्न पूर्व-प्रशिक्षण रणनीति द्वारा सुधारल जा सकेला. (2) इ बतावेला कि भले ही LNet के फ़िल्टर केवल छवि-स्तर के विशेषता टैग के साथ ठीक-ठाक होखेला, लेकिन पूरा छवियों पर ओकर प्रतिक्रिया मानचित्र में चेहरा के स्थान के मजबूत संकेत होखेला. ई तथ्य चेहरा के स्थानीयकरण खातिर LNet के प्रशिक्षण केवल छवि-स्तर के एनोटेशन के साथे, लेकिन चेहरा के बाउंडिंग बाक्स या लैंडमार्क के बिना, जे कि सब विशेषता मान्यता कार्य के खातिर जरूरी बा, संभव बनावेला. (3) इ इ भी दर्शावेला कि एएनईटी के उच्च-स्तरीय छिपल न्यूरॉन्स स्वचालित रूप से बड़े पैमाने पर चेहरा पहचान के साथ पूर्व-प्रशिक्षण के बाद अर्थ संबंधी अवधारणा के खोज करेला, आउर अइसन अवधारणा के विशेषता टैग के साथ ठीक-ठीक करे के बाद महत्वपूर्ण रूप से समृद्ध कइल जाला. प्रत्येक गुण के इ सब अवधारना के एगो विरल रैखिक संयोजन से अच्छी तरह से समझावल जा सकेला.

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

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

Dataset Description

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

Usage

This dataset is designed for:

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

Dataset Structure

The dataset consists of three main components:

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

Citation

If you use this dataset, please cite:

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