Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_ta

like 0

2f991be8d35e4c1a45bfb0d646673b1ef5239a1f

இயந்திர கற்றல் மாதிரிகள் ஏன் அவ்வாறு நடந்துகொள்கின்றன என்பதைப் புரிந்துகொள்வது, பல வழிகளில் கணினி வடிவமைப்பாளர்களுக்கும் இறுதி பயனர்களுக்கும் அதிகாரம் அளிக்கிறதுஃ மாதிரித் தேர்வு, அம்ச பொறியியல், கணிப்புகளை நம்புவதற்கும் செயல்படுவதற்கும், மேலும் உள்ளுணர்வு பயனர் இடைமுகங்களில். இதனால், விளக்கமளிக்கும் தன்மை இயந்திரக் கற்றலில் ஒரு முக்கிய கவலையாக மாறியுள்ளது, மேலும் விளக்கமளிக்கக்கூடிய மாதிரிகள் பகுதியில் பணிபுரிவது புதுப்பிக்கப்பட்ட ஆர்வத்தைக் கண்டறிந்துள்ளது. சில பயன்பாடுகளில், இத்தகைய மாதிரிகள் விளக்கமளிக்க முடியாதவை போலவே துல்லியமானவை, எனவே அவற்றின் வெளிப்படைத்தன்மைக்கு முன்னுரிமை அளிக்கப்படுகிறது. அவை துல்லியமாக இல்லாதபோதும், விளக்கத்திறன் மிக முக்கியமாக இருக்கும்போது அவை இன்னும் விரும்பப்படலாம். இருப்பினும், விளக்கக்கூடிய மாதிரிகளுக்கு இயந்திர கற்றலை கட்டுப்படுத்துவது பெரும்பாலும் கடுமையான வரம்பு. இந்த ஆய்வில், மாதிரி-அக்னோஸ்டிக் அணுகுமுறைகளைப் பயன்படுத்தி இயந்திர கற்றல் கணிப்புகளை விளக்குவதற்கு நாங்கள் வாதிடுகிறோம். இயந்திர கற்றல் மாதிரிகளை கருப்பு பெட்டி செயல்பாடுகளாகக் கருதி, இந்த அணுகுமுறைகள் மாதிரிகள், விளக்கங்கள் மற்றும் பிரதிநிதித்துவங்களின் தேர்வில் முக்கியமான நெகிழ்வுத்தன்மையை வழங்குகின்றன, இது பல்வேறு பயனர்கள் மற்றும் மாதிரிகளுக்கு பிழைத்திருத்தம், ஒப்பீடு மற்றும் இடைமுகங்களை மேம்படுத்துகிறது. இதுபோன்ற முறைகளுக்கான முக்கிய சவால்களை நாங்கள் கோடிட்டுக் காட்டுகிறோம், மேலும் இந்த சவால்களை நிவர்த்தி செய்யும் சமீபத்தில் அறிமுகப்படுத்தப்பட்ட மாதிரி-அக்னோஸ்டிக் விளக்க அணுகுமுறையை (LIME) மதிப்பாய்வு செய்கிறோம்.

546add32740ac350dda44bab06f56d4e206622ab

ஆழமான நரம்பியல் நெட்வொர்க்குகள் பட வகைப்பாட்டில் ஈர்க்கக்கூடிய சோதனை முடிவுகளை அடைந்துள்ளன, ஆனால் எதிரெதிர்ப்பு இடையூறுகள், அதாவது, உள்ளீட்டு படத்தில் குறைந்தபட்ச மாற்றங்கள், பிணையத்தை தவறாக வகைப்படுத்தும். சுய-ஓட்டுநர் கார்களுக்கான உணர்திறன் தொகுதிகள் மற்றும் முனை முதல் முனை வரை கட்டுப்படுத்திகள் உள்ளிட்ட சாத்தியமான பயன்பாடுகளுடன், இது அவர்களின் பாதுகாப்பு குறித்த கவலைகளை எழுப்புகிறது. திருப்திக்குரிய மாடுலோ கோட்பாடு (SMT) அடிப்படையில் ஊட்ட-முன்னோக்கி பல அடுக்கு நரம்பியல் நெட்வொர்க்குகளுக்கான ஒரு புதிய தானியங்கி சரிபார்ப்பு கட்டமைப்பை நாங்கள் உருவாக்குகிறோம். நாம் பட கையாளுதல்களில் கவனம் செலுத்துகிறோம், அதாவது கீறல்கள் அல்லது கேமரா கோணத்தில் மாற்றங்கள் அல்லது விளக்கு நிலைமைகள், மற்றும் பட வகைப்படுத்தல் முடிவுக்கு பாதுகாப்பு வரையறுக்கப்படுகிறது. பகுதியை முழுமையாகத் தேட, டிஸ்க்ரீட்டேஷன் முறையை பயன்படுத்தி, பகுப்பாய்வை அடுக்கு மூலம் பரப்புவோம். எங்கள் முறை நெட்வொர்க் குறியீட்டுடன் நேரடியாக வேலை செய்கிறது, மேலும், தற்போதுள்ள முறைகளுக்கு மாறாக, கொடுக்கப்பட்ட பிராந்தியம் மற்றும் கையாளுதல்களின் குடும்பத்திற்கு எதிரான எடுத்துக்காட்டுகள், அவை இருந்தால், காணப்படுவதை உறுதி செய்ய முடியும். கண்டறியப்பட்டால், மனித சோதனையாளர்களுக்கு எதிர்க்கும் உதாரணங்களைக் காட்டலாம் மற்றும் / அல்லது வலையமைப்பை நுணுக்கமாக சரிசெய்ய பயன்படுத்தலாம். Z3 ஐ பயன்படுத்தி தொழில்நுட்பங்களை நாங்கள் செயல்படுத்துகிறோம், மேலும் அவை வழக்கமான மற்றும் ஆழமான கற்றல் நெட்வொர்க்குகள் உட்பட அதிநவீன நெட்வொர்க்குகளில் மதிப்பீடு செய்யப்படுகின்றன. நாம் ஏற்கனவே இருக்கும் தொழில்நுட்பங்களை ஒப்பிடும் போது, எதிர்மாறான உதாரணங்களைத் தேடுவதற்கும், வலையமைப்பின் வலுவை மதிப்பிடுவதற்கும் பயன்படுத்துகிறோம்.

8db9df2eadea654f128c1887722c677c708e8a47

இது கவனம் மாதிரிகள் குறித்த சமீபத்திய பணிகளை ஒருங்கிணைத்து பொருத்தமான தகவல்களில் கவனம் செலுத்துகிறது, இதனால் உட்பொதிக்கப்பட்ட வன்பொருளில் பயன்படுத்த கணக்கீட்டு சிக்கலைக் குறைக்கிறது. இந்த கட்டமைப்பு TORCS எனப்படும் திறந்த மூல 3D கார் பந்தய சிமுலேட்டரில் சோதிக்கப்பட்டது. நமது உருவகப்படுத்துதல் முடிவுகள், சிக்கலான சாலை வளைவுகள் மற்றும் பிற வாகனங்களின் எளிய தொடர்பு ஆகியவற்றின் சூழ்நிலையில் தன்னாட்சி தந்திரம் கற்றுக்கொள்வதை நிரூபிக்கின்றன. அறிமுகம் தானாக ஓடும் ரோபோ கார் என்பது செயற்கை நுண்ணறிவின் நீண்டகால இலக்காகும். வாகனத்தை ஓட்டுவது என்பது ஒரு மனித ஓட்டுநரின் திறமை, கவனம் மற்றும் அனுபவத்தை அதிக அளவில் தேவைப்படும் ஒரு பணியாகும். கணினிகள் மனிதர்களை விட அதிக கவனம் செலுத்துவதற்கும் கவனம் செலுத்துவதற்கும் திறன் கொண்டவை என்றாலும், முழுமையாக தன்னாட்சி ஓட்டுநர் ஒரு நுண்ணறிவு நிலை தேவைப்படுகிறது, இது AI முகவர்களால் இதுவரை அடையப்பட்டதை விட அதிகமாக உள்ளது. சுயாதீனமான ஓட்டுநர் முகவரை உருவாக்குவதில் உள்ள பணிகளை 3 பிரிவுகளாகப் பிரிக்கலாம், இது படம் 1: 1) அங்கீகாரம்ஃ சுற்றியுள்ள சூழலின் கூறுகளை அடையாளம் காணுதல். இதற்கு உதாரணமாக, பாதசாரிகளை கண்டறிதல், போக்குவரத்து அடையாளங்களை அடையாளம் காண்பது போன்றவை உள்ளன. அற்பமானதாக இருந்தாலும், ஆழமான கற்றல் (டி.எல்) வழிமுறைகளில் முன்னேற்றங்களுக்கு நன்றி, அங்கீகாரம் என்பது இன்று ஒப்பீட்டளவில் எளிதான பணியாகும், இது பல பொருள் கண்டறிதல் மற்றும் வகைப்படுத்தல் சிக்கல்களில் மனித நிலை அங்கீகாரத்தை அல்லது அதற்கு மேல் அடைந்துள்ளது [1] [2]. ஆழமான கற்றல் மாதிரிகள் மூல உள்ளீட்டு தரவுகளிலிருந்து சிக்கலான அம்ச பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள முடியும், கைவினைப்பொருட்களின் தேவை இல்லாமல் [15] [2] [7]. இந்த வகையில், கன்வோல்ஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்) என்பது மிகவும் வெற்றிகரமான ஆழமான கற்றல் மாதிரியாக இருக்கலாம், மேலும் அலெக்ஸ்நெட் [8] முதல் இமேஜ்நெட் சவாலில் ஒவ்வொரு வெற்றியாளரின் அடிப்படையையும் உருவாக்கியுள்ளது. இந்த வெற்றி தானியங்கி ஓட்டுநர் வாகனத்தை கண்டறிவதற்கான பாதை மற்றும் வாகன கண்டறிதலில் பிரதிபலித்தது [6]. 2) முன்னறிவிப்பு: ஒரு தன்னாட்சி ஓட்டுநர் முகவர் தனது சூழலை அடையாளம் காண்பது போதாது; இது சூழலின் எதிர்கால நிலைகளை முன்னறிவிக்கும் உள் மாதிரிகளை உருவாக்கவும் முடியும். இந்த வகையான சிக்கல்களின் எடுத்துக்காட்டுகள் சூழலின் வரைபடத்தை உருவாக்குதல் அல்லது ஒரு பொருளைக் கண்காணித்தல் ஆகியவை அடங்கும். எதிர்காலத்தை கணிக்க, கடந்த காலத் தகவல்களை ஒருங்கிணைப்பது முக்கியம். எனவே, இந்த வகை பிரச்சனைகளுக்கு ரிசர்வ் நியூரல் நெட்வொர்க்குகள் (RNNs) அவசியம். நீண்ட-குறுகிய கால நினைவக (LSTM) நெட்வொர்க்குகள் [5] என்பது முனையிலிருந்து முனை வரை காட்சி பெயரிடல் அமைப்புகளில் பயன்படுத்தப்பட்ட RNN களின் ஒரு வகை ஆகும் [14]. சமீபத்தில், ஆழமான கண்காணிப்பு மாதிரியில் [13] பொருளின் கண்காணிப்பு செயல்திறனை மேம்படுத்த RNN கள் பயன்படுத்தப்பட்டுள்ளன. 3) திட்டமிடல்: வாகனத்தை வெற்றிகரமாக வழிநடத்த உதவும் வகையில், எதிர்காலத்தில் நடைபெறவுள்ள வாகன இயக்க நடவடிக்கைகளை திட்டமிடுவதற்கு அங்கீகரிப்பு மற்றும் முன்னறிவிப்பு ஆகியவற்றை உள்ளடக்கிய ஒரு திறமையான மாதிரியை உருவாக்குதல். மூன்று திட்டங்களில் மிகவும் கடினமானது திட்டமிடல். இந்த மாதிரிக்கு சுற்றுச்சூழலைப் புரிந்துகொள்ளும் திறன் (அறிதல்) மற்றும் அதன் இயக்கவியல் (முன்னறிவிப்பு) ஆகியவற்றை ஒருங்கிணைப்பதில் சிக்கல் உள்ளது. இது எதிர்கால நடவடிக்கைகளைத் திட்டமிட உதவுகிறது, இதனால் அது விரும்பத்தகாத சூழ்நிலைகளைத் தவிர்க்கிறது (சண்டைகள்) மற்றும் பாதுகாப்பாக அதன் இலக்கை (பரிசுகள்) இயக்குகிறது. படம் 1: உயர் மட்ட தன்னாட்சி ஓட்டுநர் பணிகள் வலுவூட்டல் கற்றல் (RL) கட்டமைப்பு [17] [20] நீண்ட காலமாக கட்டுப்பாட்டு பணிகளில் பயன்படுத்தப்படுகிறது. மனித அளவிலான கட்டுப்பாட்டை அடைவதற்கு RL மற்றும் DL கலவை மிகவும் நம்பிக்கைக்குரிய அணுகுமுறைகளில் ஒன்றாக சுட்டிக்காட்டப்பட்டது [9]. [12] மற்றும் [11] இல், இந்த மனித நிலை கட்டுப்பாடு ஆழமான Q நெட்வொர்க்குகள் (DQN) மாதிரியைப் பயன்படுத்தி அடாரி விளையாட்டுகளில் நிரூபிக்கப்பட்டது, இதில் RL திட்டமிடல் பகுதியின் பொறுப்பாளராகவும், DL பிரதிநிதித்துவ கற்றல் பகுதியின் பொறுப்பாளராகவும் உள்ளது. பின்னர், RNN கள் பகுதியளவு காணக்கூடிய காட்சிகளை கணக்கில் எடுத்துக்கொள்ள கலவையில் ஒருங்கிணைக்கப்பட்டன [4]. தன்னாட்சி ஓட்டுநர் தகவல் ஒருங்கிணைப்பு தேவைப்படுகிறது ar X iv: 70 4. 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 பல சென்சார்கள் இருந்து. அவற்றில் சில லீடார் போன்ற குறைந்த பரிமாணங்கள் கொண்டவை, மற்றவை காமிராக்கள் போன்ற உயர் பரிமாணங்கள் கொண்டவை. இந்த குறிப்பிட்ட உதாரணத்தில், கேமரா படங்கள் உயர் பரிமாணமாக இருந்தாலும், தன்னாட்சி ஓட்டுநர் பணியை அடைவதற்கு தேவையான பயனுள்ள தகவல்கள் மிகக் குறைந்த பரிமாணத்தைக் கொண்டுள்ளன. உதாரணமாக, ஓட்டுநர் முடிவுகளை பாதிக்கும் காட்சியின் முக்கியமான பகுதிகள் நகரும் வாகனம், முன்னால் உள்ள சாலையில் உள்ள இலவச இடம், கம்பளங்களின் நிலை போன்றவற்றோடு மட்டுப்படுத்தப்பட்டவை. வாகனங்களின் நுணுக்கமான விவரங்கள் கூட முக்கியமில்லை, ஏனெனில் அவற்றின் இடஞ்சார்ந்த இடம் மட்டுமே இந்த பிரச்சனைக்கு உண்மையிலேயே அவசியம். எனவே, பொருத்தமான தகவல்களுக்கான நினைவக அலைவரிசை அகலம் மிகக் குறைவு. இந்தத் தகவல்களைப் பிரித்தெடுத்து, மற்ற பொருத்தமற்ற தகவல்களைத் தவிர்த்துவிட்டால், அது தானியங்கி ஓட்டுநர் அமைப்புகளின் துல்லியத்தையும் செயல்திறனையும் மேம்படுத்தும். மேலும், இது கணக்கீடு மற்றும் நினைவக தேவைகளை குறைக்கும், இது தன்னாட்சி ஓட்டுநர் கட்டுப்பாட்டு அலகு அடங்கிய உட்பொதிக்கப்பட்ட அமைப்புகளில் முக்கியமான கட்டுப்பாடுகள். கவனம் மாதிரிகள் அத்தகைய தகவல் வடிகட்டுதல் செயல்முறைக்கு ஒரு இயற்கையான பொருத்தம். சமீபத்தில், இந்த மாதிரிகள் [23] மற்றும் [10] இல் பட அங்கீகாரத்திற்காக வெற்றிகரமாக பயன்படுத்தப்பட்டன, இதில் RL ஆனது RNN களுடன் கலக்கப்பட்டு படத்தின் பகுதிகளை கவனிக்க வேண்டும். இத்தகைய மாதிரிகள் எளிதாக DQN [11] மற்றும் ஆழமான தொடர்ச்சியான Q நெட்வொர்க்குகள் (DRQN) [4] மாதிரிகள் விரிவாக்கப்பட்டு ஒருங்கிணைக்கப்படுகின்றன. இந்த ஒருங்கிணைப்பு [16] இல் செய்யப்பட்டது. கவனம் மாதிரிகள் வெற்றி பெற்றது, சுயநலமான வாகனத்தை இயக்குவதற்கு, மூல உணர்வு தகவலிலிருந்து குறைந்த அளவிலான தகவல்களைப் பிரித்தெடுப்பதற்காக அவற்றை முன்மொழியத் தூண்டுகிறது. இந்த ஆய்வில், ஒரு முழுமையான தன்னாட்சி ஓட்டுநர் மாதிரிக்கு ஒரு கட்டமைப்பை முன்மொழிகிறோம், இது மூல சென்சார் உள்ளீடுகளை எடுத்து ஓட்டுநர் செயல்களை வெளியிடுகிறது. இந்த மாதிரி பகுதியாகக் காணக்கூடிய காட்சிகளை கையாளும் திறன் கொண்டது. மேலும், கவனம் செலுத்தும் மாதிரிகளில் சமீபத்திய முன்னேற்றங்களை ஒருங்கிணைக்க நாங்கள் முன்மொழிகிறோம், இதனால் பெறப்பட்ட சென்சார் தரவுகளிலிருந்து பொருத்தமான தகவல்களை மட்டுமே பிரித்தெடுக்க முடியும், இதனால் இது நிகழ்நேர உட்பொதிக்கப்பட்ட அமைப்புகளுக்கு ஏற்றதாக இருக்கும். இந்த ஆவணத்தின் முக்கிய பங்களிப்புகள்: 1) ஆழமான வலுவூட்டல் கற்றலின் சமீபத்திய முன்னேற்றங்கள் பற்றிய ஒரு ஆய்வு மற்றும் 2) ஆட்டோமொபைல் சமூகத்திற்கு ஆழமான வலுவூட்டல் கற்றலைப் பயன்படுத்தி தன்னாட்சி ஓட்டுநரை முடிவுக்கு கொண்டுவருவதற்கான ஒரு கட்டமைப்பை அறிமுகப்படுத்துதல். மீதமுள்ள கட்டுரை இரண்டு பகுதிகளாக பிரிக்கப்பட்டுள்ளது. முதல் பகுதி, பாரம்பரிய MDP கட்டமைப்பு மற்றும் Q- கற்றல் தொடங்கி, DQN, DRQN மற்றும் ஆழமான கவனம் மீண்டும் மீண்டும் Q நெட்வொர்க்குகள் (DARQN) ஆகியவற்றால் ஆழமான வலுவூட்டல் கற்றல் வழிமுறைகளின் ஆய்வு அளிக்கிறது. ஆவணத்தின் இரண்டாம் பகுதியில், ஆழமான வலுவூட்டல் கற்றலில் சமீபத்திய முன்னேற்றங்களை ஒருங்கிணைக்கும் முன்மொழியப்பட்ட கட்டமைப்பை விவரிக்கிறது. இறுதியாக, எதிர்கால வேலைக்கான திசைகளை பரிந்துரைத்து முடிக்கிறோம். வலுவூட்டல் கற்றல் பற்றிய விரிவான கண்ணோட்டத்திற்கு, ரிச் சட்டனின் பாடப்புத்தகத்தின் இரண்டாவது பதிப்பைப் பார்க்கவும் [18]. இந்த பகுதியில் முக்கியமான தலைப்புகளை சுருக்கமாகக் காண்போம். வலுவூட்டல் கற்றல் கட்டமைப்பானது [17] இல் ஒரு முகவர் பின்பற்றக்கூடிய சிறந்த கொள்கையை (ஒரு குறிப்பிட்ட மாநிலத்தில் எடுக்க வேண்டிய சிறந்த நடவடிக்கை) வழங்குவதற்கான ஒரு மாதிரியாக வடிவமைக்கப்பட்டது, இதனால் தற்போதைய மற்றும் ஒரு முனைய நிலை அடையும் வரை முகவர் அந்த கொள்கையைப் பின்பற்றும்போது மொத்த குவிக்கப்பட்ட வெகுமதிகள் அதிகரிக்கப்படும். RL பாரடைம் டிரைவிங்கிற்கான உந்துதல் என்பது பல முகவர் தொடர்பு சிக்கலாகும். ஒரு மனித ஓட்டுநராக, கனமான போக்குவரத்தில் பாதைகளை மாற்றுவதை விட மற்ற கார்களுடன் எந்தவிதமான தொடர்பு இல்லாமல் ஒரு பாதையில் இருப்பது மிகவும் எளிதானது. மற்ற ஓட்டுநர்களின் நடத்தைகளில் உள்ளார்ந்த நிச்சயமற்ற தன்மை காரணமாக பிந்தையது மிகவும் கடினம். தொடர்புடைய வாகனங்களின் எண்ணிக்கை, அவற்றின் வடிவியல் அமைப்பு மற்றும் ஓட்டுநர்களின் நடத்தை ஆகியவை மாறுபடும் தன்மை கொண்டவை. அனைத்து சூழ்நிலைகளையும் முழுமையாக உள்ளடக்கிய மேற்பார்வையிடப்பட்ட கற்றல் தரவுத்தொகுப்பை வடிவமைப்பது சவாலானது. மனித ஓட்டுநர்கள் சில வகையான ஆன்லைன் வலுவூட்டல் கற்றலைப் பயன்படுத்துகின்றனர் மற்ற ஓட்டுநர்களின் நடத்தைகளைப் புரிந்து கொள்ள அவர்கள் தற்காப்பு அல்லது ஆக்கிரமிப்பு, அனுபவம் அல்லது அனுபவமற்றவர்கள் போன்றவை. இது குறிப்பாக பேச்சுவார்த்தை தேவைப்படும் சூழ்நிலைகளில் பயனுள்ளதாக இருக்கும், அதாவது ஒரு வட்டவடிவத்தை நுழைவது, டிராஃபிக் லைட் இல்லாத சந்திப்புகளை வழிநடத்துதல், கனமான போக்குவரத்தின் போது பாதை மாற்றங்கள் போன்றவை. சுய-ஓட்டுநர் வாகனங்களில், மனித ஓட்டுநருக்கு கூட எதிர்பாராத கோணங்களில், அதாவது, ஜிபிஎஸ் இல்லாத ஒரு பிரதேசத்தில் தொலைந்து போவதைத் தவிர்ப்பது, வெள்ளம் அல்லது நிலத்தில் ஒரு குழி தோன்றுவது போன்ற பேரழிவு சூழ்நிலைகளை சமாளிப்பது போன்றவைதான் முக்கிய சவாலாகும். RL முன்னுதாரணமானது, அறியப்படாத பிரதேசத்தை மாதிரியாகக் கொண்டு, செயல்களை மேற்கொள்வதன் மூலம் அதன் சொந்த அனுபவத்திலிருந்து கற்றுக்கொள்கிறது. கூடுதலாக, மேற்பார்வையிடப்பட்ட கற்றல் சிக்கல்களுக்கு சவால்களை உருவாக்கக்கூடிய வேறுபடுத்த முடியாத செலவு செயல்பாடுகளை RL கையாள முடியும். தற்போதைய நிலையில், தன்னாட்சி ஓட்டுநர் முறை என்பது கணினியை தனிமைப்படுத்தப்பட்ட துணைப் பிரச்சினைகளாக பிரித்து, வழக்கமாக மேற்பார்வை செய்யப்பட்ட கற்றல் போன்ற பொருள் கண்டறிதல், காட்சி ஓடோமெட்ரி போன்றவற்றை உருவாக்குவதாகும். பின்னர் முந்தைய படிகளின் அனைத்து முடிவுகளையும் இணைக்க ஒரு பிந்தைய செயலாக்க அடுக்கு உள்ளது. இந்த அணுகுமுறையில் இரண்டு முக்கிய பிரச்சினைகள் உள்ளன. முதலாவதாக, தீர்க்கப்படும் துணைப் பிரச்சினைகள் தன்னாட்சி ஓட்டுநரை விட கடினமாக இருக்கலாம். உதாரணமாக, ஒருவர் பொருள் பிரிவு மூலம் பொருள் கண்டறிதலை தீர்க்கலாம், இது சவாலானது மற்றும் தேவையற்றது. வாகனங்களை ஓட்டும்போது காணப்படும் அனைத்து பொருட்களையும் மனித ஓட்டுநர்கள் கண்டறிந்து வகைப்படுத்த மாட்டார்கள், மிகவும் பொருத்தமானவற்றை மட்டுமே அவர்கள் வகைப்படுத்திப் பார்க்க முடியும். இரண்டாவதாக, தனிமைப்படுத்தப்பட்ட துணைப் பிரச்சினைகள் ஒருங்கிணைந்த முறையில் இணைந்து அடைய முடியாது வலுவூட்டல் கற்றல் என்பது ஒரு வலுவான AI முன்னுதாரணமாகக் கருதப்படுகிறது, இது இயந்திரங்களை சுற்றுச்சூழலுடன் தொடர்புகொள்வதன் மூலமும் அவற்றின் தவறுகளிலிருந்து கற்றுக்கொள்வதன் மூலமும் கற்பிக்கப் பயன்படுத்தப்படலாம். அதன் பயன்பாட்டுக்கு இடையில், இது இன்னும் வெற்றிகரமாக வாகன பயன்பாடுகளில் பயன்படுத்தப்படவில்லை. அடாரி விளையாட்டுகள் மற்றும் கூகுள் டீப் மைண்ட் மூலம் கோ ஆகியவற்றின் வெற்றிகரமான கற்றல் ஆர்ப்பாட்டங்களால் ஊக்கமளிக்கப்பட்ட நாங்கள் ஆழ்ந்த வலுவூட்டல் கற்றலைப் பயன்படுத்தி தன்னாட்சி ஓட்டுநர் ஒரு கட்டமைப்பை முன்மொழிகிறோம். சுய-ஓட்டுநர் வாகனத்தை மேற்பார்வையிடப்பட்ட கற்றல் பிரச்சினையாகக் கருதுவது கடினம் என்பதால் இது மிகவும் முக்கியமானது. ஏனைய வாகனங்கள், பாதசாரிகள் மற்றும் சாலைப் பணிகள் உள்ளிட்ட சுற்றுச்சூழலுடன் வலுவான தொடர்புகள் இருப்பதால் இது மிகவும் முக்கியமானது. இது தன்னாட்சி ஓட்டுநர் ஆராய்ச்சிக்கான ஒரு புதிய பகுதியாக இருப்பதால், ஆழமான வலுவூட்டல் கற்றல் பற்றிய ஒரு சுருக்கமான கண்ணோட்டத்தை நாங்கள் வழங்குகிறோம், பின்னர் எங்கள் முன்மொழியப்பட்ட கட்டமைப்பை விவரிக்கிறோம். இது தகவல்களை ஒருங்கிணைப்பதற்காக மீண்டும் மீண்டும் நிகழும் நரம்பியல் நெட்வொர்க்குகளை உள்ளடக்கியது, இது கார் ஓரளவு கண்காணிக்கக்கூடிய காட்சிகளை கையாள உதவுகிறது.

a4d513cfc9d4902ef1a80198582f29b8ba46ac28

இந்த அறிக்கை, AIயின் தீங்கிழைக்கும் பயன்பாடுகளிலிருந்து சாத்தியமான பாதுகாப்பு அச்சுறுத்தல்களின் நிலப்பரப்பை ஆய்வு செய்கிறது, மேலும் இந்த அச்சுறுத்தல்களை சிறப்பாக முன்னறிவிக்க, தடுக்க மற்றும் குறைக்க வழிகளை முன்மொழிகிறது. டிஜிட்டல், இயற்பியல் மற்றும் அரசியல் களங்களில் உள்ள அச்சுறுத்தல் நிலப்பரப்பில் AI எவ்வாறு தாக்கத்தை ஏற்படுத்தக்கூடும் என்பதை பகுப்பாய்வு செய்த பிறகு, AI ஆராய்ச்சியாளர்கள் மற்றும் பிற பங்குதாரர்களுக்கு நான்கு உயர் மட்ட பரிந்துரைகளை நாங்கள் செய்கிறோம். மேலும், பாதுகாப்புத் தளங்களை விரிவுபடுத்தக்கூடிய, தாக்குதல்களை குறைந்த செயல்திறன் கொண்டதாகவோ அல்லது செயல்படுத்த கடினமாகவோ இருக்கும் பல நம்பிக்கைக்குரிய ஆராய்ச்சிப் பகுதிகளையும் நாங்கள் பரிந்துரைக்கிறோம். இறுதியாக, தாக்குபவர்களும் பாதுகாவலர்களும் நீண்டகாலத்தில் சமநிலையில் இருப்பதைப் பற்றி விவாதிக்கிறோம், ஆனால் முடிவுக்கு கொண்டு வரவில்லை.

b5a047dffc3d70dce19de61257605dfc8c69535c

சிக்கலான, நிஜ உலகப் பிரச்சினைகளைத் தீர்ப்பதற்கு, பரவலாகப் பயன்படுத்தப்படும், பயனுள்ள வழிமுறையாக ஆழமான நரம்பியல் நெட்வொர்க்குகள் உருவாகியுள்ளன. எனினும், பாதுகாப்பு-முக்கிய அமைப்புகளுக்கு அவற்றைப் பயன்படுத்துவதில் ஒரு முக்கிய தடையாக இருப்பது, அவற்றின் நடத்தை பற்றி முறையான உத்தரவாதங்களை வழங்குவதில் உள்ள பெரும் சிரமம் ஆகும். ஆழமான நரம்பியல் நெட்வொர்க்குகளின் பண்புகளை சரிபார்க்க ஒரு புதிய, அளவிடக்கூடிய மற்றும் திறமையான நுட்பத்தை நாங்கள் முன்வைக்கிறோம் (அல்லது எதிர்-எடுத்துக்காட்டுகளை வழங்குகிறோம்). இந்த நுட்பம் சிம்ப்ளக்ஸ் முறையை அடிப்படையாகக் கொண்டது, இது குவியலற்ற சரிசெய்யப்பட்ட நேரியல் அலகு (ReLU) செயல்படுத்தும் செயல்பாட்டைக் கையாள விரிவாக்கப்பட்டது, இது பல நவீன நரம்பியல் நெட்வொர்க்குகளில் ஒரு முக்கிய மூலப்பொருளாகும். எந்தவொரு எளிமைப்படுத்தும் அனுமானங்களும் இல்லாமல், சரிபார்ப்பு நடைமுறை முழுமையான நரம்பியல் நெட்வொர்க்குகளை கையாளுகிறது. ஆளில்லா விமானங்களுக்கான அடுத்த தலைமுறை வான்வழி மோதல் தவிர்ப்பு அமைப்பின் (ACAS Xu) ஆழமான நரம்பியல் நெட்வொர்க் நடைமுறைப்படுத்தலின் முன்மாதிரி மீது எங்கள் நுட்பத்தை மதிப்பீடு செய்தோம். தற்போதுள்ள முறைகளைப் பயன்படுத்தி சரிபார்க்கப்பட்ட மிகப்பெரிய நெட்வொர்க்குகளை விட ஒரு பெரிய அளவிலான நெட்வொர்க்குகளின் பண்புகளை எங்கள் நுட்பம் வெற்றிகரமாக நிரூபிக்க முடியும் என்பதை முடிவுகள் காட்டுகின்றன.

b4bd9fab8439da4939a980a950838d1299a9b030

முழுமையான விதிமுறைகள் மற்றும் பயன்பாட்டு நிபந்தனைகள்: http://pubsonline.informs.org/page/terms-and-conditions இந்த கட்டுரையை ஆராய்ச்சி, கற்பித்தல் மற்றும்/அல்லது தனியார் ஆய்வு நோக்கங்களுக்காக மட்டுமே பயன்படுத்தலாம். வணிக பயன்பாடு அல்லது முறையான பதிவிறக்கம் (ரோபோக்கள் அல்லது பிற தானியங்கி செயல்முறைகள் மூலம்) வெளிப்படையான பதிப்பாளரின் ஒப்புதல் இல்லாமல் தடைசெய்யப்பட்டுள்ளது, இல்லையெனில் குறிப்பிடப்பட்டுள்ளது. மேலும் தகவலுக்கு, [email protected] என்ற முகவரியைத் தொடர்பு கொள்ளவும். கட்டுரையின் துல்லியம், முழுமை, விற்பனைக்கு ஏற்ற தன்மை, ஒரு குறிப்பிட்ட நோக்கத்திற்கான பொருத்தம் அல்லது மீறல் இல்லாதது குறித்து வெளியீட்டாளர் உத்தரவாதம் அளிக்கவில்லை. தயாரிப்புகள் அல்லது வெளியீடுகள் பற்றிய விளக்கங்கள் அல்லது குறிப்புகள், அல்லது இந்த கட்டுரையில் ஒரு விளம்பரத்தை சேர்ப்பது, அந்த தயாரிப்பு, வெளியீடு அல்லது சேவையைப் பற்றிய கூற்றுக்களின் உத்தரவாதம், ஒப்புதல் அல்லது ஆதரவைக் குறிக்காது அல்லது குறிக்காது. © 1990 INFORMS பிரசுரங்கள்

5288d14f6a3937df5e10109d4e23d79b7ddf080f

c9946fedf333df0c6404765ba6ccbf8006779753

தானியங்கி வாகனம் ஓட்டுவது ஓட்டுநருக்கு வசதியையும், பாதுகாப்பையும் அதிகரிக்கும் திறனைக் கொண்டுள்ளது. தற்போதைய போக்குவரத்து அமைப்பில் தன்னாட்சி ஓட்டுநர் முறையை அறிமுகப்படுத்தும் போது, ஒரு முக்கியமான பிரச்சினை, தன்னாட்சி வாகனத்தை உண்மையான மனித ஓட்டுநர்களைப் போலவே செயல்படச் செய்வது. எதிர்காலத்தில் ஒரு தன்னாட்சி வாகனம் மனித ஓட்டுநர்களைப் போலவே செயல்படும் என்பதை உறுதி செய்வதற்காக, இந்த ஆவணம் ஒரு வாகன இயக்கம் திட்டமிடல் மாதிரியை முன்மொழிகிறது, இது உண்மையான சமிக்ஞை குறுக்குவெட்டில் போக்குவரத்து சூழல்களை மதிப்பீடு செய்வதன் அடிப்படையில் வாகனங்களை எவ்வாறு கட்டுப்படுத்துகிறது என்பதை ஓட்டுநர்கள் பிரதிநிதித்துவப்படுத்த முடியும். முன்மொழியப்பட்ட இயக்க திட்டமிடல் மாதிரி, பாதசாரிகளின் நோக்கத்தை கண்டறிதல், இடைவெளி கண்டறிதல் மற்றும் வாகனத்தின் இயக்கவியல் கட்டுப்பாட்டு செயல்பாடுகளை உள்ளடக்கியது. இந்த மூன்று செயல்பாடுகளும் உண்மையான போக்குவரத்து சூழல்களில் இருந்து சேகரிக்கப்பட்ட உண்மையான தரவுகளின் பகுப்பாய்வின் அடிப்படையில் கட்டமைக்கப்பட்டுள்ளன. இறுதியாக, இந்த ஆவணம், முன்மொழியப்பட்ட முறையின் செயல்திறனை, நமது மாதிரியின் நடத்தைகளை உண்மையான பாதசாரிகள் மற்றும் மனித ஓட்டுநர்களின் நடத்தைகளுடன் ஒப்பிடுவதன் மூலம் நிரூபிக்கிறது. பரிசோதனை முடிவுகள், நாங்கள் முன்மொழிந்த மாதிரி, பாதசாரிகள் கடக்கும் நோக்கத்திற்காக 85% அங்கீகார விகிதத்தை அடைய முடியும் என்பதைக் காட்டுகிறது. மேலும், முன்மொழியப்பட்ட இயக்க திட்டமிடல் மாதிரியால் கட்டுப்படுத்தப்படும் வாகனம் மற்றும் உண்மையான மனிதனால் இயக்கப்படும் வாகனம் ஆகியவை குறுக்குவெட்டுகளில் இடைவெளி ஏற்றுக்கொள்ளப்படுவதைப் பொறுத்தவரை மிகவும் ஒத்தவை.

061356704ec86334dbbc073985375fe13cd39088

இந்த ஆய்வில், பெரிய அளவிலான பட அங்கீகார அமைப்பில் அதன் துல்லியத்தில் சுருக்க நெட்வொர்க் ஆழத்தின் விளைவை நாங்கள் ஆராய்வோம். நமது முக்கிய பங்களிப்பு அதிகரிக்கும் ஆழம் கொண்ட நெட்வொர்க்குகளின் முழுமையான மதிப்பீடு ஆகும், இது ஆழத்தை 16-19 எடை அடுக்குகளுக்கு தள்ளுவதன் மூலம் முன்னர்-தொழில்முறை உள்ளமைவுகளில் குறிப்பிடத்தக்க முன்னேற்றத்தை அடைய முடியும் என்பதைக் காட்டுகிறது. இந்த கண்டுபிடிப்புகள் நமது ImageNet Challenge 2014 சமர்ப்பிப்பின் அடிப்படையாக அமைந்தன, அங்கு எங்கள் குழு முதன்மையானது மற்றும் இரண்டாவது இடங்களை பெற்றது. மேலும், நமது பிரதிநிதித்துவங்கள் மற்ற தரவுத் தொகுப்புகளுக்கு நன்றாகப் பொதுவானவை என்பதைக் காட்டுகிறோம், இது சமீபத்திய முடிவுகளை அடைகிறது. கம்ப்யூட்டர் விஷனில் ஆழமான காட்சி பிரதிநிதித்துவங்களைப் பயன்படுத்துவது குறித்த மேலதிக ஆராய்ச்சியை எளிதாக்குவதற்காக, நாங்கள் எங்கள் இரண்டு சிறந்த செயல்திறன் கொண்ட கான்வெட் மாதிரிகளை பொதுவில் கிடைக்கச் செய்துள்ளோம்.

14318685b5959b51d0f1e3db34643eb2855dc6d9

ImageNet பெரிய அளவிலான காட்சி அங்கீகார சவால் 2014 (ILSVRC14) இல் வகைப்படுத்தல் மற்றும் கண்டறிதலுக்கான புதிய கலை நிலையை அடையும் Inception என்ற குறியீட்டு பெயரில் ஒரு ஆழமான மடக்கு நரம்பியல் நெட்வொர்க் கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். இந்த கட்டமைப்பின் முக்கிய அடையாளம், நெட்வொர்க்கிற்குள் உள்ள கணிப்பொறி வளங்களை மேம்படுத்தி பயன்படுத்துவதாகும். கவனமாக வடிவமைக்கப்பட்ட வடிவமைப்பின் மூலம், கணக்கீட்டு வரவு செலவு நிலையானதாக இருக்கும்போது, வலையமைப்பின் ஆழத்தையும் அகலத்தையும் அதிகரித்தோம். தரத்தை மேம்படுத்த, கட்டடக்கலை முடிவுகள் ஹெபியன் கொள்கை மற்றும் பல அளவிலான செயலாக்கத்தின் உள்ளுணர்வு ஆகியவற்றின் அடிப்படையில் செய்யப்பட்டன. ILSVRC14 க்கான எங்கள் சமர்ப்பிப்பில் பயன்படுத்தப்பட்ட ஒரு குறிப்பிட்ட உருவகம் கூகிள்லீன்ட் என்று அழைக்கப்படுகிறது, இது 22 அடுக்குகள் கொண்ட ஆழமான நெட்வொர்க் ஆகும், அதன் தரம் வகைப்படுத்தல் மற்றும் கண்டறிதல் சூழலில் மதிப்பிடப்படுகிறது.

1827de6fa9c9c1b3d647a9d707042e89cf94abf0

பயிற்சியின் போது ஒவ்வொரு அடுக்குகளின் உள்ளீடுகளின் விநியோகம் மாறுகிறது, முந்தைய அடுக்குகளின் அளவுருக்கள் மாறும் என்பதால் ஆழமான நரம்பியல் நெட்வொர்க்குகளை பயிற்றுவிப்பது சிக்கலாக உள்ளது. இது குறைந்த கற்றல் விகிதங்கள் மற்றும் கவனமான அளவுரு தொடக்கத்தை தேவைப்படுவதால் பயிற்சியை மெதுவாக்குகிறது, மேலும் நிரப்பப்பட்ட நேரியல் அல்லாத மாதிரிகளை பயிற்றுவிப்பதை மிகவும் கடினமாக்குகிறது. நாம் இந்த நிகழ்வை உள் இணை மாறி மாற்றம் என்று குறிப்பிடுகிறோம், அடுக்கு உள்ளீடுகளை இயல்பாக்குவதன் மூலம் பிரச்சினையை தீர்க்கிறோம். எங்கள் முறை அதன் வலிமையை மாதிரி கட்டமைப்பின் ஒரு பகுதியாக இயல்பாக்குவதன் மூலம் பெறுகிறது மற்றும் ஒவ்வொரு பயிற்சி மினி-தொகுப்பிற்கும் இயல்பாக்குதலைச் செய்கிறது. தொகுதி இயல்பாக்கம் அதிக கற்றல் விகிதங்களைப் பயன்படுத்தவும், தொடக்கமயமாக்கலில் குறைவான கவனத்துடன் இருக்கவும் அனுமதிக்கிறது, சில சந்தர்ப்பங்களில் கைவிட வேண்டிய அவசியத்தை நீக்குகிறது. ஒரு அதிநவீன பட வகைப்படுத்தல் மாதிரியில் பயன்படுத்தப்படும், தொகுதி இயல்பாக்கம் 14 மடங்கு குறைவான பயிற்சி படிகளுடன் அதே துல்லியத்தை அடைகிறது, மேலும் அசல் மாதிரியை கணிசமான விளிம்பில் வெல்லும். தொகுதி-சாதாரணப்படுத்தப்பட்ட நெட்வொர்க்குகளின் தொகுப்பைப் பயன்படுத்தி, இமேஜ்நெட் வகைப்படுத்தலில் வெளியிடப்பட்ட சிறந்த முடிவை மேம்படுத்துகிறோம்: 4.82% முதல் 5 சோதனை பிழையை அடைந்து, மனித மதிப்பீட்டாளர்களின் துல்லியத்தை மீறுகிறது.

6e80768219b2ab5a3247444cfb280e8d33d369f0

இந்த ஆய்வில் ஒரு அல்ட்ரா-வைட் பேண்ட் (UWB) சக்தி பிரிப்பான் வடிவமைக்கப்பட்டுள்ளது. இந்த சக்தி பிரிப்பான் UWB செயல்திறன் ஒரு கூர்மையான மைக்ரோஸ்ட்ரிப் வரியைப் பயன்படுத்தி பெறப்படுகிறது, இது எக்ஸ்போன்ஷியல் மற்றும் நீள்வட்டப் பிரிவுகளைக் கொண்டுள்ளது. கரடுமுரடான கிரானுட் பாரலல் மைக்ரோ-ஜெனெடிக் அல்காரிதம் (PMGA) மற்றும் CST மைக்ரோவேவ் ஸ்டுடியோ ஆகியவை ஒரு தானியங்கி இணை வடிவமைப்பு செயல்முறையை அடைய இணைக்கப்பட்டுள்ளன. இந்த முறை UWB ஆற்றல் பிரிப்பான் உகந்ததாக்க பயன்படுத்தப்படுகிறது. உகந்த சக்தி பிரிப்பான் தயாரிக்கப்பட்டு அளவிடப்படுகிறது. அளவிடப்பட்ட முடிவுகள் ஒப்பீட்டளவில் குறைந்த செருகல் இழப்பு, நல்ல திரும்ப இழப்பு மற்றும் முழு UWB (3.1-10.6 GHz) முழுவதும் வெளியீட்டு துறைமுகங்களுக்கு இடையில் அதிக தனிமைப்படுத்தலைக் காட்டுகின்றன.

2532d0567c8334e4cadf282a73ffe399c1c32476

செயல்திறன் அளவீடு என்பது பெறப்பட்ட வெகுமதிகளின் தொகை. உதாரணமாக, ஒரு பம்பல் தேனீ உணவுகளைத் தேடும்போது, ஒவ்வொரு நேர படிகளிலும் வெகுமதி செயல்பாடு பறந்த தூரம் (எதிர்மறையாக எடைபோடப்பட்டது) மற்றும் உட்கொண்ட நறுமணத்தின் சில கலவையாக இருக்கலாம். வலுவூட்டல் கற்றல் (RL) முறைகள் அடிப்படையில் மார்கோவ் முடிவெடுக்கும் செயல்முறைகளை (MDPs) தீர்க்கும் ஆன்லைன் வழிமுறைகள் ஆகும். ஒரு MDP என்பது வெகுமதி செயல்பாடு மற்றும் ஒரு மாதிரி மூலம் வரையறுக்கப்படுகிறது, அதாவது, ஒவ்வொரு சாத்தியமான செயலுக்கும் நிபந்தனை விதித்த மாநில மாற்றம் நிகழ்தகவுகள். RL வழிமுறைகள் மாதிரி அடிப்படையிலானதாக இருக்கலாம், அங்கு முகவர் ஒரு மாதிரியை கற்றுக்கொள்கிறார், அல்லது மாதிரி இல்லாதது - எ. கா. , Q- கற்றல் வாட்கின்ஸ்ஃ 1989, இது ஒரு செயல்பாட்டை மட்டுமே கற்றுக்கொள்கிறது Q ((s, a) மாநிலத்தில் ஒரு நடவடிக்கை எடுப்பதன் நீண்ட கால மதிப்பைக் குறிப்பிடுகிறது s மற்றும் அதன் பிறகு உகந்த முறையில் செயல்படுகிறது. அவற்றின் வெற்றிகள் இருந்தபோதிலும், RL முறைகள் பெரும்பாலும் முழுமையாகக் காணக்கூடிய MDP களுக்கு மட்டுப்படுத்தப்பட்டுள்ளன, இதில் ஒவ்வொரு மாநிலத்திலும் உணர்திறன் உள்ளீடு நிலையை அடையாளம் காண போதுமானது. வெளிப்படையாக, நிஜ உலகில், நாம் பெரும்பாலும் பகுதியாகக் காணக்கூடிய MDPs (POMDPs) களைக் கையாள வேண்டும். POMDP களில் உகந்த முடிவுகள் ஒவ்வொரு கட்டத்திலும் b என்ற நம்பிக்கை நிலையைப் பொறுத்தது என்பதை ஆஸ்ட்ரோம் (1965) நிரூபித்தார், அதாவது, அனைத்து சாத்தியமான உண்மையான நிலைகளிலும் பிந்தைய நிகழ்தகவு விநியோகம், இன்றுவரை அனைத்து ஆதாரங்களையும் அளிக்கிறது. Parr and Russell (1995) ஒரு மிக எளிய POMDP RL வழிமுறையை விவரிக்கிறது, இது b இன் வெளிப்படையான பிரதிநிதித்துவத்தை நிகழ்தகவுகளின் திசையனாகப் பயன்படுத்துகிறது, மேலும் McCallum (1993) சமீபத்திய கருத்து வரிசைகளைப் பயன்படுத்தி நம்பிக்கை நிலையை தோராயமாகக் காட்ட ஒரு வழியைக் காட்டுகிறது. எந்தவொரு அணுகுமுறையும் அதிக எண்ணிக்கையிலான மாநில மாறிகள் மற்றும் நீண்ட கால கால சார்புநிலைகள் கொண்ட சூழ்நிலைகளுக்கு அளவிடக்கூடியதாக இல்லை. மாதிரிக்கு ஒரு சிறிய பிரதிநிதித்துவம் தேவைப்படுகிறது மற்றும் மாதிரி மற்றும் ஒவ்வொரு புதிய அவதானிப்பையும் கருத்தில் கொண்டு நம்பிக்கையை திறம்பட புதுப்பித்தல். டைனமிக் பேய்சியன் நெட்வொர்க்குகள் (Dean & Kanazawa, 1989) சில தேவையான பண்புகளைக் கொண்டிருப்பதாகத் தெரிகிறது; குறிப்பாக, அவை கால்மன் வடிகட்டிகள் மற்றும் மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் போன்ற பிற அணுகுமுறைகளை விட குறிப்பிடத்தக்க நன்மைகளைக் கொண்டுள்ளன. புள்ளி 1ல் காட்டப்பட்டுள்ள நமது அடிப்படை கட்டமைப்பு, புதிய சென்சார் தகவல் வரும்போது நம்பிக்கை நிலையை பிரதிநிதித்துவப்படுத்தவும் புதுப்பிக்கவும் DBN களைப் பயன்படுத்துகிறது. b க்கான பிரதிநிதித்துவத்தை அளித்தால், நரம்பு நெட்வொர்க் போன்ற சில கருப்பு பெட்டி செயல்பாட்டு தோராயமானவனால் பிரதிநிதித்துவப்படுத்தப்படும் Q-செயலியைக் கற்றுக்கொள்ள வெகுமதி சமிக்ஞை பயன்படுத்தப்படுகிறது. நாம் ஹைபிரிட் (இணைப்பு) இந்த பேச்சு ஒரு கற்றல் முகவரின் மிக எளிய "அடிப்படை கட்டமைப்பை" முன்மொழிகிறது, இது ஸ்டோகாஸ்டிக், பகுதியாகக் காணக்கூடிய சூழல்களைக் கையாள முடியும். கட்டிடக்கலை வலுவூட்டல் கற்றலை ஒரு முறைடன் சேர்த்து கால செயல்முறைகளை வரைகலை மாதிரிகளாக பிரதிநிதித்துவப்படுத்துகிறது. உணர்வு சார்ந்த உள்ளீடுகளிலிருந்து அத்தகைய பிரதிநிதித்துவங்களின் அளவுருக்கள் மற்றும் கட்டமைப்பைக் கண்டுபிடிப்பதற்கும், பின்புற நிகழ்தகவுகளை கணக்கிடுவதற்கும் நான் முறைகளைப் பற்றி விவாதிப்பேன். முழுமையான முகவரை நாம் சோதிப்பதற்கு முன்னர் சில திறந்த பிரச்சினைகள் உள்ளன; நாம் அளவிடுவதை கருத்தில் கொள்ளும்போது மேலும் எழுகின்றன. இரண்டாவது கருப்பொருள், வலுவூட்டல் கற்றல் என்பது விலங்குகள் மற்றும் மனிதர்களின் கற்றலுக்கு ஒரு நல்ல மாதிரியாக இருக்க முடியுமா என்பதுதான். இந்த கேள்விக்கு பதிலளிக்க, நாம் தலைகீழ் வலுவூட்டல் கற்றலை செய்ய வேண்டும்: கண்காணிக்கப்பட்ட நடத்தை கொடுக்கப்பட்டால், எந்த வெகுமதி சமிக்ஞை, ஏதேனும் இருந்தால், உகந்ததாக்கப்படுகிறது? இது COLT, UAI, மற்றும் ML சமூகங்களுக்கு மிகவும் சுவாரஸ்யமான பிரச்சினையாகத் தெரிகிறது, மேலும் மார்கோவ் முடிவெடுக்கும் செயல்முறைகளின் கட்டமைப்பு மதிப்பீட்டின் தலைப்பில் பொருளாதாரம் குறித்து உரையாற்றப்பட்டது. 1 நிச்சயமற்ற சூழல்களில் கற்றல் AI என்பது புத்திசாலித்தனமான முகவர்களை உருவாக்குவது பற்றியது, அதாவது, ஒரு சூழலில் திறம்பட (சில செயல்திறன் அளவீடுகளின்படி) உணர்ந்து செயல்படும் அமைப்புகள். ரஸ்ஸல் மற்றும் நோர்விக் (1995) ஆகியோரின் வேறு இடங்களில் நான் வாதிட்டிருக்கிறேன், பெரும்பாலான AI ஆராய்ச்சி நிலையான, தீர்மானகரமான, தனித்தனி மற்றும் முழுமையாகக் காணக்கூடிய சூழல்களில் கவனம் செலுத்தியுள்ளது. நிஜ உலகில், சூழல் மாறும், நிலையான, தொடர்ச்சியான, மற்றும் பகுதியாகக் காணக்கூடியதாக இருக்கும்போது என்ன செய்ய வேண்டும்? NSF @I-9634215), ONR (N00014-97-l-0941) மற்றும் AR0 (DAAH04-96-1-0341) ஆகியவற்றால் ஆதரிக்கப்படும் பல்வேறு ஆராய்ச்சி முயற்சிகளை இந்த ஆவணம் ஆதரிக்கிறது. இந்த படைப்பின் அனைத்து அல்லது பகுதி நகல்களை தனிப்பட்ட அல்லது வகுப்பறை பயன்பாட்டிற்காக டிஜிட்டல் அல்லது அச்சு நகல்களை உருவாக்க அனுமதி கட்டணம் இல்லாமல் வழங்கப்படுகிறது, பிரதிகள் பிரபல அல்லது வணிக நன்மைக்காக தயாரிக்கப்படவோ அல்லது விநியோகிக்கப்படவோ இல்லை மற்றும் பிரதிகளில் இந்த அறிவிப்பு மற்றும் முதல் பக்கத்தில் முழு மேற்கோளையும் கொண்டுள்ளது. மற்றபடி நகலெடுக்க. மறுபதிப்பு செய்ய, சேவையகங்களில் பதிவிட அல்லது பட்டியல்களுக்கு மறுவிநியோகிக்க, முன் குறிப்பிட்ட அனுமதி மற்றும்/அல்லது கட்டணம் தேவைப்படுகிறது. COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 சமீபத்திய ஆண்டுகளில், வலுவூட்டல் கற்றல் (நியூரோடைனமிக் நிரலாக்கமாகவும் அழைக்கப்படுகிறது) தானியங்கி முகவர்களை உருவாக்குவதற்கான ஒரு அணுகுமுறையாக விரைவான முன்னேற்றத்தை அடைந்துள்ளது (சட்டன், 1988; கெல்ப்லிங் மற்றும் பலர், 1996; பெர்ட்செகாஸ் & சிட்சிக்லிஸ், 1996). அடிப்படை யோசனை என்னவென்றால், செயல்திறன் அளவீடு முகவருக்கு ஒரு வெகுமதி செயல்பாட்டின் வடிவத்தில் வழங்கப்படுகிறது, இது முகவர் கடந்து செல்லும் ஒவ்வொரு மாநிலத்திற்கும் வெகுமதியை குறிப்பிடுகிறது.

6f20506ce955b7f82f587a14301213c08e79463b

d14ddc01cff72066c6655aa39f3e207e34fb8591

இந்த ஆவணம் மைக்ரோ எலக்ட்ரோ மெக்கானிக்கல் சிஸ்டம்ஸ் (MEMS) அடிப்படையிலான ரேடியோ-அதிர்வெண் (RF) தொழில்நுட்பத்தின் ஒப்பீட்டளவில் புதிய பகுதியை கையாள்கிறது. RF MEMS புதிய சாதனங்கள் மற்றும் கூறுகளின் ஒரு வர்க்கத்தை வழங்குகிறது, இது வழக்கமான (பொதுவாக அரைக்கடத்தி) சாதனங்களுடன் ஒப்பிடும்போது உயர் அதிர்வெண் செயல்திறனைக் காட்டுகிறது, மேலும் புதிய கணினி திறன்களை அனுமதிக்கிறது. கூடுதலாக, MEMS சாதனங்கள் வடிவமைக்கப்பட்டு மிகப் பெரிய அளவிலான ஒருங்கிணைப்புகளுக்கு ஒத்த நுட்பங்களால் தயாரிக்கப்படுகின்றன, மேலும் அவை பாரம்பரிய தொகுதி-செயலாக்க முறைகளால் தயாரிக்கப்படலாம். இந்த ஆய்வில், ஒரே ஒரு கருவி எலக்ட்ரோஸ்டேடிக் மைக்ரோஸ்விட்ச்- ஒருவேளை முன்னுதாரண RF-MEMS கருவியாக இருக்கலாம். அதன் உயர்ந்த செயல்திறன் பண்புகள் மூலம், மைக்ரோ சுவிட்ச் பல இருக்கும் சுற்றுகள் மற்றும் அமைப்புகளில் உருவாக்கப்பட்டு வருகிறது, இதில் ரேடியோ முன்-முனைகள், மின்தேக்கி வங்கிகள் மற்றும் நேர-தாமத நெட்வொர்க்குகள் ஆகியவை அடங்கும். மிகக் குறைந்த சக்தி வீழ்ச்சி மற்றும் பெரிய அளவிலான ஒருங்கிணைப்பு ஆகியவற்றுடன் இணைந்து உயர்ந்த செயல்திறன் புதிய அமைப்பு செயல்பாட்டையும் செயல்படுத்தும். இங்கு இரண்டு சாத்தியக்கூறுகள் க்வாசி-ஒளியியல் பீம் ஸ்ட்யரிங் மற்றும் மின்சார ரீதியாக மறுசீரமைக்கக்கூடிய ஆண்டெனாக்கள் ஆகும்.

9d5f36b92ac155fccdae6730660ab44d46ad501a

ஆபத்து சமநிலை என்பது பல்வகைப்படுத்தப்பட்ட போர்ட்ஃபோலியோக்களை உருவாக்கப் பயன்படுத்தப்படும் ஒரு ஒதுக்கீட்டு முறையாகும், இது எதிர்பார்க்கப்படும் வருமானம் குறித்த எந்த அனுமானங்களையும் நம்பவில்லை, இதனால் ஆபத்து மேலாண்மை மூலோபாயத்தின் மையத்தில் உள்ளது. 2008 ஆம் ஆண்டு உலகளாவிய நிதி நெருக்கடிக்குப் பிறகு ஏன் ஆபத்து சமநிலை ஒரு பிரபலமான முதலீட்டு மாதிரியாக மாறியது என்பதை இது விளக்குகிறது. இருப்பினும், ஆபத்து சமநிலைக்கு விமர்சனம் செய்யப்பட்டுள்ளது, ஏனெனில் இது போர்ட்ஃபோலியோ செயல்திறனை விட ஆபத்து செறிவு மேலாண்மை மீது கவனம் செலுத்துகிறது, எனவே செயலில் உள்ள நிர்வாகத்தை விட செயலற்ற நிர்வாகத்திற்கு நெருக்கமாக உள்ளது. இந்த கட்டுரையில், எதிர்பார்த்த வருமானத்தை எப்படி அறிமுகப்படுத்துவது என்பதைக் காண்பிக்கிறோம். இதைச் செய்ய, போர்ட்ஃபோலியோ வருமானம் மற்றும் ஏற்ற இறக்கத்தை கணக்கில் எடுத்துக்கொள்ளும் ஒரு பொதுவான ஆபத்து அளவீட்டை நாங்கள் கருதுகிறோம். இருப்பினும், செயல்திறன் மற்றும் ஏற்ற இறக்க பங்களிப்புகளுக்கு இடையிலான சமரசம் சில சிரமங்களை உருவாக்குகிறது, அதே நேரத்தில் ஆபத்து பட்ஜெட் பிரச்சினை தெளிவாக வரையறுக்கப்பட வேண்டும். இத்தகைய ஆபத்து வரவு செலவுத் திட்டப் பொதிகளின் தத்துவார்த்த பண்புகளைத் துவக்கிய பிறகு, இந்த புதிய மாதிரியை சொத்து ஒதுக்கீட்டிற்குப் பயன்படுத்துகிறோம். முதலாவதாக, நீண்டகால முதலீட்டுக் கொள்கையையும், மூலோபாய சொத்து ஒதுக்கீட்டை நிர்ணயிப்பதையும் நாம் கருத்தில் கொள்கிறோம். பின்னர் நாம் மாறும் ஒதுக்கீட்டைக் கருத்தில் கொண்டு, எதிர்பார்த்த வருமானத்தைச் சார்ந்திருக்கும் ஆபத்து சமநிலை நிதியை எவ்வாறு உருவாக்குவது என்பதைக் காட்டுகிறோம்.

006df3db364f2a6d7cc23f46d22cc63081dd70db

ஒரு ad hoc நெட்வொர்க் என்பது எந்தவொரு நிறுவப்பட்ட உள்கட்டமைப்பு அல்லது மையப்படுத்தப்பட்ட நிர்வாகத்தின் உதவியின்றி தற்காலிக நெட்வொர்க்கை உருவாக்கும் வயர்லெஸ் மொபைல் ஹோஸ்ட்களின் தொகுப்பாகும். அத்தகைய சூழலில், ஒவ்வொரு மொபைல் ஹோஸ்டின் வயர்லெஸ் டிரான்ஸ்மிஷன்களின் வரம்பு குறைவாக இருப்பதால், ஒரு தொகுப்பை அதன் இலக்குக்கு அனுப்புவதில் ஒரு மொபைல் ஹோஸ்டுக்கு மற்ற ஹோஸ்ட்களின் உதவியை நாடுவது அவசியமாக இருக்கலாம். இந்த ஆவணம், ஆற்றல்மிக்க மூல வழிவகுப்பைப் பயன்படுத்தும் ad hoc நெட்வொர்க்குகளில் வழிவகுப்பதற்கான ஒரு நெறிமுறையை முன்வைக்கிறது. ஹோஸ்ட் நகர்வு அடிக்கடி இருக்கும்போது நெறிமுறை விரைவாக மாற்றங்களை மாற்றியமைக்கிறது, ஆனால் ஹோஸ்ட்கள் குறைவாக நகரும் காலங்களில் சிறிய அல்லது எந்த ஓவர்ஹெட் தேவைப்படுகிறது. ஒரு குறிப்பிட்ட நெட்வொர்க்கில் இயங்கும் மொபைல் ஹோஸ்ட்களின் தொகுப்பு-நிலை உருவகப்படுத்துதலின் முடிவுகளின் அடிப்படையில், நெறிமுறை ஹோஸ்ட் அடர்த்தி மற்றும் இயக்க விகிதங்கள் போன்ற பல்வேறு சுற்றுச்சூழல் நிலைகளில் சிறப்பாக செயல்படுகிறது. மிக உயர்ந்த ஹோஸ்ட் இயக்க விகிதங்களைத் தவிர, அனைத்து சிமுலேட்டட் ஹோஸ்ட்களுக்கும், நெறிமுறையின் ஓவர்ஹெட் மிகவும் குறைவாக உள்ளது, இது 24 மொபைல் ஹோஸ்ட்களின் வலையமைப்பில் மிதமான இயக்க விகிதங்களுக்கு அனுப்பப்படும் மொத்த தரவு தொகுப்புகளில் 1% மட்டுமே. எல்லா சந்தர்ப்பங்களிலும், பயன்படுத்தப்படும் பாதைகளுக்கும் உகந்த பாதை நீளங்களுக்கும் இடையிலான நீள வேறுபாடு குறிப்பிடத்தக்கதாக இல்லை, பெரும்பாலான சந்தர்ப்பங்களில், பாதை நீளங்கள் உகந்தவைக்கு 1.01 என்ற காரணிக்குள் சராசரியாக உள்ளன.

25a26b86f4a2ebca2b154effbaf894aef690c03c

சமீபத்தில், உரை கற்றல் பணிகளுக்கு பெயரிடப்பட்ட மற்றும் பெயரிடப்படாத தரவை இணைக்கும் மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறைகளில் குறிப்பிடத்தக்க ஆர்வம் உள்ளது. இணை பயிற்சி அமைப்பை [1] இயற்கையாகவே இரண்டு பிரிக்கப்பட்ட தொகுப்புகளாக தங்கள் அம்சங்களை பிரித்துள்ள தரவுத்தொகுப்புகளுக்கு பொருந்தும். லேபிளிடப்பட்ட மற்றும் லேபிளிடப்படாத தரவுகளிலிருந்து கற்றல் போது, இயற்கையான சுயாதீனமான பிளவுகளை வெளிப்படையாக பயன்படுத்தி அல்காரிதம்கள் சிறப்பாக செயல்படுவதை நாங்கள் நிரூபிக்கிறோம். இயற்கையான பிளவு இல்லாதபோது, ஒரு அம்ச பிளவு உற்பத்தி செய்யும் இணை பயிற்சி வழிமுறைகள் பிளவு பயன்படுத்தாத வழிமுறைகளை விட சிறப்பாக செயல்படக்கூடும். இந்த முடிவுகள் ஏன் கூட்டு பயிற்சி வழிமுறைகள் இயற்கையில் பாகுபாடு மற்றும் அவற்றின் உட்பொதிக்கப்பட்ட வகைப்படுத்திகளின் அனுமானங்களுக்கு வலுவானவை என்பதை விளக்க உதவுகின்றன.

78beead3a05f7e8f2dc812298f813c5bacdc3061

1d6889c44e11141cc82ef28bba1afe07f3c0a2b4

கடந்த சில ஆண்டுகளில், இன்டர்நெட் ஆஃப் திங்ஸ் (ஐஓடி) என்பது பரவலாகப் பயன்படுத்தப்பட்டு ஒவ்வொரு துறையிலும் காணப்படுகிறது. சாதனங்களுக்கு இடையே பாதுகாப்பான தகவல்தொடர்புகளை செயல்படுத்த, அங்கீகாரம் மற்றும் அணுகல் கட்டுப்பாடு ஆகியவை முக்கியமான மற்றும் முக்கியமான செயல்பாடுகளாக உள்ளன. IoT நெட்வொர்க்குகளில் குறைந்த சக்தி கொண்ட சாதனங்களின் இயக்கம், மாறும் நெட்வொர்க் டோபோலஜி மற்றும் பலவீனமான உடல் பாதுகாப்பு ஆகியவை பாதுகாப்பு பாதிப்புகளுக்கான சாத்தியமான ஆதாரங்களாகும். இது ஒரு அங்கீகாரம் மற்றும் அணுகல் கட்டுப்பாட்டு தாக்குதலை எதிர்க்கும் மற்றும் வளங்களை கட்டுப்படுத்தும் மற்றும் விநியோகிக்கப்பட்ட IoT சூழலில் இலகுரகதாக ஆக்குகிறது. இந்த ஆவணம் அடையாள அங்கீகாரம் மற்றும் திறன் அடிப்படையிலான அணுகல் கட்டுப்பாட்டு (IACAC) மாதிரியை நெறிமுறை மதிப்பீடு மற்றும் செயல்திறன் பகுப்பாய்வு மூலம் வழங்குகிறது. மனிதன் நடுவில், மறுபதிப்பு மற்றும் சேவை மறுப்பு (டோஸ்) தாக்குதல்களிலிருந்து IoT ஐப் பாதுகாக்க, அணுகல் கட்டுப்பாட்டுக்கான திறன் என்ற கருத்து அறிமுகப்படுத்தப்படுகிறது. இந்த மாதிரியின் புதுமை என்னவென்றால், இது IoT சாதனங்களுக்கான அங்கீகாரம் மற்றும் அணுகல் கட்டுப்பாட்டின் ஒருங்கிணைந்த அணுகுமுறையை முன்வைக்கிறது. பிற தொடர்புடைய ஆய்வுகளின் முடிவுகளும் எங்கள் கண்டுபிடிப்புகளை சரிபார்க்கவும் ஆதரிக்கவும் பகுப்பாய்வு செய்யப்பட்டுள்ளன. இறுதியாக, முன்மொழியப்பட்ட நெறிமுறை பாதுகாப்பு நெறிமுறை சரிபார்ப்பு கருவியைப் பயன்படுத்தி மதிப்பீடு செய்யப்படுகிறது மற்றும் சரிபார்ப்பு முடிவுகள் IACAC மேற்கூறிய தாக்குதல்களுக்கு எதிராக பாதுகாப்பானது என்பதைக் காட்டுகிறது. இந்த ஆவணம் கணக்கீட்டு நேரத்தின் அடிப்படையில் நெறிமுறையின் செயல்திறன் பகுப்பாய்வையும் விவாதிக்கிறது. 1, 309-348 க்கு c © 2013 ரிவர் பப்ளிஷர்ஸ். அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. 310 பி. என். மஹல்லே மற்றும் பலர். தற்போதுள்ள தீர்வுகள். மேலும், இந்த ஆவணத்தில் IoT-இல் உள்ள சவால்கள் மற்றும் பாதுகாப்பு தாக்குதல்கள் ஆகியவை IoT நெட்வொர்க்குகளின் உண்மையான பார்வையை வழங்க பயன்பாட்டு நிகழ்வுகளுடன் மாதிரியாகக் காட்டப்படுகின்றன.

310b72fbc3d384ca88ca994b33476b8a2be2e27f

ஆன்லைன் உரை ஆவணங்களில் இருந்து ஒரு தலைப்பைப் பற்றிய உணர்வை (அல்லது கருத்தை) பிரித்தெடுக்கும் உணர்வு பகுப்பாய்வி (எஸ்ஏ) ஐ நாங்கள் முன்வைக்கிறோம். ஒரு தலைப்பைப் பற்றிய ஒரு முழு ஆவணத்தின் உணர்வை வகைப்படுத்துவதற்குப் பதிலாக, SA கொடுக்கப்பட்ட தலைப்புக்கு அனைத்து குறிப்புகளையும் கண்டறிந்து, இயற்கை மொழி செயலாக்க (NLP) நுட்பங்களைப் பயன்படுத்தி ஒவ்வொரு குறிப்புகளிலும் உணர்வை தீர்மானிக்கிறது. நமது உணர்வு பகுப்பாய்வு என்பது 1) ஒரு தலைப்பு சார்ந்த அம்ச கால பிரித்தெடுத்தல், 2) உணர்வு பிரித்தெடுத்தல், மற்றும் 3) உறவு பகுப்பாய்வு மூலம் (தலைப்பு, உணர்வு) தொடர்பு ஆகியவற்றைக் கொண்டுள்ளது. SA பகுப்பாய்விற்கு இரண்டு மொழி வளங்களைப் பயன்படுத்துகிறது: உணர்வு சொற்களஞ்சியம் மற்றும் உணர்வு முறை தரவுத்தளம். இந்த வழிமுறைகளின் செயல்திறன் ஆன்லைன் தயாரிப்பு மதிப்பாய்வு கட்டுரைகள் (டிஜிட்டல் கேமரா மற்றும் இசை மதிப்புரைகள்) மற்றும் பொது வலைப்பக்கங்கள் மற்றும் செய்தி கட்டுரைகள் உள்ளிட்ட பொதுவான ஆவணங்களில் சரிபார்க்கப்பட்டது.

59d9160780bf3eac8c621983a36ff332a3497219

தானியங்கி உணர்வு பகுப்பாய்வின் பல அணுகுமுறைகள் அவற்றின் முந்தைய துருவமுனை (சராசரி நோக்குநிலை என்றும் அழைக்கப்படுகிறது) குறிக்கப்பட்ட சொற்களின் பெரிய சொற்களஞ்சியத்துடன் தொடங்குகின்றன. இருப்பினும், ஒரு வார்த்தையின் ஒரு குறிப்பிட்ட நிகழ்வு தோன்றும் சொற்றொடரின் சூழல் துருவமுனைப்பு, வார்த்தையின் முந்தைய துருவமுனைப்பிலிருந்து முற்றிலும் மாறுபட்டதாக இருக்கலாம். எதிர்மறை உணர்வுகளை வெளிப்படுத்தும் சொற்றொடர்களில் நேர்மறையான சொற்கள் பயன்படுத்தப்படுகின்றன, அல்லது நேர்மாறாகவும். மேலும், பெரும்பாலும், சூழலில் இருந்து வெளியேற்றப்பட்ட நேர்மறை அல்லது எதிர்மறை சொற்கள் சூழலில் நடுநிலை வகிக்கின்றன, அதாவது அவை ஒரு உணர்வை வெளிப்படுத்த கூட பயன்படுத்தப்படுவதில்லை. இந்த பணியின் நோக்கம், முன்னர் மற்றும் சூழல் சார்ந்த துருவநிலைக்கு இடையில் தானாகவே வேறுபடுத்துவதாகும், இந்த பணிக்காக எந்த அம்சங்கள் முக்கியம் என்பதைப் புரிந்துகொள்வதில் கவனம் செலுத்துகிறது. இந்த சிக்கலின் ஒரு முக்கியமான அம்சம் நடுநிலை சூழல்களில் துருவ சொற்கள் பயன்படுத்தப்படுவதை அடையாளம் காண்பது என்பதால், நடுநிலை மற்றும் துருவ நிகழ்வுகளுக்கு இடையில் வேறுபடுவதற்கான அம்சங்கள் மதிப்பீடு செய்யப்படுகின்றன, அதே போல் நேர்மறை மற்றும் எதிர்மறை சூழல் துருவத்திற்கு இடையில் வேறுபடுவதற்கான அம்சங்களும் மதிப்பீடு செய்யப்படுகின்றன. மதிப்பீட்டில் பல இயந்திர கற்றல் வழிமுறைகளில் அம்சங்களின் செயல்திறனை மதிப்பீடு செய்வது அடங்கும். ஒரு முறை தவிர மற்ற அனைத்து கற்றல் வழிமுறைகளுக்கும், அனைத்து அம்சங்களின் கலவையும் சிறந்த செயல்திறனை அளிக்கிறது. மதிப்பீட்டின் மற்றொரு அம்சம் நேர்மறை மற்றும் எதிர்மறை துருவநிலைக்கு இடையில் வேறுபடுவதற்கான அம்சங்களின் செயல்திறனை நடுநிலை நிகழ்வுகளின் இருப்பு எவ்வாறு பாதிக்கிறது என்பதைக் கருதுகிறது. இந்த சோதனைகள் நடுநிலை நிகழ்வுகளின் இருப்பு இந்த அம்சங்களின் செயல்திறனை பெரிதும் குறைக்கிறது என்பதைக் காட்டுகிறது, மேலும் அனைத்து துருவ வகுப்புகளிலும் செயல்திறனை மேம்படுத்துவதற்கான சிறந்த வழி, ஒரு நிகழ்வு நடுநிலை இருக்கும்போது அடையாளம் காணும் அமைப்பின் திறனை மேம்படுத்துவதாகும்.

7c89cbf5d860819c9b5e5217d079dc8aafcba336

இந்த ஆய்வில், வாக்கிய மட்ட வகைப்படுத்தலின் ஒரு வழக்கு ஆய்வை நாங்கள் விவரிக்கிறோம், இதில் டேக்கிங் வழிமுறைகள் நான்கு நீதிபதிகள் வால் ஸ்ட்ரீட் ஜர்னலில் இருந்து பிரிவுகளை அகநிலை அல்லது குறிக்கோளாக வகைப்படுத்த பயன்படுகின்றன. நான்கு நீதிபதிகளிடையே ஏற்பட்ட உடன்பாடு பகுப்பாய்வு செய்யப்பட்டு, அந்த பகுப்பாய்வின் அடிப்படையில், ஒவ்வொரு பிரிவுக்கும் இறுதி வகைப்பாடு வழங்கப்படுகிறது. வகைப்பாடுகளுக்கு அனுபவபூர்வமான ஆதரவை வழங்குவதற்காக, சார்பு வகை மற்றும் குயர்க் மற்றும் பிறர் முன்வைத்த அடிப்படை சொற்பொருள் வகுப்புக்கு இடையிலான தரவுகளில் தொடர்புகள் மதிப்பிடப்படுகின்றன. (1985).

9141d85998eadb1bca5cca027ae07670cfafb015

உணர்வுகளை (கருத்துக்களின் உணர்ச்சிபூர்வமான பகுதிகள்) அடையாளம் காண்பது ஒரு சவாலான பிரச்சினையாகும். ஒரு தலைப்பைக் கொடுத்தால், அந்த தலைப்பைப் பற்றிய கருத்துக்களைக் கொண்டவர்களை தானாகவே கண்டுபிடித்து, ஒவ்வொரு கருத்தின் உணர்வைக் கண்டறிந்து, ஒரு அமைப்பை முன்வைக்கிறோம். இந்த அமைப்பில் ஒரு சொல் உணர்வை தீர்மானிப்பதற்கான ஒரு தொகுதி உள்ளது, மற்றொருவர் ஒரு வாக்கியத்திற்குள் உணர்வுகளை இணைப்பதற்கானது. வார்த்தை மற்றும் வாக்கிய மட்டங்களில் உணர்வுகளை வகைப்படுத்தி இணைக்கும் பல்வேறு மாதிரிகளை நாங்கள் பரிசோதித்து வருகிறோம், நம்பிக்கைக்குரிய முடிவுகளுடன்.

c2ac213982e189e4ad4c7f60608914a489ec9051

மூன்று வருட அனுபவத்தில் இருந்து, அரபு மொழியில் உள்ள சிறு குறிப்புகளை உருவாக்கி, பின்வருவனவற்றை ஆராய்வோம்: (அ) முறையான தேர்வுகள் தொடர்பாக அரபு மொழி தொடர்பான பிரச்சினைகளை ஆய்வு செய்தல், (ஆ) Penn English Treebank வழிகாட்டுதல்களைப் பயன்படுத்துவதற்கான எங்கள் விருப்பத்தை விளக்குதல், (அரபு மொழி பேசும் சிறு குறிப்புகளை ஒரு புதிய இலக்கணத்தை கையாள அரபு மொழி பேசும் சிறு குறிப்பு தேவைப்படுகிறது) (c) மனித விமர்சனம் முக்கியமானது மற்றும் தானியங்கி பகுப்பாய்வு கடினமானது, இதில் உருவவியல் பகுப்பாய்வி மற்றும் மனித விமர்சகர்கள் இருவரும் எழுத்துப்பிழை தெளிவின்மையை கையாளுதல் உட்பட பல வழிகளைக் காட்டுங்கள்; (d) அரபு மர வங்கி முறை, உருவவியல் பகுப்பாய்வு மற்றும் குறிச்சொல் மற்றும் தொடரியல் பகுப்பாய்வு ஆகிய இரண்டிலும் ஒரு குறிப்பிட்ட கட்டுமானத்தில் கவனம் செலுத்துகிறது மற்றும் முழு குறிப்பு செயல்முறை மூலம் அதை விரிவாகப் பின்பற்றுகிறது, இறுதியாக, (ஈ) இதுவரை அடையப்பட்டவை மற்றும் இன்னும் செய்ய வேண்டியவை.

e33a3487f9b656631159186db4b2aebaed230b36

டிஜிட்டல் தளங்கள் இன்று கிட்டத்தட்ட ஒவ்வொரு தொழிற்துறையையும் மாற்றியமைத்து வருவதால், அவை மெதுவாக முக்கிய தகவல் அமைப்பு (ஐஎஸ்) இலக்கியத்தில் தங்கள் வழியைக் காண்கின்றன. டிஜிட்டல் தளங்கள், அவற்றின் பரவலான தன்மை மற்றும் நிறுவனங்கள், சந்தைகள் மற்றும் தொழில்நுட்பங்களுடன் தொடர்புடையது என்பதால், அவை ஒரு சவாலான ஆராய்ச்சி பொருளாக உள்ளன. மேடை கண்டுபிடிப்புகளின் அதிவேக வளர்ச்சியின் விளைவாக புதிய ஆராய்ச்சி சவால்கள் எழுகின்றன, மேடை கட்டமைப்புகளின் வளர்ந்து வரும் சிக்கலான தன்மை மற்றும் பல வெவ்வேறு தொழில்களுக்கு டிஜிட்டல் தளங்களின் பரவல். இந்த ஆவணம் டிஜிட்டல் தளங்களில் ஆராய்ச்சி செய்வதற்கான ஆராய்ச்சி நிகழ்ச்சி நிரலை உருவாக்குகிறது. (1) பகுப்பாய்வு அலகு, டிஜிட்டல் தன்மை மற்றும் டிஜிட்டல் தளங்களின் சமூக தொழில்நுட்ப தன்மையைக் குறிப்பிடும் தெளிவான வரையறைகளை வழங்குவதன் மூலம் கருத்தியல் தெளிவை மேம்படுத்த ஆராய்ச்சியாளர்கள் முயல வேண்டும்; (2) வெவ்வேறு கட்டமைப்பு மட்டங்களிலும் வெவ்வேறு தொழில் அமைப்புகளிலும் தளங்களை ஆய்வு செய்வதன் மூலம் டிஜிட்டல் தள கருத்துக்களின் சரியான நோக்கத்தை வரையறுக்கவும்; மற்றும் (3) உட்பொதிக்கப்பட்ட வழக்கு ஆய்வுகள், நீள ஆய்வுகள், வடிவமைப்பு ஆராய்ச்சி, தரவு-உந்துதல் மாடலிங் மற்றும் காட்சிப்படுத்தல் நுட்பங்களைப் பயன்படுத்துவதன் மூலம் முறைசார் கடுமையை மேம்படுத்தவும். வணிகத் துறையில் தற்போதைய முன்னேற்றங்களைக் கருத்தில் கொண்டு, மேலும் ஆராய்ச்சி செய்ய ஆறு கேள்விகளை நாங்கள் பரிந்துரைக்கிறோம்: (1) தளங்கள் இங்கே தங்கியிருக்கிறதா? 2) தளங்கள் எவ்வாறு வடிவமைக்கப்பட வேண்டும்? 3) டிஜிட்டல் தளங்கள் தொழில்களை எவ்வாறு மாற்றுகின்றன? (4) தரவு சார்ந்த அணுகுமுறைகள் டிஜிட்டல் தளங்கள் ஆராய்ச்சியை எவ்வாறு வழிநடத்த முடியும்? (5) ஆராய்ச்சியாளர்கள் டிஜிட்டல் தளங்களுக்கான கோட்பாட்டை எவ்வாறு உருவாக்க வேண்டும்? ; மற்றும் (6) டிஜிட்டல் தளங்கள் அன்றாட வாழ்க்கையை எவ்வாறு பாதிக்கின்றன?

1be8cab8701586e751d6ed6d186ca0b6f58a54e7

ஒரு அமைப்பு விவரக்குறிப்பின் பயன், தேவைகளின் முழுமையின் மீதும் சார்ந்துள்ளது. எனினும், தேவையான அனைத்து தேவைகளையும் பட்டியலிடுவது கடினம், குறிப்பாக தேவைகள் கணிக்க முடியாத சூழலுடன் தொடர்பு கொள்ளும்போது. ஒரு இலட்சிய சுற்றுச்சூழல் பார்வையுடன் கட்டப்பட்ட ஒரு விவரக்குறிப்பு, இலட்சியமற்ற நடத்தைகளை கையாளும் தேவைகளை உள்ளடக்கவில்லை என்றால் முழுமையடையாது. பெரும்பாலும் முழுமையற்ற தேவைகள் செயல்படுத்தப்படும் வரை, சோதனை அல்லது மோசமான, பயன்படுத்தப்பட்ட பிறகு கண்டறியப்படவில்லை. தேவைகள் பகுப்பாய்வின் போது செய்யப்படும் போது கூட, முழுமையற்ற தேவைகளை கண்டறிவது பொதுவாக பிழைகள், கடினமான மற்றும் கையேடு பணி. இந்த ஆவணம், வரிசைமுறை தேவைகள் மாதிரிகளின் குறியீட்டு பகுப்பாய்வைப் பயன்படுத்தி முழுமையற்ற தேவைகள் சிதைவைக் கண்டறியும் ஒரு வடிவமைப்பு-நேர அணுகுமுறையான Ares ஐ அறிமுகப்படுத்துகிறது. தொழில்துறை அடிப்படையிலான ஆட்டோமொபைல் தகவமைப்பு பயணக் கட்டுப்பாட்டு அமைப்பின் தேவைகள் மாதிரியில் Ares ஐப் பயன்படுத்துவதன் மூலம் எங்கள் அணுகுமுறையை விளக்குகிறோம். Ares ஆனது வடிவமைப்பு நேரத்தில் முழுமையற்ற தேவைகள் சிதைவுகளின் குறிப்பிட்ட நிகழ்வுகளை தானாகவே கண்டறிய முடியும், அவற்றில் பல நுட்பமானவை மற்றும் கைமுறையாகவோ அல்லது சோதனையிலோ கண்டறிவது கடினம்.

155ed7834a8a44a195b80719985a8b4ca11e6fdc

பல-உள்ளீடு பல-வெளியீடு (MIMO) ரேடார் வழக்கமான கட்டம்-அரையு ரேடார் அமைப்புகளை விட அலை வடிவ பன்முகத்தன்மையின் மூலம் சிறந்த செயல்திறனை அடைய முடியும். ஒரு MIMO ரேடார் நேர்கோண அலை வடிவங்களை அனுப்பும்போது, சிதறல்களிலிருந்து பிரதிபலிக்கும் சமிக்ஞைகள் ஒருவருக்கொருவர் நேரியல் சுயாதீனமாக இருக்கும். எனவே, கபோன் மற்றும் பெருக்க மற்றும் கட்ட மதிப்பீட்டு (APES) வடிப்பான்கள் போன்ற தழுவல் பெறும் வடிப்பான்கள், MIMO ரேடார் பயன்பாடுகளில் நேரடியாக பயன்படுத்தப்படலாம். இருப்பினும், அதிக அளவு சத்தம் மற்றும் வலுவான குழப்பம் ஆகியவை தரவு சார்ந்த பீம்ஃபார்மர்களின் கண்டறிதல் செயல்திறனை கணிசமாக மோசமாக்குகின்றன. Iterative adaptive approach (IAA), ஒரு அளவுரு அல்லாத மற்றும் பயனர் அளவுரு இல்லாத எடை குறைந்த சதுர அல்காரிதம், சமீபத்தில் பல செயலற்ற மற்றும் செயலில் உள்ள உணர்திறன் பயன்பாடுகளில் மேம்பட்ட தெளிவுத்திறன் மற்றும் குறுக்கீடு நிராகரிப்பு செயல்திறனை வழங்குவதாக நிரூபிக்கப்பட்டது. இந்த ஆய்வில், IAA ஐ MIMO ரேடார் இமேஜிங் வரை எவ்வாறு விரிவுபடுத்த முடியும் என்பதைக் காட்டுகிறோம், குறிப்பிடத்தக்க மற்றும் குறிப்பிடத்தக்க இன்ட்ராபல்ஸ் டாப்லர் நிகழ்வுகளில், மேலும் IAA இன் சில தத்துவார்த்த ஒத்திசைவு பண்புகளையும் நாங்கள் நிறுவுகிறோம். கூடுதலாக, ஒரு ஒழுங்குபடுத்தப்பட்ட IAA வழிமுறையை நாங்கள் முன்மொழிகிறோம், இது IAA-R என குறிப்பிடப்படுகிறது, இது சமிக்ஞை மாதிரியில் பிரதிநிதித்துவப்படுத்தப்படாத கூடுதல் சத்தம் விதிமுறைகளை கணக்கிடும் IAA ஐ விட சிறப்பாக செயல்பட முடியும். ஒற்றை உள்ளீடு பல வெளியீடு (SIMO) ரேடார் மீது MIMO ரேடார் உயர்ந்த செயல்திறன் நிரூபிக்க எண் உதாரணங்கள் வழங்கப்படுகின்றன, மேலும் இலக்கு இமேஜிங் முன்மொழியப்பட்ட IAA-R முறையுடன் அடையப்பட்ட மேம்பட்ட செயல்திறனை மேலும் முன்னிலைப்படுத்தவும்.

0cfe588996f1bc319f87c6f75160d1cf1542d9a9

20efcba63a0d9f12251a5e5dda745ac75a6a84a9

ccaab0cee02fe1e5ffde33b79274b66aedeccc65

போக்குவரத்தின் எதிர்காலமாக, சுய-ஓட்டுநர் கார்கள் சமூக, பொருளாதார, பொறியியல், கணினி அறிவியல், வடிவமைப்பு மற்றும் நெறிமுறைகள் உள்ளிட்ட பல்வேறு கண்ணோட்டங்களில் விவாதிக்கப்படுகின்றன. ஒருபுறம், தானியங்கி வாகனங்கள் புதிய பொறியியல் சிக்கல்களை முன்வைக்கின்றன, அவை படிப்படியாக வெற்றிகரமாக தீர்க்கப்படுகின்றன. மறுபுறம், சமூக மற்றும் ஒழுக்க பிரச்சினைகள் வழக்கமாக ஒரு தீர்க்க முடியாத முடிவெடுக்கும் சிக்கலின் வடிவத்தில் முன்வைக்கப்படுகின்றன, இது ட்ரோலி பிரச்சனை என்று அழைக்கப்படுகிறது, இது மிகவும் தவறானதாகும். புதிய தொழில்நுட்பத்தை உருவாக்குவதற்கு ஒரு பயன்பாட்டு பொறியியல் நெறிமுறை அணுகுமுறை தேவை என்று நாங்கள் வாதிடுகிறோம்; அணுகுமுறை பயன்படுத்தப்பட வேண்டும், அதாவது இது சிக்கலான உண்மையான உலக பொறியியல் சிக்கல்களின் பகுப்பாய்வில் கவனம் செலுத்த வேண்டும். சுய ஓட்டுநர் கார்களை கட்டுப்படுத்துவதில் மென்பொருள் முக்கிய பங்கு வகிக்கிறது; எனவே, மென்பொருள் பொறியியல் தீர்வுகள் நெறிமுறை மற்றும் சமூகக் கருத்தாய்வுகளை தீவிரமாக கையாள வேண்டும். இந்த ஆய்வில், கட்டுப்பாட்டு கருவிகள், தரநிலைகள், வடிவமைப்பு மற்றும் கூறுகள், அமைப்புகள் மற்றும் சேவைகளின் செயல்படுத்தல்கள் ஆகியவற்றை நாம் நெருக்கமாகப் பார்க்கிறோம், மேலும் மென்பொருள் பொறியியலுக்கான புதிய எதிர்பார்ப்புகளை எதிர்கொள்ள வேண்டிய நடைமுறை சமூக மற்றும் நெறிமுறை சவால்களை நாங்கள் முன்வைக்கிறோம்.

288c67457f09c0c30cadd7439040114e9c377bc3

அக்ராவால், இமியெலின்ஸ்கி, மற்றும் சுவாமி ஆகியோரால் அறிமுகப்படுத்தப்பட்ட சங்க விதிகள், உறவின் வரிசைகளில் 90% க்கு என்ற வடிவத்தின் விதிகள் ஆகும், வரிசை W தொகுப்பில் உள்ள நெடுவரிசைகளில் 1 மதிப்பைக் கொண்டிருந்தால், அது B நெடுவரிசையிலும் 1 ஐக் கொண்டுள்ளது. பெரிய தரவுத் தொகுப்புகளிலிருந்து தொடர்பு விதிகளை கண்டறிய திறமையான முறைகள் உள்ளன. இருப்பினும், கண்டுபிடிக்கப்பட்ட விதிகளின் எண்ணிக்கை மிகப் பெரியதாக இருக்கலாம், இதனால் விதி தொகுப்பை உலாவுவது மற்றும் அதில் இருந்து சுவாரஸ்யமான விதிகளைக் கண்டுபிடிப்பது பயனருக்கு மிகவும் கடினமாக இருக்கும். விதிமுறைகளின் எளிமையான வடிவமைப்பானது சுவாரஸ்யமான விதிகளின் கட்டமைப்பை எளிதாக விவரிக்க எவ்வாறு உதவுகிறது என்பதை நாங்கள் காட்டுகிறோம். விதிகளை காட்சிப்படுத்துவதற்கான உதாரணங்களையும், விதிமுறைகள் வார்ப்புருக்களுடன் ஒரு காட்சிப்படுத்தல் கருவி எவ்வாறு இடைமுகப்படுத்துகிறது என்பதையும் காண்பிக்கிறோம்.

384bb3944abe9441dcd2cede5e7cd7353e9ee5f7

47f0f6a2fd518932734cc90936292775cc95aa5d

b336f946d34cb427452517f503ada4bbe0181d3c

வீடியோ புரிதலில் சமீபத்திய முன்னேற்றம் மற்றும் கால நடவடிக்கை உள்ளூர்மயமாக்கலில் தொடர்ச்சியான முன்னேற்ற விகிதம் பல ஆண்டுகளாக இருந்தபோதிலும், அது இன்னும் எவ்வளவு தூரம் (அல்லது நெருக்கமாக? நாம் பிரச்சினையை தீர்க்க வேண்டும். இதற்காக, வீடியோக்களில் உள்ள கால நடவடிக்கை கண்டறிதல் சாதனங்களின் செயல்திறனை பகுப்பாய்வு செய்வதற்கும், ஒரு ஸ்கேலர் அளவீட்டுக்கு அப்பால் வெவ்வேறு முறைகளை ஒப்பிடுவதற்கும் ஒரு புதிய கண்டறியும் கருவியை அறிமுகப்படுத்துகிறோம். ActivityNet செயல்திறன் உள்ளூர்மயமாக்கல் சவாலில் சிறந்த வெகுமதி பெற்ற பதிவுகளின் செயல்திறனை பகுப்பாய்வு செய்வதன் மூலம் எங்கள் கருவியின் பயன்பாட்டை நாங்கள் எடுத்துக்காட்டுகிறோம். நமது பகுப்பாய்வுகள், வேலை செய்ய வேண்டிய மிகவும் தாக்கமுள்ள பகுதிகள் பின்வருமாறுஃ நிகழ்வுகளைச் சுற்றியுள்ள கால சூழலை சிறப்பாக கையாளுவதற்கான உத்திகள், வலுவான தன்மையை மேம்படுத்துதல் w.r.t. நிகழ்வு முழுமையான மற்றும் உறவினர் அளவு, மற்றும் உள்ளூர்மயமாக்கல் பிழைகள் குறைக்க உத்திகள். மேலும், எங்கள் பரிசோதனை பகுப்பாய்வு, இந்த துறையில் முன்னேற்றத்தை அடைவதற்கு, குறிப்புரைகள் இடையே உள்ள உடன்பாடின்மை ஒரு முக்கிய தடை அல்ல என்பதைக் கண்டறிந்துள்ளது. நமது நோயறிதல் கருவி பொதுமக்களுக்கு கிடைக்கிறது, மற்ற ஆராய்ச்சியாளர்களின் மனதை அவர்களின் வழிமுறைகள் பற்றிய கூடுதல் நுண்ணறிவுகளுடன் தொடர்ந்து ஊக்குவிக்க.

160404fb0d05a1a2efa593c448fcb8796c24b873

பிரதிநிதித்துவத்தின் உருவகப்படுத்துதல் கோட்பாடு உருவாக்கப்பட்டு, மூளையின் பிரதிநிதித்துவ செயல்பாடுகளின் பரந்த அளவிலான பல்வேறு வகைகளை வெளிப்படுத்தக்கூடிய ஒரு கட்டமைப்பாக ஆராயப்படுகிறது. கட்டுப்பாட்டுக் கோட்பாடு (முன்னோக்கி மாதிரிகள்) மற்றும் சமிக்ஞை செயலாக்கம் (கல்மான் வடிகட்டிகள்) ஆகியவற்றின் கட்டமைப்புகள் அடிப்படையில் இந்த கட்டமைப்பு அமைக்கப்பட்டுள்ளது. உடல் மற்றும் சூழலுடன் தொடர்புகொள்வதைத் தவிர, மூளை நரம்பு மண்டலங்களை உருவாக்குகிறது. அவை உடலுக்கும் சூழலுக்கும் மாதிரிகளாக செயல்படுகின்றன. வெளிப்படையான உணர்வைக் கொண்டிருக்கும் போது, இந்த மாதிரிகள் உடலுக்கும் சுற்றுச்சூழலுக்கும் இணையாக செயல்திறன் பிரதிகளால் இயக்கப்படுகின்றன, உணர்ச்சி பின்னூட்டத்தின் எதிர்பார்ப்புகளை வழங்குவதற்காகவும், உணர்ச்சி தகவல்களை மேம்படுத்துவதற்கும் செயலாக்குவதற்கும். இந்த மாதிரிகள் படங்களை உருவாக்க, வெவ்வேறு செயல்களின் முடிவுகளை மதிப்பிடுவதற்கும், மதிப்பீடு செய்வதற்கும், மோட்டார் திட்டங்களை உருவாக்குவதற்கும் ஆஃப்லைனில் இயக்கப்படலாம். இந்த கட்டமைப்பானது ஆரம்பத்தில் மோட்டார் கட்டுப்பாட்டின் சூழலில் உருவாக்கப்பட்டது, அங்கு உடலுடன் இணையாக இயங்கும் உள் மாதிரிகள் பின்னூட்ட தாமத சிக்கல்களின் விளைவுகளை குறைக்க முடியும் என்று நிரூபிக்கப்பட்டுள்ளது. அதே வழிமுறைகள் மோட்டார் படங்களை எமுலேட்டரின் ஆஃப்லைன் டிரைவிங் மூலம் ஈஃபெரன்ஸ் நகல்களாகக் கருதலாம். மோட்டார்-விஷுவல் லூப்பின் ஒரு முன்மாதிரியின் ஆஃப்லைன் ஓட்டுதலாக காட்சி படங்களை கணக்கில் எடுத்துக்கொள்ள இந்த கட்டமைப்பு நீட்டிக்கப்பட்டுள்ளது. இதுபோன்ற அமைப்புகள் எவ்வாறு அமோடல் இடவியல் படங்களை வழங்க முடியும் என்பதையும் நான் காட்டுகிறேன். உணர்வு உணர்வு உட்பட, உணர்வு உணர்வு, இந்த மாதிரிகள் மூலம், உணர்வு நுழைவுகளை உருவாக்குவதற்கும், விளக்குவதற்கும் பயன்படுத்தப்படுகிறது. நான் சுருக்கமாக மற்ற அறிவாற்றல் செயல்பாடுகளை சுருக்கமாக முடிக்கிறேன், இது இந்த கட்டமைப்பிற்குள் தொகுக்கப்படலாம், பகுத்தறிவு, மன நிகழ்வுகளின் கோட்பாடு, மற்றும் மொழி உட்பட.

65c85498be307ee940976db668dae4546943a4c8

761f2288b1b0cea385b0b9a89bb068593d94d6bd

3டி முக அங்கீகாரம் என்பது தொழில் மற்றும் கல்வித்துறை ஆகிய இரண்டிலும் ஒரு பிரபலமான ஆராய்ச்சி திசையாக மாறியுள்ளது. இது இயற்கையான அங்கீகார செயல்முறை மற்றும் பரந்த அளவிலான பயன்பாடுகள் போன்ற பாரம்பரிய 2D முக அங்கீகாரத்திலிருந்து நன்மைகளை வாரிசு செய்கிறது. மேலும், 3டி முக அங்கீகார முறைகள் மங்கலான வெளிச்சத்தில் கூட மனித முகங்களை துல்லியமாக அடையாளம் காண முடியும், மேலும் மாறுபட்ட முக நிலைகள் மற்றும் வெளிப்பாடுகளுடன், அத்தகைய நிலைகளில் 2டி முக அங்கீகார முறைகள் செயல்பட மிகவும் கடினமாக இருக்கும். இந்த ஆவணம் 3D முக அங்கீகார ஆராய்ச்சி துறையில் வரலாறு மற்றும் மிக சமீபத்திய முன்னேற்றங்களை சுருக்கமாகக் கூறுகிறது. எல்லை ஆராய்ச்சி முடிவுகள் மூன்று பிரிவுகளாக அறிமுகப்படுத்தப்பட்டுள்ளனஃ போஸ்-இன்வேரியன்ட் அங்கீகாரம், வெளிப்பாடு-இன்வேரியன்ட் அங்கீகாரம் மற்றும் அடைப்பு-இன்வேரியன்ட் அங்கீகாரம். எதிர்கால ஆராய்ச்சியை ஊக்குவிப்பதற்காக, இந்த ஆவணம் பொதுவில் கிடைக்கும் 3D முக தரவுத்தளங்கள் பற்றிய தகவல்களை சேகரிக்கிறது. இந்த ஆவணத்தில் முக்கியமான திறந்த பிரச்சினைகள் பட்டியலிடப்பட்டுள்ளன.

2d2b1f9446e9b4cdb46327cda32a8d9621944e29

சமூக வலைதளங்களில் இணையம் பயன்படுத்துபவர்களின் எண்ணிக்கை சமீப ஆண்டுகளில் அதிகளவில் அதிகரித்துள்ளது. ஃபிரண்ட்ஸ்டர், ட்ரைப், அல்லது ஃபேஸ்புக் போன்ற சேவைகள் மில்லியன் கணக்கான தனிநபர்கள் ஆன்லைன் சுயவிவரங்களை உருவாக்கவும், தனிப்பட்ட தகவல்களை நண்பர்களின் பரந்த நெட்வொர்க்குகளுடன் பகிர்ந்து கொள்ளவும் அனுமதிக்கின்றன - மேலும், பெரும்பாலும், அறியப்படாத எண்ணிக்கையிலான அந்நியர்களுடன். இந்த ஆய்வில், ஆன்லைன் சமூக வலைப்பின்னல்களில் தகவல் வெளிப்பாடு மற்றும் அவற்றின் தனியுரிமை தாக்கங்கள் ஆகியவற்றை நாங்கள் ஆய்வு செய்கிறோம். கல்லூரிகளுக்கு வழங்கப்படும் பிரபலமான சமூக வலைதளத்தில் இணைந்த 4,000 க்கும் மேற்பட்ட கார்னகி மெலன் பல்கலைக்கழக மாணவர்களின் ஆன்லைன் நடத்தைகளை நாங்கள் பகுப்பாய்வு செய்தோம். அவர்கள் வெளியிடும் தகவல்களின் அளவை மதிப்பீடு செய்து, தளத்தின் தனியுரிமை அமைப்புகளை அவர்கள் பயன்படுத்துவதை ஆய்வு செய்கிறோம். அவர்களின் தனியுரிமையின் பல்வேறு அம்சங்களில் சாத்தியமான தாக்குதல்களை நாங்கள் முன்னிலைப்படுத்துகிறோம், மேலும் குறைந்த சதவீத பயனர்கள் மட்டுமே மிகவும் ஊடுருவக்கூடிய தனியுரிமை விருப்பங்களை மாற்றுவதைக் காட்டுகிறோம்.

e9c525679fed4dad85699d09b5ce1ccaffe8f11d

192687300b76bca25d06744b6586f2826c722645

இந்த ஆய்வில் நாம் ஆழமான கோஸ் செயல்முறை (GP) மாதிரிகளை அறிமுகப்படுத்துகிறோம். ஆழமான ஜி. பி. கள் என்பது ஒரு ஆழமான நம்பிக்கை நெட்வொர்க் ஆகும். இது கோஸ் செயல்முறை மேப்பிங் அடிப்படையில் அமைந்துள்ளது. தரவு ஒரு பன்முக GP இன் வெளியீடாக மாதிரியாக உள்ளது. அந்த கௌசியன் செயல்முறைக்கான உள்ளீடுகள் மற்றொரு GP ஆல் நிர்வகிக்கப்படுகின்றன. ஒரு அடுக்கு மாதிரி ஒரு நிலையான GP அல்லது GP மறைநிலை மாறி மாதிரி (GP-LVM) க்கு சமமானதாகும். மாறுபாடு சார்ந்த ஓரங்கட்டுதலின் மூலம் நாம் மாதிரியில் ஊகிக்கின்றோம். இதன் விளைவாக மாதிரித் தேர்வுக்கு நாம் பயன்படுத்தும் மாதிரியின் எல்லை சாத்தியக்கூறுகள் மீது ஒரு கடுமையான கீழ் எல்லை உள்ளது (அடுக்குகள் மற்றும் ஒரு அடுக்குக்கு முனைகளின் எண்ணிக்கை). ஆழமான நம்பிக்கை நெட்வொர்க்குகள் பொதுவாக ஒப்பீட்டளவில் பெரிய தரவுத் தொகுப்புகளுக்குப் பயன்படுத்தப்படுகின்றன. முழுமையாக பேய்சியன் முறையில் செயல்படுத்தப்படும் இந்த முறை, தரவு குறைவாக இருந்தாலும் கூட, ஆழமான மாதிரிகளை பயன்படுத்த அனுமதிக்கிறது. மாறுபட்ட வரம்பால் மாதிரி தேர்வு, 150 உதாரணங்களை மட்டுமே கொண்ட ஒரு இலக்க தரவு தொகுப்பை மாதிரியாகக் கொண்டிருக்கும்போது கூட ஐந்து அடுக்கு படிநிலை நியாயப்படுத்தப்படுகிறது என்பதைக் காட்டுகிறது.

2cac0942a692c3dbb46bcf826d71d202ab0f2e02

நாம் ஒரு அளவிடக்கூடிய ஆழமான அல்லாத பாராமெட்ரிக் உருவாக்கும் மாதிரி உருவாக்க ஒரு அங்கீகாரம் மாதிரி ஆழமான Gaussian செயல்முறைகள் அதிகரிப்பதன் மூலம். ஊகமானது ஒரு புதிய அளவிடக்கூடிய மாறுபட்ட கட்டமைப்பில் செய்யப்படுகிறது, அங்கு மாறுபட்ட பின்புற விநியோகங்கள் பல அடுக்கு பெர்செப்டிரான் மூலம் மறுபரிசீலனை செய்யப்படுகின்றன. இந்த மறுசீரமைப்பின் முக்கிய அம்சம் என்னவென்றால், இது மாறுபட்ட அளவுருக்களின் பெருக்கத்தை தடுக்கிறது, இது மாதிரி அளவுக்கு விகிதாசாரமாக நேரியல் முறையில் வளர்கிறது. நாம் ஒரு புதிய வடிவமைப்பைப் பெறுகிறோம் மாறுபட்ட கீழ் எல்லை இது பெரும்பாலான கணக்கீட்டை ஒரு வழியில் விநியோகிக்க அனுமதிக்கிறது இது முக்கிய ஆழமான கற்றல் பணிகளின் அளவிலான தரவுத்தொகுப்புகளை கையாள உதவுகிறது. ஆழ்ந்த மேற்பார்வை இல்லாத கற்றல் மற்றும் ஆழ்ந்த பேய்சியன் தேர்வுமுறை உள்ளிட்ட பல்வேறு சவால்களில் இந்த முறையின் செயல்திறனை நாங்கள் காட்டுகிறோம்.

722fcc35def20cfcca3ada76c8dd7a585d6de386

காஃபி என்பது மல்டிமீடியா விஞ்ஞானிகள் மற்றும் பயிற்சியாளர்களுக்கு அதிநவீன ஆழமான கற்றல் வழிமுறைகளுக்கான சுத்தமான மற்றும் மாற்றக்கூடிய கட்டமைப்பை வழங்குகிறது. இந்த கட்டமைப்பு BSD உரிமம் பெற்ற C++ நூலகமாகும், இது Python மற்றும் MATLAB பிணைப்புகளுடன் பொது நோக்கங்களுக்கான சுருக்க நரம்பியல் நெட்வொர்க்குகள் மற்றும் பிற ஆழமான மாதிரிகளை திறம்பட பொருட்கள் கட்டிடக்கலைகளில் பயிற்றுவிப்பதற்கும் பயன்படுத்துவதற்கும் ஆகும். காபி என்பது தொழில்துறை மற்றும் இணைய அளவிலான ஊடகத் தேவைகளுக்கு CUDA GPU கணக்கீட்டின் மூலம் பொருந்துகிறது, இது ஒரு K40 அல்லது டைட்டன் GPU இல் ஒரு நாளைக்கு 40 மில்லியனுக்கும் அதிகமான படங்களை செயலாக்குகிறது (ஒவ்வொரு படத்திற்கும் சுமார் 2 ms). மாதிரி பிரதிநிதித்துவத்தை உண்மையான நடைமுறைப்படுத்தலில் இருந்து பிரிப்பதன் மூலம், காஃபி சோதனை மற்றும் தளங்களுக்கு இடையில் தடையற்ற மாற்றத்தை அனுமதிக்கிறது. இது முன்மாதிரி இயந்திரங்களிலிருந்து மேகக்கணி சூழல்களுக்கு மேம்பாடு மற்றும் பயன்பாட்டை எளிதாக்குகிறது. காஃபி பராமரிக்கப்பட்டு பர்கெலி விஷன் மற்றும் கற்றல் மையம் (பி.வி.எல்.சி) GitHub இல் பங்களிப்பாளர்களின் செயலில் உள்ள சமூகத்தின் உதவியுடன் உருவாக்கப்பட்டது. இது தற்போதைய ஆராய்ச்சி திட்டங்கள், பெரிய அளவிலான தொழில்துறை பயன்பாடுகள் மற்றும் பார்வை, பேச்சு மற்றும் மல்டிமீடியா ஆகியவற்றில் தொடக்க முன்மாதிரிகளுக்கு சக்தி அளிக்கிறது.

fd50fa6954e1f6f78ca66f43346e7e86b196b137

நகர்ப்புறங்களில் மக்கள் நடத்தும் செயற்பாடுகளை முறையாக வடிவமைப்பது, பெருகிவரும் நகரமயமாக்கல் செயல்முறையால், ஒரு முக்கியமான சமூக பொருளாதார பணியாக அங்கீகரிக்கப்படுகிறது. நம்பகமான தரவு ஆதாரங்கள் இல்லாததால் பல ஆண்டுகளுக்கு முன்பு இந்த பணி கிட்டத்தட்ட சாத்தியமற்றதாக இருந்தது, ஆனால் புவி-குறியிடப்பட்ட சமூக ஊடகங்களின் (ஜிடிஎஸ்எம்) தரவுகளின் தோற்றம் அதற்கு புதிய வெளிச்சத்தை அளிக்கிறது. சமீபத்தில், GTSM தரவுகளிலிருந்து புவியியல் தலைப்புகளைக் கண்டுபிடிப்பதில் பலனளிக்கும் ஆய்வுகள் உள்ளன. இருப்பினும், அவற்றின் உயர் கணக்கீட்டு செலவுகள் மற்றும் மறைந்த தலைப்புகள் பற்றிய வலுவான விநியோக அனுமானங்கள் GTSM இன் சக்தியை முழுமையாக வெளியிடுவதைத் தடுக்கின்றன. இந்த இடைவெளியை குறைக்க, கிராஸ்மேப்பை முன்வைக்கிறோம், இது ஒரு புதிய குறுக்கு-மாதிரி பிரதிநிதித்துவ கற்றல் முறையாகும், இது பாரிய GTSM தரவுகளுடன் நகர்ப்புற இயக்கவியலை வெளிப்படுத்துகிறது. முதலில், மக்கள் செயற்பாடுகளுக்கு அடிப்படையான இட-நேர ஹாட்ஸ்பாட்களை கண்டறிய விரைவான முறையில் தேடும் முறையை க்ரோஸ்மேப் பயன்படுத்துகிறது. கண்டறியப்பட்ட அந்த ஹாட்ஸ்பாட்கள் இட-நேர வேறுபாடுகளை நிவர்த்தி செய்வதோடு மட்டுமல்லாமல், GTSM தரவுகளின் அரிதான தன்மையை பெரிதும் குறைக்கின்றன. கண்டறியப்பட்ட ஹாட்ஸ்பாட்களுடன், கிராஸ்மேப் பின்னர் இரண்டு வெவ்வேறு உத்திகளைப் பயன்படுத்தி அனைத்து இட, கால மற்றும் உரை அலகுகளையும் ஒரே இடத்தில் இணைத்துள்ளது: ஒன்று புனரமைப்பு அடிப்படையிலானது, மற்றொன்று வரைபட அடிப்படையிலானது. இரண்டு உத்திகளும் அலகுகளுக்கிடையேயான தொடர்புகளை அவற்றின் கூட்டு நிகழ்வு மற்றும் அண்டை உறவுகளை குறியீட்டு முறையில் கைப்பற்றுகின்றன, மேலும் அத்தகைய தொடர்புகளை பாதுகாக்க குறைந்த பரிமாண பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கின்றன. எங்கள் பரிசோதனைகள், கிராஸ்மேப் செயல்பாடு மீட்பு மற்றும் வகைப்படுத்தலுக்கான அதிநவீன முறைகளை விட கணிசமாக சிறந்தது என்பதை நிரூபிப்பது மட்டுமல்லாமல், மிகச் சிறந்த செயல்திறனை அடைகிறது.

ce8d99e5b270d15dc09422c08c500c5d86ed3703

மனித நடைபாதை பகுப்பாய்வு என்பது மனிதனின் உள்ளார்ந்த நடைபாதை அடையாளத்தை கண்டறிய உதவுகிறது. இதன் மூலம் மனிதனை அடையாளம் காணும் மற்றும் மருத்துவ கோளாறு பிரச்சினைகளை பரந்த அளவில் ஆராய முடியும். நடைபயிற்சி பயோமெட்ரிக் என்பது ஒரு மௌனமான அம்சத்தை வழங்குகிறது, இதன் மூலம் வீடியோ நடைபயிற்சி தரவை ஒரு பெரிய தூரத்தில், பொருள் குறித்த முன்கூட்டியே விழிப்புணர்வு இல்லாமல் பிடிக்க முடியும். இந்த ஆய்வில், கினெக்ட் எக்ஸ்பாக்ஸ் சாதனத்துடன் மனித நடை பகுப்பாய்வை ஆய்வு செய்வதற்கான ஒரு புதிய நுட்பம் உரையாற்றப்பட்டுள்ளது. இது தானியங்கி பின்னணி கழித்தல் நுட்பத்துடன் பிரிவு பிழைகளை குறைக்க உறுதி செய்கிறது. நெருக்கமாக ஒத்த மனித எலும்பு மாதிரி பின்னணி கழித்த நடை படங்களிலிருந்து உருவாக்கப்படலாம், இது நடை வேகத்தில் மாற்றம் மற்றும் ஆடை வகைகளில் உள்ள வேறுபாடுகள் போன்ற மாற்றமடைந்த நிலைமைகளால் மாற்றப்படுகிறது. இந்த நடை அடையாளங்கள் இடது இடுப்பு, இடது முழங்கால், வலது இடுப்பு மற்றும் வலது முழங்கால் ஆகியவற்றின் மூட்டு கோணப் பாதைகளிலிருந்து எடுக்கப்பட்டவை. கினெக்ட் நடை தரவுகளின் சோதனை சரிபார்ப்பு, சென்சார் அடிப்படையிலான பயோமெட்ரிக் உடையான, நுண்ணறிவு நடை அசைவு கண்டறிதல் (ஐஜிஓடி) என்ற எங்கள் உள்-வளர்ச்சியுடன் ஒப்பிடப்பட்டுள்ளது. இந்த சென்சார் அடிப்படையிலான பயோமெட்ரிக் உடையை ஒரு கினெக்ட் சாதனத்துடன் மாற்ற முடியுமா என்பதை ஆராய்வதற்கான முயற்சி மேற்கொள்ளப்பட்டுள்ளது. அம்ச திசையின் பாகுபாட்டு சக்தியைப் பார்க்க பயிற்சி நடை கையொப்பத்தில் ஃபிஷர் பாகுபாடு பகுப்பாய்வு பயன்படுத்தப்பட்டுள்ளது. நாயீவ் பேய்சியன் வகைப்படுத்தி, கினெக்ட் சென்சார் மூலம் கைப்பற்றப்பட்ட வரையறுக்கப்பட்ட தரவுத் தொகுப்பில் பிழைகளை மதிப்பிடுவதன் மூலம் ஊக்கமளிக்கும் வகைப்படுத்தல் முடிவைக் காட்டுகிறது.

582ea307db25c5764e7d2ed82c4846757f4e95d7

செயல்பாட்டு தோராயமானது, அளவுரு இடத்தை விட, செயல்பாட்டு இடத்தில் எண் உகப்பாக்கம் என்ற கண்ணோட்டத்தில் பார்க்கப்படுகிறது. படிப்படியாக சேர்க்கும் விரிவாக்கங்களுக்கும், செங்குத்தான இறங்குதளக் குறைப்புக்கும் இடையே ஒரு தொடர்பு உள்ளது. எந்தவொரு தரத்தின் அடிப்படையிலும் ஒரு பொதுவான சாய்வு {பிறகுதல் \வலுவூட்டல்" முன்னுதாரணம் சேர்க்கை விரிவாக்கங்களுக்காக உருவாக்கப்பட்டுள்ளது. குறைந்தபட்ச சதுரங்கள், குறைந்தபட்ச முழுமையான விலகல், மற்றும் பின்னடைவுக்கான ஹூபர் இழப்பு செயல்பாடுகள், மற்றும் வகைப்படுத்தலுக்கான பல வகுப்பு தளவாட சாத்தியக்கூறுகள் ஆகியவற்றிற்கான குறிப்பிட்ட வழிமுறைகள் வழங்கப்படுகின்றன. தனித்தனி சேர்க்கை கூறுகள் முடிவு மரங்கள் என்று குறிப்பிட்ட வழக்கு சிறப்பு மேம்பாடுகள் பெறப்படுகின்றன, மற்றும் அத்தகைய "TreeBoost" மாதிரிகள் விளக்க கருவிகள் வழங்கப்படுகின்றன. முடிவு மரங்களின் சாய்வு அதிகரிப்பு போட்டித்திறன், மிகவும் வலுவான, விளக்கக்கூடிய நடைமுறைகளை உருவாக்குகிறது, குறிப்பாக சுத்தமான தரவுகளை விட குறைவான சுரங்கத்திற்கு ஏற்றது. இந்த அணுகுமுறைக்கும் ஃபிராய்ட் மற்றும் ஷாபியர் 1996 மற்றும் ஃபிரைட்மேன், ஹாஸ்டி மற்றும் திப்ஷிரானி 1998 ஆகியவற்றின் ஊக்க முறைகளுக்கும் இடையிலான தொடர்புகள் விவாதிக்கப்படுகின்றன. 1 செயல்பாடு மதிப்பீடு செயல்பாடு மதிப்பீட்டு சிக்கலில் ஒரு சீரற்ற \output" அல்லது \response" மாறி y மற்றும் சீரற்ற \input" அல்லது \explanatory" மாறிகள் x = fx1; ; xng. அறியப்பட்ட (y; x) { மதிப்புகளின் \training" மாதிரி fyi; xig N 1 ஐக் கொடுத்தால், அனைத்து (y; x) { மதிப்புகளின் கூட்டு விநியோகத்தில், சில குறிப்பிட்ட இழப்பு செயல்பாட்டின் (y; F (x)) எதிர்பார்க்கப்படும் மதிப்பு குறைக்கப்படும் வகையில், x ஐ y க்கு வரைபடமாக்கும் ஒரு செயல்பாடு F (x) ஐக் கண்டுபிடிப்பதே குறிக்கோள் ஆகும். F (x) = argmin F (x) Ey; x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) அடிக்கடி பயன்படுத்தப்படும் இழப்பு செயல்பாடுகள் (y; F) y 2 R (மறுப்பு) க்கான சதுர பிழை (y F) மற்றும் முழுமையான பிழை jy j F மற்றும் எதிர்மறை பைனல் லோகோமி {அதிர்ஷ்டம், log1 + e 2y F), y 2 f 1 (classification 1;g) போது. ஒரு பொதுவான நடைமுறை F (x) என்பது F (x; P) செயல்பாடுகளின் ஒரு அளவுரு வகுப்பின் உறுப்பினராக எடுத்துக்கொள்வது, அங்கு P = fP1; P2; g என்பது அளவுருக்களின் தொகுப்பு. இந்த ஆய்வில் நாம் படிவத்தின் "கூட்டுதல்" விரிவாக்கங்களில் கவனம் செலுத்துகிறோம்

6a7c63a73724c0ca68b1675e256bb8b9a35c94f4

JSTOR காப்பகத்தை நீங்கள் பயன்படுத்துவது, http://www.jstor.org/about/terms.html என்ற இணையதளத்தில் கிடைக்கும் JSTOR இன் விதிமுறைகள் மற்றும் பயன்பாட்டு நிபந்தனைகளை நீங்கள் ஏற்றுக் கொண்டிருப்பதைக் குறிக்கிறது. JSTOR இன் விதிமுறைகள் மற்றும் பயன்பாட்டு நிபந்தனைகள், நீங்கள் முன் அனுமதி பெறாவிட்டால், ஒரு பத்திரிகையின் முழு பதிப்பையும் அல்லது கட்டுரைகளின் பல பிரதிகள் பதிவிறக்கம் செய்ய முடியாது என்றும், JSTOR காப்பகத்தில் உள்ள உள்ளடக்கத்தை உங்கள் தனிப்பட்ட, வணிகரீதியான பயன்பாட்டிற்கு மட்டுமே பயன்படுத்தலாம் என்றும் கூறுகிறது. இந்த வேலையை மேலும் பயன்படுத்துவது குறித்து தயவுசெய்து வெளியீட்டாளரைத் தொடர்பு கொள்ளுங்கள். வெளியீட்டாளர்களின் தொடர்புத் தகவலை http://www.jstor.org/journals/econosoc.html என்ற இணையதளத்தில் பெறலாம். JSTOR ஒலிபரப்பின் எந்தப் பகுதியின் ஒவ்வொரு பிரதிக்கும், அத்தகைய ஒலிபரப்பின் திரையில் அல்லது அச்சிடப்பட்ட பக்கத்தில் தோன்றும் அதே பதிப்புரிமை அறிவிப்பைக் கொண்டிருக்க வேண்டும்.

8eca169f19425c76fa72078824e6a91a5b37f470

குறைந்த செலவு மற்றும் உயர் செயல்திறன் கொண்ட ரேடார் அமைப்புகளின் வெற்றிகரமான வடிவமைப்பிற்கு துல்லியமான மற்றும் திறமையான அமைப்பு உருவகப்படுத்துதல் ஒரு முக்கிய தேவை. இந்த ஆய்வில், அதிர்வெண் மாற்றியமைக்கப்பட்ட தொடர்ச்சியான அலை ரேடார் அமைப்புகளுக்கான ஒரு புதிய பல்துறை உருவகப்படுத்துதல் சூழலை நாங்கள் முன்வைக்கிறோம். பொதுவான வன்பொருள் உருவகப்படுத்துதலுக்கு மேலதிகமாக இது ஒருங்கிணைந்த அமைப்பு உருவகப்படுத்துதல் மற்றும் சிக்னல் தொகுப்பு முதல் அடிப்படை பட்டை வரை கருத்து பகுப்பாய்வு ஆகியவற்றை உள்ளடக்கியது. இதில் ஒரு நெகிழ்வான காட்சி ஜெனரேட்டர், துல்லியமான சத்தம் மாடலிங் மற்றும் சிக்னல் செயலாக்க வழிமுறைகளின் வளர்ச்சி மற்றும் சோதனைக்கான உருவகப்படுத்துதல் தரவை திறம்பட வழங்குகிறது. ஒருங்கிணைந்த 77-GHz ரேடார் முன்மாதிரிக்கான உருவகப்படுத்துதல்கள் மற்றும் அளவீட்டு முடிவுகளின் ஒப்பீடு இரண்டு வெவ்வேறு காட்சிகளில் சிமுலேட்டரின் திறன்களைக் காட்டுகிறது.

71337276460b50a2cb37959a2d843e593dc4fdcc

ஒரு புதிய தனிமைப்படுத்தப்படாத மூன்று-போர்ட் மாற்றி (NI-TPC) ஒன்று PV போர்ட், ஒரு இருதிசை பேட்டரி போர்ட் மற்றும் ஒரு சுமை போர்ட் ஆகியவற்றை இணைக்கும் வகையில் முன்மொழியப்பட்டுள்ளது. மூன்று துறைமுகங்களில் ஏதேனும் இரண்டு துறைமுகங்களுக்கு இடையில் ஒற்றை நிலை சக்தி மாற்றம் அடையப்படுகிறது. வழக்கமான கட்டமைப்பின் இரு திசை சக்தி ஓட்ட பாதையை இரண்டு ஒரு திசைகளில் பிரிப்பதன் மூலம் டோபோலஜி பெறப்படுகிறது. மூன்று துறைமுகங்களில் இரண்டு ஃபோட்டோகிராஃபிக் அல்லது பேட்டரிக்கு அதிகபட்ச சக்தி அறுவடை அடைய இறுக்கமாக கட்டுப்படுத்தப்படலாம், அதே நேரத்தில் சுமை மின்னழுத்தத்தை நிலையானதாக வைத்திருக்க முடியும், அதே நேரத்தில் மூன்றாவது துறைமுகத்தை மாற்றி சக்தி ஏற்றத்தாழ்வை ஈடுசெய்ய நெகிழ்வாக விடலாம். செயல்பாட்டு நிலைகள் பகுப்பாய்வு செய்யப்படுகின்றன. பல கட்டுப்பாட்டாளர் போட்டிக் கட்டுப்பாட்டு உத்தி PV நுழைவு சக்தி மாறுபடும் போது தன்னாட்சி மற்றும் மென்மையான மாநில மாறுதலை அடைய முன்வைக்கப்படுகிறது. பரிசோதனை முடிவுகளால் பகுப்பாய்வு சரிபார்க்கப்படுகிறது.

ac8877b0e87625e26f52ab75e84c534a576b1e77

டிஜிட்டல் உலகில், வணிக நிர்வாகிகள் தங்கள் நிறுவனங்களின் மதிப்பு உருவாக்கம் தகவல் மற்றும் தகவல் மேலாண்மை மூலோபாய முக்கியத்துவம் அதிக விழிப்புணர்வு வேண்டும். இது தலைமைத்துவ வாய்ப்புகளையும் சவால்களையும் CIO களுக்கு வழங்குகிறது. தகவல் தொழில்நுட்பத் துறைத் தலைவர்கள் பணியிடங்கள் ஓரங்கட்டப்படுவதைத் தடுப்பதற்கும், வணிக மதிப்பு உருவாக்குவதில் தகவல் தொழில்நுட்பத் தலைவர்களின் பங்களிப்பை மேம்படுத்துவதற்கும், அவர்கள் திறமையான தகவல் தொழில்நுட்பப் பயன்பாட்டு மேலாளர்களாக இருப்பதைத் தாண்டி, தங்கள் நிறுவனங்களுக்கு வலுவான தகவல் பயன்பாட்டு கலாச்சாரத்தை உருவாக்க உதவுவதில் தீவிரப் பங்காற்ற வேண்டும். இந்த கட்டுரையின் நோக்கம், CIOகள் மற்றும் வணிக நிர்வாகிகள் தங்கள் நிறுவனங்களின் தகவல் நோக்குநிலையை மேம்படுத்த பின்பற்றக்கூடிய தலைமைத்துவ அணுகுமுறைகளை நன்கு புரிந்துகொள்வதாகும். நான்கு வழக்கு ஆய்வுகளின் அடிப்படையில், நான்கு குவாட்ரன்ட் தலைமைத்துவ நிலைப்பாட்டு கட்டமைப்பை நாங்கள் உருவாக்கியுள்ளோம். இந்த கட்டமைப்பானது CIO s கண்ணோட்டத்தில் கட்டமைக்கப்பட்டுள்ளது மற்றும் ஒரு CIO அதன் மூலோபாய கவனத்தை அடைய நிறுவனத்தின் தகவல் நோக்குநிலை உருவாக்கத்தில் ஒரு தலைவர், ஒரு பின்தொடர்பவர் அல்லது ஒரு நன்-பிளேயர் செயல்பட முடியும் என்று குறிக்கிறது. இந்த கட்டுரை, CIOகள் தங்கள் நிறுவனங்களின் தகவல் சார்ந்த முன்முயற்சிகளை அறிமுகப்படுத்துவதில் அல்லது பராமரிப்பதில் தலைமைத்துவ சவால்களை நிலைநிறுத்த உதவும் வழிகாட்டுதல்களுடன் முடிவடைகிறது மற்றும் CIOகளின் குறிப்பிட்ட சூழ்நிலைகளைப் பொறுத்து குறிப்பிட்ட தலைமைத்துவ அணுகுமுறைகளை பரிந்துரைக்கிறது.

5c6b51bb44c9b2297733b58daaf26af01c98fe09

வாடிக்கையாளர் மதிப்பீடுகளில் கருத்து தெரிவிக்கப்பட்ட தயாரிப்பு அம்சங்களை சுரங்கப்படுத்த இரண்டு அம்ச பிரித்தெடுக்கும் வழிமுறைகளை இந்த ஆவணம் முறையாக ஒப்பிடுகிறது. முதல் அணுகுமுறை [17] POS வடிவங்களின் தொகுப்பைப் பயன்படுத்துவதன் மூலம் வேட்பாளர் அம்சங்களை அடையாளம் காணும் மற்றும் லாக் நிகழ்தகவு விகித சோதனையின் அடிப்படையில் வேட்பாளர் தொகுப்பை ஒழுங்கமைக்கிறது. இரண்டாவது அணுகுமுறை [11] அடிக்கடி ஏற்படும் அம்சங்களை அடையாளம் காணும் சங்க விதி சுரங்கத்தையும், அரிதான அம்சங்களை அடையாளம் காணும் உணர்வு சொற்களின் இருப்பை அடிப்படையாகக் கொண்ட ஒரு ஹூரிஸ்டிக்ஸையும் பயன்படுத்துகிறது. நுகர்வோர் மின்னணு சாதனங்கள் தொடர்பான ஐந்து தயாரிப்பு குறிப்பிட்ட ஆவண சேகரிப்புகளில் வழிமுறைகளின் செயல்திறனை மதிப்பீடு செய்கிறோம். நாம் பிழைகள் பகுப்பாய்வு செய்து, வழிமுறைகளின் நன்மைகள் மற்றும் வரம்புகள் பற்றி விவாதிக்கிறோம்.

623fd6adaa5585707d8d7339b5125185af6e3bf1

இந்த ஆய்வு இணைய விளையாட்டுக் கோளாறு (IGD) க்கான தலையீடுகள் பற்றிய ஒரு அரை பரிசோதனை, முன்னோக்கு ஆய்வு ஆகும். நூற்று நான்கு பெற்றோர்களும் அவர்களது இளம் பருவக் குழந்தைகளும் சேர்க்கப்பட்டு நான்கு சிகிச்சை குழுக்களில் ஒன்றிற்கு ஒதுக்கப்பட்டுள்ளனர்; 7 நாள் சிரிராஜ் சிகிச்சை குடியிருப்பு முகாம் (எஸ்-டிஆர்சி) மட்டும், 8 வார பெற்றோர் மேலாண்மை பயிற்சி விளையாட்டு போதைக்கு (பிஎம்டி-ஜி) மட்டும், இணைந்த எஸ்-டிஆர்சி மற்றும் பிஎம்டி-ஜி, மற்றும் அடிப்படை மனநலக் கல்வி (கட்டுப்பாடு). IGD இன் தீவிரத்தன்மை கேம் அடிமைத்தன்மை திரையிடல் சோதனை (GAST) மூலம் அளவிடப்பட்டது. GAST மதிப்பெண்களில் குழுக்களுக்கு இடையேயான சராசரி வேறுபாடு புள்ளியியல் ரீதியாக குறிப்பிடத்தக்கதாக இருந்தது, P மதிப்புகள் முறையே, 0. 001, 0. 002 மற்றும் 0. 005 ஆகியவை தலையீட்டிற்கு 1, 3, மற்றும் 6 மாதங்களுக்குப் பிறகு. அனைத்து குழுக்களும் கட்டுப்பாட்டு குழுவை விட முன்னேற்றத்தைக் காட்டின. போதை அல்லது போதைப்பொருள் சார்ந்த குழுக்களில் இருந்த இளைஞர்களின் சதவீதம் S- TRC, PMT- G மற்றும் இணைந்த குழுக்களில் 50% க்கும் குறைவாக இருந்தது. முடிவில், S-TRC மற்றும் PMT-G இரண்டும் IGD க்கு பயனுள்ள உளவியல் சமூக தலையீடுகளாக இருந்தன, மேலும் அடிப்படை மனநலக் கல்வியை விட சிறந்தது.

aca437e9e2a453c84a38d716ca9a7a7683ae58b6

இந்த ஆவணம் 3D காட்சி புரிதலுக்கான ஒரு புதிய முன்னோக்கை வழங்குகிறது. நமது அணுகுமுறை ஒரு எளிய கவனிப்பைப் பயன்படுத்துகிறது, மனித வடிவமைப்பின் மூலம், நிலையான காட்சிகளில் உள்ள பொருள்கள் ஈர்ப்புத் துறையில் நிலையானதாக இருக்க வேண்டும் மற்றும் மனித நடவடிக்கைகள் போன்ற பல்வேறு உடல் சீர்குலைவுகளுக்கு பாதுகாப்பாக இருக்க வேண்டும். இந்த அனுமானம் அனைத்து காட்சி வகைகளுக்கும் பொருந்தும் மற்றும் காட்சி புரிதலில் நம்பகமான விளக்கங்களுக்கு (பார்ஸ்கள்) பயனுள்ள கட்டுப்பாடுகளை முன்வைக்கிறது. ஆழம் கேமராக்களால் ஒரு நிலையான காட்சிக்காக கைப்பற்றப்பட்ட ஒரு 3D புள்ளி மேகம் கொடுக்கப்பட்டால், எங்கள் முறை மூன்று படிகளைக் கொண்டுள்ளது: (i) வோக்சல்களிலிருந்து திடமான 3D அளவு பூர்வங்களை மீட்டெடுப்பது; (ii) நிலையற்ற பூர்வங்களை உடல் ரீதியாக நிலையான பொருள்களாக குழுப்படுத்துவதன் மூலம் நிலைத்தன்மையற்ற தன்மையைக் கண்டறிதல்; மற்றும் (iii) மனித செயல்பாடு, காற்று அல்லது பூகம்பங்கள் போன்ற உடல் ரீதியான இடையூறுகளின் கீழ் உள்ள பொருள்களுக்கான உடல் அபாயங்களை மதிப்பிடுவதன் மூலம் பாதுகாப்பைக் கண்டறிதல். நாம் ஒரு புதிய உள்ளுணர்வு இயற்பியல் மாதிரியை ஏற்றுக்கொள்கிறோம் மற்றும் காட்சியில் உள்ள ஒவ்வொரு பழமையான மற்றும் பொருளின் ஆற்றல் நிலப்பரப்பை ஒரு துண்டிக்கப்பட்ட வரைபடத்தால் (டிஜி) பிரதிநிதித்துவப்படுத்துகிறோம். நாம் ஒரு தொடர்பு வரைபடத்தை உருவாக்குகிறோம் இதில் முனைகள் 3D அளவு பூர்வமானவை மற்றும் விளிம்புகள் ஆதரவு உறவுகளை குறிக்கின்றன. பின்னர் நாம் ஒரு ஸ்வென்ட்சன்-வாங் வெட்டு அல்காரிதம் தொடர்பு வரைபடத்தை குழுக்களாக பிரித்து, ஒவ்வொன்றும் ஒரு நிலையான பொருள். நிலையான காட்சியில் பாதுகாப்பற்ற பொருட்களைக் கண்டறிவதற்கு, எங்கள் முறை மேலும் மறைக்கப்பட்ட மற்றும் அமைந்துள்ள காரணங்களை (குழப்பங்கள்) காட்சியில் உள்ளடக்கியது, பின்னர் கோளாறுகளின் விளைவுகளாக சாத்தியமான விளைவுகளை (எ. கா. , வீழ்ச்சிகள்) கணிக்க உள்ளுணர்வு இயற்பியல் இயக்கவியலை அறிமுகப்படுத்துகிறது. இந்த வழிமுறை (i) பொருளின் பிரிவு, (ii) 3D அளவு மீட்பு, மற்றும் (iii) காட்சி புரிதல் ஆகியவற்றில் மற்ற அதிநவீன முறைகளை விட கணிசமாக சிறப்பான செயல்திறனை அடைகிறது என்பதை நாங்கள் பரிசோதனைகளில் நிரூபிக்கிறோம். மேலும், உள்நோக்க இயந்திரவியல் மாதிரியின் பாதுகாப்பு கணிப்புகளை மனிதனின் தீர்ப்புடன் ஒப்பிடுகிறோம்.

7e9507924ceebd784503fd25128218a7119ff722

எங்கள் அணுகுமுறை ஒவ்வொரு உரைத் தொகுப்பையும் ஒரு தலைப்பு வரைபடமாக வடிவமைக்கிறது. இந்த வரைபடங்கள் பின்னர் ஒரு நிலையான வரைபட பொருத்தமான முறையைப் பயன்படுத்தி பொருத்தப்படுகின்றன. அடுத்து, நாம் ஒரு விரிவான நிலை (LOD) காட்சிப்படுத்தலை உருவாக்குகிறோம், இது வாசிப்புத்திறன் மற்றும் ஸ்திரத்தன்மை ஆகிய இரண்டையும் சமன் செய்கிறது. அதன்படி, இதன் விளைவாக காட்சிப்படுத்தல் பயனர்கள் பல கண்ணோட்டங்களில் பொருந்தும் வரைபடத்தை புரிந்துகொள்வதற்கும் பகுப்பாய்வு செய்வதற்கும் திறனை மேம்படுத்துகிறது. மெட்ரிக் கற்றல் மற்றும் அம்சத் தேர்வு ஆகியவற்றை வரைபட பொருத்த வழிமுறையில் இணைப்பதன் மூலம், பயனர்கள் தங்கள் தகவல் தேவைகளின் அடிப்படையில் வரைபட பொருத்த முடிவுகளை ஊடாடும் வகையில் மாற்ற அனுமதிக்கிறோம். செய்தி கட்டுரைகள், ட்வீட் மற்றும் வலைப்பதிவு தரவு உள்ளிட்ட பல்வேறு தரவுகளுக்கு நாங்கள் எங்கள் அணுகுமுறையை பயன்படுத்தினோம். அளவு மதிப்பீடு மற்றும் நிஜ உலக வழக்கு ஆய்வுகள் எங்கள் அணுகுமுறையின் வாக்குறுதியை நிரூபிக்கின்றன, குறிப்பாக தலைப்பு-வரைபட அடிப்படையிலான முழுமையான படத்தை பல்வேறு விவரங்களின் மட்டங்களில் ஆய்வு செய்வதை ஆதரிக்கிறது. செய்திகள், வலைப்பதிவுகள் அல்லது மைக்ரோ வலைப்பதிவுகள் போன்ற பல ஆதாரங்களில் விவாதிக்கப்பட்ட பொருத்தமான தலைப்புகளின் முழுமையான படத்தை பகுப்பாய்வு செய்வதற்கான காட்சி பகுப்பாய்வு அணுகுமுறையை இந்த ஆவணம் முன்வைக்கிறது. முழுமையான படம் பல மூலங்களால் உள்ளடக்கப்பட்ட பல பொதுவான தலைப்புகளையும், ஒவ்வொரு மூலத்திலிருந்தும் தனித்துவமான தலைப்புகளையும் கொண்டுள்ளது.

b04a503487bc6505aa8972fd690da573f771badb

ஆழ்ந்த நரம்பு உணர்தல் மற்றும் கட்டுப்பாட்டு நெட்வொர்க்குகள் தானியங்கி வாகனங்களின் முக்கிய அங்கமாக இருக்கும். இந்த மாதிரிகள் விளக்கப்பட வேண்டும் - அவை அவற்றின் நடத்தைக்கு எளிதில் விளக்கக்கூடிய பகுத்தறிவுகளை வழங்க வேண்டும் - இதனால் பயணிகள், காப்பீட்டு நிறுவனங்கள், சட்ட அமலாக்க, டெவலப்பர்கள் போன்றவர்கள் ஒரு குறிப்பிட்ட நடத்தைக்கு என்ன காரணம் என்பதை புரிந்து கொள்ள முடியும். இங்கு காட்சி விளக்கங்களின் பயன்பாட்டை ஆராய்வோம். இந்த விளக்கங்கள் ஒரு படத்தின் உண்மையான நேர சிறப்பம்சமாக பகுதிகள் வடிவில் எடுத்துக்கொள்கின்றன, அவை நெட்வொர்க்கின் வெளியீட்டை (ஸ்டீரிங் கண்ட்ரோல்) காரண ரீதியாக பாதிக்கின்றன. எங்கள் அணுகுமுறை இரண்டு நிலைகளில் உள்ளது. முதல் கட்டத்தில், ஒரு காட்சி கவன மாதிரி பயன்படுத்தி ஒரு சுருக்க நெட்வொர்க் முனை-முனை படங்கள் இருந்து திசை கோணம் பயிற்சி. கவனம் மாதிரி, வலையமைப்பின் வெளியீட்டைப் பாதிக்கும் படப் பகுதிகளை முன்னிலைப்படுத்துகிறது. இவற்றில் சில உண்மையான செல்வாக்குகள், ஆனால் சில போலி. பின்பு, எந்த உள்ளீட்டு பகுதிகள் உண்மையில் வெளியீட்டை பாதிக்கின்றன என்பதைக் கண்டறிய ஒரு காரண வடிகட்டுதல் படிமுறையை பயன்படுத்துகிறோம். இது சுருக்கமான காட்சி விளக்கங்களை உருவாக்குகிறது மற்றும் வலையமைப்பின் நடத்தையை இன்னும் துல்லியமாக வெளிப்படுத்துகிறது. 16 மணிநேர ஓட்டுநர் பயணத்தை கொண்ட மூன்று தரவுத் தொகுப்புகளில் நமது மாதிரியின் செயல்திறனை நிரூபிக்கிறோம். கவனத்துடன் பயிற்சி செய்வது, முனைமுனை நெட்வொர்க்கின் செயல்திறனை குறைக்காது என்பதை முதலில் காட்டுகிறோம். பின்னர் நாம் காட்டுகிறோம் இந்த வலையமைப்பு காரணி சார்ந்த வகையில் பல்வேறு அம்சங்களை குறிப்பிடுகிறது வாகனத்தை ஓட்டும் போது மனிதர்கள் பயன்படுத்தும்.

4954bb26107d69eb79bb32ffa247c8731cf20fcf

பண்பு அடிப்படையிலான குறியாக்கம் (ABE) [13] ஒரு பயனரின் பண்புகளின் அடிப்படையில் டிக்ரிப்டேஷன் திறனை தீர்மானிக்கிறது. பல அதிகாரங்களைக் கொண்ட ABE திட்டத்தில், பல பண்பு-அதிகாரங்கள் வெவ்வேறு பண்புகளை கண்காணித்து பயனர்களுக்கு தொடர்புடைய டிக்ரிப்டேஷன் விசைகளை வழங்குகின்றன, மேலும் குறியாக்கிகள் ஒரு செய்தியை டிக்ரிப்டேட் செய்வதற்கு முன் ஒவ்வொரு அதிகாரியிடமிருந்தும் பொருத்தமான பண்புகளுக்கான விசைகளைப் பெற ஒரு பயனரைக் கோரலாம். Chase [5] நம்பகமான மத்திய அதிகாரசபை (CA) மற்றும் உலகளாவிய அடையாளங்காட்டிகள் (GID) ஆகிய கருத்துக்களைப் பயன்படுத்தி பல அதிகார அமைப்பு ABE திட்டத்தை வழங்கியது. எனினும், அந்த கட்டமைப்பில் உள்ள CA ஒவ்வொரு குறியாக்க உரையையும் டிக்ரிப்ட் செய்யும் சக்தியைக் கொண்டுள்ளது, இது பல நம்பகமற்ற அதிகாரிகள் மீது கட்டுப்பாட்டை விநியோகிப்பதற்கான அசல் இலக்குக்கு முரண்பட்டதாகத் தெரிகிறது. மேலும், அந்த கட்டமைப்பில், ஒரு நிலையான GID ஐப் பயன்படுத்துவது, அதிகாரிகள் தங்கள் தகவல்களை ஒரு முழுமையான சுயவிவரத்தை உருவாக்க ஒரு பயனரின் அனைத்து பண்புகளுடன் இணைக்க அனுமதித்தது, இது பயனரின் தனியுரிமையை தேவையற்ற முறையில் பாதிக்கிறது. இந்த ஆய்வில், நம்பகமான மத்திய அதிகாரத்தை நீக்கும் ஒரு தீர்வை நாங்கள் முன்மொழிகிறோம், மேலும் குறிப்பிட்ட பயனர்களைப் பற்றிய தகவல்களை அதிகாரிகள் ஒன்றிணைப்பதைத் தடுப்பதன் மூலம் பயனர்களின் தனியுரிமையைப் பாதுகாக்கிறது, இதனால் ABE நடைமுறையில் மிகவும் பயனுள்ளதாக இருக்கும்.

25098861749fe9eab62fbe90c1ebeaed58c211bb

இந்த ஆய்வில் நாம் ஒரு புதிய கண்ணோட்டத்தில் ஊக்க முறைகளை ஆய்வு செய்கிறோம். எஃப்ரான் மற்றும் மற்றவர்களின் சமீபத்திய பணிகளை நாங்கள் உருவாக்குகிறோம். பெருக்கல் தோராயமாக (மற்றும் சில சந்தர்ப்பங்களில் சரியாக) அதன் இழப்பு அளவுகோலை குணக திசையன் மீது ஒரு l1 கட்டுப்பாட்டுடன் குறைக்கிறது என்பதைக் காட்ட. இது இழப்பு அளவுகோலுக்கு ஏற்ப சீராக்கப்படுவதன் மூலம் முன்கூட்டியே நிறுத்தப்படுவதன் மூலம் அதிகரிக்கும் வெற்றியைப் புரிந்துகொள்ள உதவுகிறது. இரண்டு பொதுவாகப் பயன்படுத்தப்படும் அளவுகோல்களுக்கு (அதிகபட்ச மற்றும் இருபொருள் லோக-அதிகபட்ச நிகழ்தகவு), கட்டுப்பாடு தளர்த்தப்பட்டால்-அல்லது அதிகரிக்கும் மறுபடியும் தொடரும் போது-தீர்வு ஒருங்கிணைக்கிறது (பிரிக்கக்கூடிய வழக்கில்) ஒரு l1-சிறந்த பிரிக்கும் ஹைப்பர்-விண்கலத்திற்கு. இந்த l1-சிறந்த பிரிக்கும் ஹைப்பர்-விண்கலம் பயிற்சி தரவுகளின் குறைந்தபட்ச l1-விளிம்பை அதிகரிக்கும் பண்புகளைக் கொண்டுள்ளது என்பதை நாங்கள் நிரூபிக்கிறோம், இது ஊக்க இலக்கியத்தில் வரையறுக்கப்பட்டுள்ளது. அதிகரிப்பு மற்றும் கரு ஆதரவு திசையன் இயந்திரங்களுக்கு இடையில் ஒரு சுவாரஸ்யமான அடிப்படை ஒற்றுமை வெளிப்படுகிறது, ஏனெனில் இவை இரண்டும் உயர் பரிமாண கணிப்பு இடத்தில் ஒழுங்குபடுத்தப்பட்ட தேர்வுமுறைக்கான முறைகள் என்று விவரிக்கப்படலாம், கணக்கீட்டு தந்திரத்தை பயன்படுத்தி கணக்கீட்டை நடைமுறைக்குக் கொண்டுவருதல், மற்றும் விளிம்பு-அதிகபட்ச தீர்வுகளுக்கு ஒன்றிணைதல். இந்த அறிக்கை SVM களை சரியாக விவரிக்கிறது என்றாலும், அது சுமார் அதிகரிப்புக்கு மட்டுமே பொருந்தும்.

0825788b9b5a18e3dfea5b0af123b5e939a4f564

சொற்களின் திசையன் இடைவெளி பிரதிநிதித்துவங்களைக் கற்க சமீபத்திய முறைகள் திசையன் கணிதத்தைப் பயன்படுத்தி நுணுக்கமான சொற்பொருள் மற்றும் தொடரியல் ஒழுங்குமுறைகளைப் பிடிக்க வெற்றிகரமாக உள்ளன, ஆனால் இந்த ஒழுங்குமுறைகளின் தோற்றம் ஒளிபுகாவாக உள்ளது. வார்த்தை திசையன்களில் இதுபோன்ற ஒழுங்குமுறைகள் வெளிப்படுவதற்குத் தேவையான மாதிரி பண்புகளை நாம் பகுப்பாய்வு செய்து தெளிவுபடுத்துகிறோம். இதன் விளைவாக ஒரு புதிய உலகளாவிய லோக்பிலினியர் பின்னடைவு மாதிரி உள்ளது, இது இலக்கியத்தில் உள்ள இரண்டு முக்கிய மாதிரி குடும்பங்களின் நன்மைகளை இணைக்கிறதுஃ உலகளாவிய மேட்ரிக்ஸ் காரணி மற்றும் உள்ளூர் சூழல் சாளர முறைகள். எங்கள் மாதிரி திறம்பட புள்ளியியல் தகவல்களைப் பயன்படுத்துகிறது, ஒரு வார்த்தை-சொல் கூட்டு நிகழ்வு மேட்ரிக்ஸில் பூஜ்ஜியமற்ற கூறுகளை மட்டுமே பயிற்றுவிப்பதன் மூலம், முழு அரிதான மேட்ரிக்ஸிலும் அல்லது ஒரு பெரிய கார்பஸில் உள்ள தனிப்பட்ட சூழல் சாளரங்களிலும் அல்ல. இந்த மாதிரி ஒரு அர்த்தமுள்ள துணை கட்டமைப்பைக் கொண்ட ஒரு திசையன் இடத்தை உருவாக்குகிறது, இது சமீபத்திய சொல் ஒப்புமை பணியில் 75% செயல்திறன் மூலம் நிரூபிக்கப்பட்டுள்ளது. இது ஒற்றுமை பணிகள் மற்றும் பெயரிடப்பட்ட நிறுவன அங்கீகாரம் ஆகியவற்றில் தொடர்புடைய மாதிரிகளை விட சிறப்பாக செயல்படுகிறது.

326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5

இரண்டு விநியோகங்களுக்கிடையேயான ஒரு மெட்ரிக், பூமியின் நகர்த்தும் தூரம் (EMD) இன் பண்புகளை உள்ளடக்க அடிப்படையிலான பட மீட்டெடுப்பிற்காக நாங்கள் ஆராய்கிறோம். EMD என்பது ஒரு விநியோகத்தை மற்றொன்றாக மாற்றுவதற்கு செலுத்த வேண்டிய குறைந்தபட்ச செலவை அடிப்படையாகக் கொண்டது, துல்லியமான அர்த்தத்தில், சில பார்வை பிரச்சினைகளுக்கு Peleg, Werman மற்றும் Rom ஆல் முதலில் முன்மொழியப்பட்டது. படங்களை மீட்டெடுப்பதற்கு, இந்த யோசனையை விநியோகங்களுக்கான பிரதிநிதித்துவ திட்டத்துடன் இணைக்கிறோம், இது வெக்டார் குவாண்டிசேஷனை அடிப்படையாகக் கொண்டது. இந்த கலவையானது பட ஒப்பீட்டு கட்டமைப்பிற்கு வழிவகுக்கிறது, இது முன்னர் முன்மொழியப்பட்ட மற்ற முறைகளை விட உணர்தல் ஒற்றுமைக்கு பெரும்பாலும் கணக்கு அளிக்கிறது. EMD என்பது நேரியல் உகப்பாக்கம் மூலம் போக்குவரத்து சிக்கலுக்கான தீர்வை அடிப்படையாகக் கொண்டது, அதற்காக திறமையான வழிமுறைகள் உள்ளன, மேலும் இயற்கையாகவே பகுதி பொருந்தக்கூடிய தன்மையை அனுமதிக்கிறது. இது ஹிஸ்டோகிராம் பொருத்தமான நுட்பங்களை விட வலுவானது, இது ஹிஸ்டோகிராம்களுக்கு பொதுவான குவாண்டிசேஷன் மற்றும் பிற பிணைப்பு சிக்கல்களைத் தவிர்க்கும் விநியோகங்களின் மாறி நீள பிரதிநிதித்துவங்களில் செயல்பட முடியும். ஒரே மொத்த வெகுஜனத்துடன் விநியோகங்களை ஒப்பிட்டுப் பார்க்க பயன்படுத்தும்போது, EMD ஒரு உண்மையான மெட்ரிக் ஆகும். இந்த ஆய்வில் நாம் நிறம் மற்றும் அமைப்பு ஆகியவற்றின் பயன்பாடுகளில் கவனம் செலுத்துகிறோம், மேலும் EMD இன் மீட்டெடுப்பு செயல்திறனை மற்ற தூரங்களுடன் ஒப்பிடுகிறோம்.

508d8c1dbc250732bd2067689565a8225013292f

ஒரு புதிய இரட்டை ஒளிமயமாக்கல் (பிபிஜி) ஆய்வு மற்றும் உள்ளூர் துடிப்பு அலை வேகத்திற்கான (பி.டபிள்யூ.வி) அளவீட்டு முறை முன்மொழியப்பட்டு நிரூபிக்கப்பட்டுள்ளது. உருவாக்கப்பட்ட ஆய்வு வடிவமைப்பு, இரத்த துடிப்பு பரவல் அலை வடிவங்களை இரண்டு அருகிலுள்ள அளவீட்டு புள்ளிகளிலிருந்து (28 மிமீ தொலைவில்) ஆக்கிரமிப்பு அல்லாத கண்டறிதலுக்காக பிரதிபலிப்பு பிபிஜி டிரான்ஸ்யூசர்களைப் பயன்படுத்துகிறது. தொடர்ச்சியாக பெறப்பட்ட இரட்டை துடிப்பு அலை வடிவத்திற்கு இடையேயான போக்கு நேர தாமதம் பீட்-டு-பீட் உள்ளூர் PWV அளவீட்டுக்கு பயன்படுத்தப்பட்டது. PPG செறிவு வடிவமைப்பை சரிபார்க்கவும், உள்ளூர் PWV அளவீட்டு முறையை உருவாக்கவும் 10 ஆரோக்கியமான தன்னார்வலர்கள் (8 ஆண் மற்றும் 2 பெண், 21 முதல் 33 வயது) மீது in- vivo சோதனை சரிபார்ப்பு ஆய்வு நடத்தப்பட்டது. முன்மொழியப்பட்ட முறை பல நபர்களிடமிருந்து கரோடிட் உள்ளூர் PWV ஐ அளவிட முடிந்தது. 10 பேரில் 7 பேருக்கு அடிப்படை கரோடிட் PWV இன் பீட்- டு- பீட் மாறுபாடு 7. 5% க்கும் குறைவாக இருந்தது, இந்த ஆய்வின் போது 16% அதிகபட்ச பீட்- டு- பீட் மாறுபாடு காணப்பட்டது. உடற்பயிற்சிக்கு பிந்தைய மீட்புக் காலத்தில் உள்ளூர் PWV மற்றும் மூட்டு இரத்த அழுத்தம் (BP) மதிப்புகளில் உள்ள பீட்-டு-பீட் மாறுபாடும் ஆராயப்பட்டது. தனிநபருக்குள் உள்ள PWV மாறுபாட்டிற்கும், கை இரத்த அழுத்த அளவுருக்களுக்கும் இடையில் ஒரு புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்க தொடர்பு காணப்பட்டது (r > 0. 85, p < 0. 001). இதன் விளைவாக, கரோடிட் தமனிகளிலிருந்து தொடர்ச்சியான பீட்-டு-பீட் உள்ளூர் PWV அளவீட்டுக்கான PPG ஆய்வுக்கான சாத்தியக்கூறு நிரூபிக்கப்பட்டது. இதுபோன்ற ஆக்கிரமிப்பு அல்லாத உள்ளூர் PWV அளவீட்டு அலகு தொடர்ச்சியான அம்பியூலேட்டரி BP அளவீடுகளுக்கு பயன்படுத்தப்படலாம்.

79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6

ஆழம் வரைபடங்களின் வரிசைகளில் இருந்து மனித நடவடிக்கைகளை அடையாளம் காணும் ஒரு முறையை இந்த ஆவணம் முன்வைக்கிறது. குறிப்பாக, நாம் ஒரு செயல் வரைபடத்தை பயன்படுத்துகிறோம் செயல்பாட்டின் இயக்கவியல் மற்றும் 3D புள்ளிகள் ஒரு தொகுப்பு செயல்பாட்டு வரைபடத்தில் உள்ள முனைகளுக்கு ஒத்திருக்கும் முக்கிய நிலைகளை வகைப்படுத்த. கூடுதலாக, ஆழம் வரைபடங்களில் இருந்து 3D புள்ளிகள் பை மாதிரிகள் ஒரு எளிய, ஆனால் பயனுள்ள திட்ட அடிப்படையிலான மாதிரி திட்டம் முன்மொழிய. ஆழம் வரைபடங்களில் இருந்து சுமார் 1% 3D புள்ளிகளை மட்டுமே மாதிரி எடுப்பதன் மூலம் 90% அங்கீகார துல்லியத்தை அடைந்ததாக சோதனை முடிவுகள் காட்டியுள்ளன. 2D உருவகத்தை அடிப்படையாகக் கொண்ட அங்கீகாரத்துடன் ஒப்பிடும்போது, அங்கீகார பிழைகள் பாதியாகக் குறைக்கப்பட்டன. கூடுதலாக, புள்ளிகள் பையில் நிலை மாதிரி திறனை நாம் சிமுலேஷன் மூலம் மூடுதல்களை சமாளிக்க நிரூபிக்க.

46fd85775cab39ecb32cf2e41642ed2d0984c760

இந்த ஆய்வறிக்கை, AI ரோபோக்களின் சட்டபூர்வமான நிலை குறித்த இன்றைய விவாதத்தையும், இந்த செயற்கை முகவர்களின் சட்டப்பூர்வ முகவர் என்ற நிலையை சட்டப்பூர்வ நபரின் அந்தஸ்துடன் எவ்வளவு அடிக்கடி அறிஞர்களும் கொள்கை வகுப்பாளர்களும் குழப்பிக் கொள்கிறார்கள் என்பதையும் ஆராய்கிறது. இந்த துறையில் தற்போதைய போக்குகளை கணக்கில் எடுத்துக்கொள்வதன் மூலம், இரண்டு நிலைப்பாடுகளை இந்த ஆவணம் முன்வைக்கிறது. முதலாவதாக, கொள்கை வகுப்பாளர்கள் ஒப்பந்தங்கள் மற்றும் வணிகச் சட்டத்தில் AI ரோபோக்களின் செயல்பாடுகளுக்கான கணக்கு மற்றும் பொறுப்புக்கான புதிய வடிவங்களை நிறுவுவதற்கான சாத்தியத்தை தீவிரமாக பரிசீலிக்க வேண்டும், எடுத்துக்காட்டாக, சிக்கலான பரவலாக்கப்பட்ட பொறுப்பு வழக்குகளில் சட்ட முகவரின் புதிய வடிவங்கள். இரண்டாவதாக, AI ரோபோக்களுக்கு முழு சட்டப்பூர்வ ஆளுமை வழங்கும் எந்தவொரு கருதுகோளும் எதிர்காலத்தில் நிராகரிக்கப்பட வேண்டும். ஆனால், 2017 அக்டோபரில் சவுதி அரேபியா என்ற எந்த நாட்டின் குடியுரிமையையும் பெற்ற முதல் செயற்கை நுண்ணறிவு பயன்பாடான சோபியாவை நாம் எவ்வாறு கையாள வேண்டும்? யாரோ அல்லது ஏதாவது ஒருவருக்கு சட்டபூர்வமான நபராக இருப்பது என்பது எப்போதும் இருந்ததைப் போலவே, மிகவும் முக்கியமான அரசியல் பிரச்சினையாகும், இது பகுத்தறிவு தேர்வுகள் மற்றும் அனுபவ சான்றுகளை அடிப்படையாகக் கொண்டதல்ல. இந்த சூழலில் புத்திசாலித்தனம், தன்னிச்சையான தன்மை, மற்றும் விசித்திரமான முடிவுகள் கூட ஒரு பங்கைக் கொண்டுள்ளன. ஆனால், சட்ட அமைப்புகளால் மனித மற்றும் செயற்கை நிறுவனங்களுக்கு, அதாவது நிறுவனங்களுக்கு அந்தஸ்து வழங்கப்படுவதற்கான விதிமுறைகள், செயற்கை நுண்ணறிவு கொண்ட ரோபோக்களுக்கு சட்டப்பூர்வ அந்தஸ்து வழங்கப்படுவதற்கான இன்றைய தேடலில் ஒரு பக்கத்தை எடுப்பதற்கு உதவுகின்றன. குடிமகன் சோபியா உண்மையில் நனவில் இருக்கிறாரா, அல்லது அட்டூழியமான அறிஞர்களின் அம்புகள் மற்றும் அம்புகளை தாங்க முடியுமா?

0943ed739c909d17f8686280d43d50769fe2c2f8

மனித நடத்தைகளை பகுப்பாய்வு செய்து தொகுக்கும் ஒரு அணுகுமுறையாக செயல்-வினைச்சூழல் கற்றலை முன்மொழிகிறோம். இந்த முன்னுதாரணம் கடந்த கால மற்றும் எதிர்கால நிகழ்வுகளுக்கு இடையில் அல்லது ஒரு செயலுக்கும் அதன் எதிர்வினைக்கும் இடையில் நேர வரிசைகளைக் கவனிப்பதன் மூலம் காரண மேப்பிங்ஸை வெளிப்படுத்துகிறது. மனித தொடர்புகளை பகுப்பாய்வு செய்வதற்கும், மனித நடத்தைகளை தொகுப்பதற்கும் இந்த முறையை பயன்படுத்துகிறோம். உணர்வு அளவீடுகளின் காலத் தொடரைப் பயன்படுத்தி, ஒரு அமைப்பு தானாகவே ஒரு மனித பங்கேற்பாளரின் (ஒரு செயல்) சைகைகளுக்கும் மற்றொரு பங்கேற்பாளரின் அடுத்தடுத்த சைகைக்கும் (ஒரு எதிர்வினை) இடையே ஒரு வரைபடத்தை வெளிப்படுத்துகிறது. ஒரு சாத்தியமான மாதிரி மனித தொடர்பு தரவு இருந்து ஒரு புதிய மதிப்பீடு நுட்பம் பயன்படுத்தி பயிற்சி, நிபந்தனை எதிர்பார்ப்பு அதிகரிப்பு (CEM). பயனரின் நடத்தைக்கு மிகவும் சாத்தியமான பதிலை நிகழ்தகவு ரீதியாகக் கணிக்கும் ஒரு கிராஃபிக் ஊடாடும் தன்மையை இந்த அமைப்பு இயக்குகிறது மற்றும் அதை ஊடாடும் முறையில் செய்கிறது. இவ்வாறு, ஒரு ஜோடி பங்கேற்பாளர்களில் மனித தொடர்புகளை பகுப்பாய்வு செய்த பிறகு, கணினி அவர்களில் ஒருவரை மாற்றி, ஒரு ஒற்றை மீதமுள்ள பயனருடன் தொடர்பு கொள்ள முடியும்.

272216c1f097706721096669d85b2843c23fa77d

நாம் ஆடம், ஒரு அல்காரிதம் அறிமுகப்படுத்துகிறோம் முதல் வரிசை சாய்வு அடிப்படையிலான தேர்வுமுறை ஸ்டோகாஸ்டிக் குறிக்கோள் செயல்பாடுகள், குறைந்த வரிசை தருணங்களின் தகவமைப்பு மதிப்பீடுகளின் அடிப்படையில். இந்த முறை செயல்படுத்த எளிதானது, கணக்கீட்டு திறன் கொண்டது, சிறிய நினைவக தேவைகள் உள்ளன, சாய்வுகளின் அகச்சிவப்பு மறுஅளவிடுதலுக்கு மாறாதது, மற்றும் தரவு மற்றும் / அல்லது அளவுருக்கள் அடிப்படையில் பெரிய சிக்கல்களுக்கு மிகவும் பொருத்தமானது. இந்த முறை நிலையற்ற இலக்குகள் மற்றும் மிகவும் சத்தமில்லாத மற்றும்/அல்லது சிறிய சாய்வுகள் கொண்ட பிரச்சினைகளுக்கு ஏற்றது. ஹைப்பர்-பாரமிட்டர்கள் உள்ளுணர்வு விளக்கங்களைக் கொண்டுள்ளன, மேலும் பொதுவாக சிறிய சரிசெய்தல் தேவைப்படுகிறது. ஆடம் ஈர்க்கப்பட்ட தொடர்புடைய வழிமுறைகளுடனான சில இணைப்புகள் விவாதிக்கப்படுகின்றன. நாம் அல்காரிதத்தின் தத்துவார்த்த ஒத்திசைவு பண்புகளை பகுப்பாய்வு செய்து, ஆன்லைன் கன்வெக்ஸ் உகப்பாக்கம் கட்டமைப்பின் கீழ் சிறந்த அறியப்பட்ட முடிவுகளுடன் ஒப்பிடக்கூடிய ஒத்திசைவு விகிதத்தில் ஒரு வருத்தத்தை வழங்குகிறோம். அனுபவ ரீதியான முடிவுகள் ஆடம் நடைமுறையில் நன்றாக வேலை செய்கிறது மற்றும் மற்ற ஸ்டோகாஸ்டிக் தேர்வுமுறை முறைகளுடன் சாதகமாக ஒப்பிடுகிறது என்பதை நிரூபிக்கின்றன. இறுதியாக, நாம் AdaMax பற்றி விவாதிப்போம், இது ஆதாமின் ஒரு மாறுபாடு, இது எல்லையற்ற விதிமுறைகளை அடிப்படையாகக் கொண்டது.

05aba481e8a221df5d8775a3bb749001e7f2525e

முந்தைய மறு செய்கைகளில் காணப்படும் தரவுகளின் வடிவியல் பற்றிய அறிவை மாறும் வகையில் இணைத்து, மேலும் தகவலறிந்த சாய்வு அடிப்படையிலான கற்றலை வழங்கும் புதிய வகை துணை சாய்வு முறைகளை நாங்கள் முன்வைக்கிறோம். உருவகப்படுத்தப்பட்ட முறையில், இந்த மாற்றம், புல்வெளியில் உள்ள நெல்ஸ்களை மிகவும் முன்னறிவிக்கும் ஆனால் அரிதாகவே காணப்படும் அம்சங்களின் வடிவத்தில் கண்டுபிடிக்க அனுமதிக்கிறது. நமது முன்னுதாரணம், அல்ஜீரிதத்தின் சாய்வு படிகளை கட்டுப்படுத்தும் அருகில் உள்ள செயல்பாடுகளை பயன்படுத்தும் ஸ்டோகாஸ்டிக் தேர்வுமுறை மற்றும் ஆன்லைன் கற்றலில் சமீபத்திய முன்னேற்றங்களிலிருந்து உருவாகிறது. நாம் விவரிக்கிறோம் மற்றும் கணித்துள்ளோம் ஒரு சாதனம் மாற்றத்தக்க வகையில் மாற்றம் செய்யப்படும் அருகில் உள்ள செயல்பாடு, இது கற்றல் விகிதத்தை அமைப்பதை கணிசமாக எளிதாக்குகிறது மற்றும் பின்புறத்தில் தேர்வு செய்யக்கூடிய சிறந்த அருகில் உள்ள செயல்பாட்டைப் போலவே நல்லதாக இருக்கும் என்று மறுபரிசீலனை உத்தரவாதங்களை அளிக்கிறது. பொதுவான மற்றும் முக்கியமான ஒழுங்குபடுத்தல் செயல்பாடுகள் மற்றும் டொமைன் கட்டுப்பாடுகளுடன் அனுபவ ரீதியான ஆபத்து குறைப்பு சிக்கல்களுக்கு பல திறமையான வழிமுறைகளை நாங்கள் வழங்குகிறோம். நாம் சோதனைகள் மூலம் நமது தத்துவார்த்த பகுப்பாய்வை ஆய்வு செய்து, தழுவிக்கொள்ளக்கூடிய துணைப் படிநிலை முறைகள், நவீன, ஆனால் தழுவிக்கொள்ள முடியாத, துணைப் படிநிலை வழிமுறைகளை விட சிறப்பாக செயல்படுகின்றன என்பதைக் காட்டுகிறோம்.

f2bc77fdcea85738d1062da83d84dfa3371d378d

சிப்-டு-சிப் பயன்பாடுகளுக்கான 90nm CMOS இல் 6.25-Gb/s 14-mW டிரான்ஸ்ஸீவர் இந்த ஆவணம் விவரிக்கிறது. மின் நுகர்வு குறைக்க டிரான்ஸ்ஸீவர் பல அம்சங்களை பயன்படுத்துகிறது, இதில் ஒரு பகிரப்பட்ட எல்சி-பிஎல்எல் கடிகார மடக்கி, ஒரு தூண்டல்-ஏற்றப்பட்ட அதிர்வு கடிகார விநியோக வலையமைப்பு, குறைந்த மற்றும் நிரல்படுத்தக்கூடிய-சுழல் மின்னழுத்த-நிலை ஒலிபரப்பு, மென்பொருள் கட்டுப்படுத்தப்பட்ட கடிகாரம் மற்றும் தரவு மீட்பு (சிடிஆர்) மற்றும் ரிசீவரில் தகவமைப்பு சமன்பாடு மற்றும் சிடிஆருக்கான ஒரு புதிய பிஎல்எல் அடிப்படையிலான கட்ட சுழற்சி. இந்த வடிவமைப்பு, -15 dB அல்லது அதற்கு மேற்பட்ட சேனல் குறைப்புடன் 10-15 அல்லது அதற்கும் குறைவான பிட்-பிழை விகிதத்தில் செயல்பட முடியும், அதே நேரத்தில் ஒரு டிரான்ஸ்ஸீவர் ஒன்றுக்கு 2.25 mW/Gb/s க்கும் குறைவாக நுகரும்.

9da870dbbc32c23013ef92dd9b30db60a3cd7628

3D வடிவங்களின் உறுதியான பதிவு என்பது மாறும் காட்சிகளை ஸ்கேன் செய்வதற்கு பரவலாகக் கிடைக்கும் ஆழம் சென்சார்கள் பெருகிய முறையில் முக்கியத்துவம் பெறுகின்ற ஒரு அத்தியாவசிய பணியாகும். ஒரு ஒற்றை உலகளாவிய மாற்றத்திற்கு பதிலாக உள்ளூர் மாற்றங்களின் தொகுப்பை மதிப்பிடுவதால், உறுதியான பதிவு விட கடினமான பதிவு மிகவும் சவாலானது, எனவே குறைவான தீர்மானத்தின் காரணமாக அதிக பொருத்தமான பிரச்சினைக்கு ஆளாகிறது. முந்தைய முறைகளில் உள்ள பொதுவான ஞானம் என்பது உள்ளூர் மாற்றம் வேறுபாடுகளில் ஒரு l2- விதிமுறை சீராக்கலை விதிப்பதாகும். இருப்பினும், l2-சாதாரண ஒழுங்குபடுத்தல் தீர்வுகளை அவுட்லைர்ஸ் மற்றும் கனமான வால் விநியோகத்துடன் கூடிய சத்தம் நோக்கி திசைதிருப்ப முனைகிறது, இது மாற்று வேறுபாடுகள் மீது காஸ்ஸியன் விநியோகத்தின் மோசமான நல்ல பொருத்தத்தால் சரிபார்க்கப்படுகிறது. மாறாக, லாப்ளசியன் விநியோகம் மாற்ற வேறுபாடுகளுடன் நன்றாக பொருந்துகிறது, இது ஒரு அரிதான முன்னுரிமையைப் பயன்படுத்துவதைக் குறிக்கிறது. மாற்றம் மதிப்பீட்டிற்கான ஒரு l1-சாதாரண ஒழுங்குபடுத்தப்பட்ட மாதிரியுடன் ஒரு சிறிய அல்லாத இறுக்கமான பதிவு (SNR) முறையை நாங்கள் முன்மொழிகிறோம், இது மேம்படுத்தப்பட்ட லாக்ரான்ஜியன் கட்டமைப்பின் கீழ் ஒரு மாற்று திசை முறை (ADM) மூலம் திறம்பட தீர்க்கப்படுகிறது. வலுவான மற்றும் படிப்படியான பதிவுக்காக பல தீர்மானங்களைக் கொண்ட ஒரு திட்டத்தையும் நாங்கள் வகுத்துள்ளோம். பொது தரவுத்தொகுப்புகள் மற்றும் ஸ்கேன் செய்யப்பட்ட தரவுத்தொகுப்புகள் ஆகிய இரண்டின் முடிவுகளும், குறிப்பாக பெரிய அளவிலான சிதைவுகளை கையாளுவதில், அத்துடன் விலகியவர்கள் மற்றும் சத்தம் ஆகியவற்றில் எங்கள் முறையின் மேலான தன்மையைக் காட்டுகின்றன.

e36ecd4250fac29cc990330e01c9abee4c67a9d6

இந்த கடிதத்தில் ஒரு புதிய Ka-பங்கு இரட்டை-பங்கு இரட்டை வட்ட-துருவப்படுத்தப்பட்ட ஆண்டெனா வரிசை வழங்கப்படுகிறது. கா-பாண்ட் டவுன்லிங்க் அதிர்வெண்களுக்கான இடது கை வட்ட துருவமுனைப்பு மற்றும் கா-பாண்ட் அப்லிங்க் அதிர்வெண்களுக்கான வலது கை வட்ட துருவமுனைப்பு கொண்ட இரட்டை-பாண்ட் ஆண்டெனா சிறிய வட்ட வளையம் துளைகளுடன் உணரப்படுகிறது. தொடர் சுழற்சி நுட்பத்தைப் பயன்படுத்துவதன் மூலம், நல்ல செயல்திறன் கொண்ட 2 × 2 துணை வரிசை பெறப்படுகிறது. இந்த கடிதம் வடிவமைப்பு செயல்முறையை விவரிக்கிறது மற்றும் உருவகப்படுத்துதல் மற்றும் அளவீட்டு முடிவுகளை முன்வைக்கிறது.

0bb71e91b29cf9739c0e1334f905baad01b663e6

இந்த ஆய்வில், LTE நெட்வொர்க்குகளில் பயன்படுத்தப்படும் பேட்டரி மூலம் இயக்கப்படும் சாதனங்களின் ஆற்றல் நுகர்வு குறைக்க திட்டமிடல் மற்றும் ஒலிபரப்பு சக்தி கட்டுப்பாடு ஆராயப்படுகிறது. அதிக எண்ணிக்கையிலான இயந்திர வகை சந்தாதாரர்களுக்கு திறமையான திட்டமிடலைச் செயல்படுத்த, ஒரு புதிய விநியோகிக்கப்பட்ட திட்டம் முன்மொழியப்பட்டுள்ளது, இது இயந்திர முனைகள் உள்ளூர் கொத்துக்களை உருவாக்கி, கொத்து தலைகள் மூலம் அடிப்படை நிலையத்துடன் தொடர்பு கொள்ள அனுமதிக்கிறது. பின்னர், LTE நெட்வொர்க்குகளில் அப்லைன் திட்டமிடல் மற்றும் சக்தி கட்டுப்பாடு அறிமுகப்படுத்தப்பட்டு, கிளஸ்டர் தலைகள் மற்றும் அடிப்படை நிலையத்திற்கு இடையிலான தகவல்தொடர்புக்காக பயன்படுத்தப்படும் வாழ்நாள்-அறிவு தீர்வுகள் ஆராயப்படுகின்றன. சரியான தீர்வுகளைத் தவிர, குறைந்த சிக்கலான துணை உகந்த தீர்வுகள் இந்த வேலையில் வழங்கப்படுகின்றன, அவை மிகக் குறைந்த கணக்கீட்டு சிக்கலான தன்மையுடன் உகந்த செயல்திறனை அடைய முடியும். முன்மொழியப்பட்ட நெறிமுறைகளைப் பயன்படுத்தி நெட்வொர்க்கின் ஆயுட்காலம் கணிசமாக நீட்டிக்கப்படுவதாக செயல்திறன் மதிப்பீடு காட்டுகிறது.

6dc4be33a07c277ee68d42c151b4ee866108281f

அழுத்த அளவீடுகளிலிருந்து கூட்டு மாறுபாடு அடுக்குகளின் மதிப்பீடு சமீபத்தில் அறிவியல் மற்றும் பொறியியல் பல்வேறு துறைகளில் கணிசமான ஆராய்ச்சி முயற்சிகளை ஈர்த்தது. சிறிய எண்ணிக்கையிலான கண்காணிப்புகளின் காரணமாக, கூட்டு மாறுபாடு அடுக்குகளின் மதிப்பீடு மிகவும் மோசமான சிக்கலாகும். இது கோவரியன்ஸ் மேட்ரிக்ஸின் கட்டமைப்பைப் பற்றிய முந்தைய தகவல்களைப் பயன்படுத்தி சமாளிக்க முடியும். இந்த ஆவணம் ஒரு வர்க்கம் குவியலான சூத்திரங்கள் மற்றும் உயர் பரிமாண கோவரிசன்ஸ் மேட்ரிக்ஸ் மதிப்பீட்டு சிக்கலுக்கு அதற்கான தீர்வுகளை அழுத்த அளவீடுகளின் கீழ் வழங்குகிறது, இது டோப்லிட்ஸ், அரிதான, பூஜ்ஜிய-வடிவ, குறைந்த தரவரிசை அல்லது குறைந்த அனுமதிக்கப்பட்ட தரவரிசை கட்டமைப்பை தீர்வுக்கு விதிக்கிறது, கூடுதலாக நேர்மறை அரை-வரையறை. உகப்பாக்கம் சிக்கல்களைத் தீர்க்க, கோ-வெரியன்ஸ் ஆஃப் ஆக்மென்ட் லாகரஞ்சன் சுருக்க வழிமுறை (கோவால்சா) அறிமுகப்படுத்துகிறோம், இது ஸ்ப்ளிட் ஆக்மென்ட் லாகரஞ்சன் சுருக்க வழிமுறை (சால்சா) இன் ஒரு நிகழ்வு ஆகும். நமது அணுகுமுறையின் செயல்திறனை, அதிநவீன வழிமுறைகளுடன் ஒப்பிடுகையில், விளக்குகிறோம்.

05357314fe2da7c2248b03d89b7ab9e358cbf01e

அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. இந்த நூலின் எந்தப் பகுதியையும் எந்தவொரு மின்னணு அல்லது இயந்திர வழிமுறையிலும் (புகைப்பட நகல், பதிவு, அல்லது தகவல் சேமிப்பு மற்றும் மீட்டெடுப்பு உட்பட) வெளியீட்டாளரின் எழுத்துப்பூர்வ அனுமதியின்றி எந்த வடிவத்திலும் பிரதி எடுக்க முடியாது.

06d0a9697a0f0242dbdeeff08ec5266b74bfe457

நாம் பொருள் சார்ந்த (வார்த்தை சார்பு) மற்றும் சொற்பொழிவு கட்டமைப்புகள் தனி மாதிரிகள் மூலம் மதிப்பிடப்படுகின்றன இதில் இயற்கை மொழி மர கட்டமைப்புகள் புதிய தலைமுறை மாதிரி முன்வைக்க. இந்த காரணிகள் கருத்தியல் எளிமை, தனித்தனியாக கூறு மாதிரிகள் மேம்படுத்த நேரடியான வாய்ப்புகளை வழங்குகிறது, மற்றும் செயல்திறன் ஏற்கனவே ஒத்த, அல்லாத காரணி மாதிரிகள் நெருக்கமாக ஒரு நிலை. மிக முக்கியமாக, மற்ற நவீன பகுப்பாய்வு மாதிரிகள் போலல்லாமல், காரணி மாதிரி ஒரு மிகவும் பயனுள்ள பகுப்பாய்வு வழிமுறை, இது திறமையான, துல்லியமான ஊக சாத்தியமாக்குகிறது.

8f76334bd276a2b92bd79203774f292318f42dc6

இந்த ஆய்வில், L வடிவ ஆய்வாளரால் வழங்கப்படும் ஒரு வட்டமான கொம்பு ஆண்டெனா பற்றி ஆராயப்படுகிறது. 50 ஒமேகா இணை அச்சு கேபிளுடன் பொருந்தக்கூடிய பிராட்பேண்ட் வடிவமைப்பு செயல்முறை மற்றும் அச்சு விகிதம் மற்றும் ஆதாயத்தில் ஆண்டெனா செயல்திறன் ஆகியவை வழங்கப்படுகின்றன. இந்த ஆய்வறிக்கையின் உருவகப்படுத்துதல் முடிவுகள் Ansoft HFSS 9.2 ஐப் பயன்படுத்தி பெறப்பட்டன

41c987b8a7e916d56fed2ea7311397e0f2286f3b

நெட்வொர்க் மட்டத்தில் குவாண்டிசேஷனில் கவனம் செலுத்தும் பாரம்பரிய அணுகுமுறைகளைப் போலல்லாமல், இந்த வேலையில் டென்சர் மட்டத்தில் குவாண்டிசேஷன் விளைவைக் குறைக்க முன்மொழிகிறோம். குவாண்டிசேஷன் சத்தம் மற்றும் குறைந்த துல்லியமான நெட்வொர்க்குகளில் கிளிப்பிங் சிதைவு ஆகியவற்றுக்கு இடையேயான சமரசத்தை நாங்கள் பகுப்பாய்வு செய்கிறோம். பல்வேறு டென்சர்களின் புள்ளிவிவரங்களை நாம் அடையாளம் கண்டு, கிளிப்பிங் காரணமாக சராசரி-சதுர-தவறு சீரழிவுக்கான சரியான வெளிப்பாடுகளை பெறுகிறோம். இந்த வெளிப்பாடுகளை மேம்படுத்துவதன் மூலம், வழக்கமான குவாண்டிசேஷன் திட்டங்களை விட குறிப்பிடத்தக்க முன்னேற்றங்களைக் காட்டுகிறோம். உதாரணமாக, துல்லியமான வெட்டு மதிப்புகளைத் தேர்ந்தெடுப்பதன் மூலம், VGG16-BN இன் 4-பிட் துல்லியத்திற்கு குவாண்டிசேஷனுக்கு 40% துல்லிய மேம்பாடு பெறப்படுகிறது. நமது முடிவுகள் பயிற்சி மற்றும் ஊக நேரத்தில் நரம்பியல் நெட்வொர்க்குகள் குவாண்டிசேஷன் பல பயன்பாடுகள் உள்ளன. நேரத்தை எடுத்துக்கொள்ளும் நுணுக்கமான சரிசெய்தல் அல்லது முழு தரவுத் தொகுப்புகளின் கிடைக்கும் தன்மை இல்லாமல் குறைந்த துல்லியமான முடுக்கம் செய்பவர்களுக்கு நரம்பியல் நெட்வொர்க்குகளை விரைவாகப் பயன்படுத்துவது ஒரு உடனடி பயன்பாடு ஆகும்.

1bde4205a9f1395390c451a37f9014c8bea32a8a

ரேஞ்ச் இமேஜ்களில் தேடப்படும் பொருள்களை அடையாளம் கண்டு, அவற்றை கண்டறிவது ரோபோட் கையாளுதல் மற்றும் வழிசெலுத்தலில் முக்கிய பங்கு வகிக்கிறது. இது தொடர்ந்து ஆய்வு செய்யப்பட்டு வந்தாலும், மூடப்பட்ட மற்றும் குழப்பமான காட்சிகளுக்கு இது இன்னும் ஒரு சவாலான பணியாகும்.

242caa8e04b73f56a8d4adae36028cc176364540

3D சென்சார்கள், வேகமாக 2D சென்சார்கள் பதிலாக ரோபோட்டிக்ஸ், கணினி பார்வை மற்றும் கேமிங் பயன்பாடுகளில் பயன்படுத்தப்படும் ஒரு வாக்களிப்பு அடிப்படையிலான போஸ் மதிப்பீட்டு வழிமுறையை நாங்கள் முன்மொழிகிறோம். சமீபத்தில் இது ஒரு ஜோடி திசை 3D புள்ளிகள், இது புள்ளிகள் உள்ளன பொருள் மேற்பரப்பில் இயல்புநிலைகள், ஒரு வாக்களிப்பு கட்டமைப்பில் விரைவான மற்றும் வலுவான போஸ் மதிப்பீட்டை அனுமதிக்கிறது. போதுமான வளைவு மாற்றங்களைக் கொண்ட பொருள்களுக்கு நோக்குநிலை மேற்பரப்பு புள்ளிகள் பாகுபாடு காட்டினாலும், அவை பெரும்பாலும் தட்டையான பல தொழில்துறை மற்றும் உண்மையான உலகப் பொருள்களுக்கு போதுமானதாகவும் பாகுபாடு காட்டக்கூடியதாகவும் இல்லை. 2D பதிவுகளில் விளிம்புகள் முக்கிய பங்கை வகிப்பதால், 3D இல் ஆழம் முறிவுகள் முக்கியம். இந்த ஆய்வில், இந்த எல்லைத் தகவலை சிறப்பாகப் பயன்படுத்தும் போஸ் மதிப்பீட்டு வழிமுறைகளின் குடும்பத்தை நாங்கள் ஆராய்கிறோம், உருவாக்குகிறோம். நோக்குநிலை மேற்பரப்பு புள்ளிகளுக்கு மேலதிகமாக, நாம் இரண்டு பிற அடிப்படைகளைப் பயன்படுத்துகிறோம்: திசைகள் மற்றும் எல்லை கோடுகள் கொண்ட எல்லை புள்ளிகள். இந்த கவனமாக தேர்ந்தெடுக்கப்பட்ட மூலக்கூறுகள் அதிக தகவல்களை சிறிய அளவில் குறியீட்டு முறையில் வழங்குகின்றன என்பதை எங்கள் பரிசோதனைகள் காட்டுகின்றன. இதனால், பரந்த அளவிலான தொழில்துறை பாகங்களுக்கு அதிக துல்லியத்தை வழங்குவதோடு, விரைவான கணக்கீட்டை செயல்படுத்துகின்றன. முன்மொழியப்பட்ட வழிமுறை மற்றும் 3D சென்சார் பயன்படுத்தி நடைமுறை ரோபோ குப்பைகளை எடுக்கும் முறையை நாங்கள் நிரூபிக்கிறோம்.

5df318e4aac5313124571ecc7e186cba9e84a264

அதிகாரப்பூர்வ மொபைல் பயன்பாட்டுச் சந்தைகளில் அதிகரித்து வரும் மால்வேர் ஊடுருவல்கள் இறுதிப் பயனர்களின் தனிப்பட்ட மற்றும் முக்கியமான தகவல்களின் இரகசியத்தன்மை மற்றும் தனியுரிமைக்கு பெரும் பாதுகாப்பு அச்சுறுத்தலை ஏற்படுத்துகின்றன. விரோத பயன்பாடுகளுக்கு பலியாகும் இறுதி பயனர் சாதனங்களை பாதுகாப்பது கல்வித்துறை மற்றும் தொழில்துறையில் பாதுகாப்பு ஆராய்ச்சியாளர்கள்/பொறியியலாளர்களுக்கு தொழில்நுட்ப மற்றும் ஆராய்ச்சி சவாலை முன்வைக்கிறது. பயன்பாட்டு சந்தைகளில் பயன்படுத்தப்படும் பாதுகாப்பு நடைமுறைகள் மற்றும் பகுப்பாய்வு சோதனைகள் இருந்தபோதிலும், தீம்பொருள் பாதுகாப்புகளைத் தாண்டி பயனர் சாதனங்களைத் தொற்றுகிறது. தீங்கிழைக்கும் மென்பொருளின் பரிணாமம், அது சிக்கலானதாகவும், ஆற்றல்மிக்க முறையில் மாறிவரும் மென்பொருளாகவும் மாறி, வழக்கமாக முறையான செயலிகளாக மாறுபடுகிறது. குறியாக்கம் செய்யப்பட்ட குறியீடு, மறைத்தல் மற்றும் மாறும் குறியீடு புதுப்பிப்புகள் போன்ற மிகவும் மேம்பட்ட தப்பிக்கக்கூடிய நுட்பங்களைப் பயன்படுத்துவது புதிய தீம்பொருளில் காணப்படும் பொதுவான நடைமுறைகள். மாறும் குறியீடு புதுப்பிப்புகளை தவிர்க்கும் வகையில், தீங்கிழைக்காத பயன்பாடாக நடிக்கும் ஒரு தீங்கிழைக்கும் மென்பொருள் பகுப்பாய்வு சோதனைகளைத் தவிர்த்து, பயனரின் சாதனத்தில் நிறுவப்பட்டிருக்கும் போது மட்டுமே அதன் தீங்கிழைக்கும் செயல்பாட்டை வெளிப்படுத்துகிறது. இந்த ஆய்வறிக்கை அண்ட்ராய்டு செயலிகளில் டைனமிக் குறியீடு புதுப்பிப்புகளின் பயன்பாடு மற்றும் பயன்பாட்டு முறை குறித்த முழுமையான ஆய்வை வழங்குகிறது. மேலும், நாம் ஒரு கலப்பின பகுப்பாய்வு அணுகுமுறையை முன்மொழிகிறோம், StaDART, இது நிலையான மற்றும் மாறும் பகுப்பாய்வை இணைக்கிறது. நிஜ உலக பயன்பாடுகளில் எமது மதிப்பீட்டு முடிவுகள் ஸ்டாடார்ட்டின் செயல்திறனை நிரூபிக்கிறது. எனினும், பொதுவாக மாறும் பகுப்பாய்வு, மற்றும் கலப்பின பகுப்பாய்வு கூட அந்த விஷயத்தில், பயன்பாட்டின் நடத்தை தூண்டுவதற்கான சிக்கலைக் கொண்டுவருகிறது, இது தானியங்கி பகுப்பாய்வு கருவிகளுக்கு ஒரு அற்பமான சவால் அல்ல. இந்த நோக்கத்திற்காக, நாம் ஒரு பின்னோக்கி துண்டு அடிப்படையிலான இலக்கு InterComponent குறியீடு பாதைகள் செயல்படுத்தும் நுட்பம், TeICC முன்மொழிகிறது. TeICC பயன்பாட்டில் ஒரு இலக்கு புள்ளியில் இருந்து தொடங்கி குறியீடு பாதைகளை பிரித்தெடுக்க ஒரு பின்னோக்கி துண்டு செய்யும் பொறிமுறையை பயன்படுத்துகிறது. இது ஒரு கணினி சார்பு வரைபடத்தை பயன்படுத்துகிறது, இது கூறுகள் இடையேயான தகவல்தொடர்பு சம்பந்தப்பட்ட குறியீட்டு பாதைகளை பிரித்தெடுக்க உதவுகிறது. பிரித்தெடுக்கப்பட்ட குறியீடு பாதைகள் பின்னர் கருவிகள் மற்றும் செயலி சூழலில் செயல்படுத்தப்படுகின்றன. TeICC இன் மதிப்பீடு, மறைக்கப்பட்ட Android பயன்பாடுகளில் உள்ள உள்ளடக்கக் குறியீட்டு பாதைகளை இலக்கு வைத்து செயல்படுத்த இதை திறம்பட பயன்படுத்த முடியும் என்பதைக் காட்டுகிறது. மேலும், இன்னும் எதிரிகள் பயனர் சாதனங்கள் அடைய சாத்தியம் விலக்கவில்லை, நாம் ஒரு தொலைபேசி ஏபிஐ ஹூக்கிங் முன்மொழிய

5ed4b57999d2a6c28c66341179e2888c9ca96a25

இந்த கட்டுரையில், சிக்கலான உலகங்களில் செயல்படக் கற்றுக்கொள்ளக்கூடிய முகவர்களை உருவாக்கும் இலக்கை நோக்கி நாங்கள் பணியாற்றுகிறோம். சத்தமில்லாத, நிர்ணயமற்ற நடவடிக்கை விளைவுகளை ஒத்திசைவாக மாதிரியாகக் கொண்ட ஒரு நிகழ்தகவு, உறவு திட்டமிடல் விதி பிரதிநிதித்துவத்தை நாங்கள் உருவாக்குகிறோம், மேலும் அத்தகைய விதிகளை எவ்வாறு திறம்பட கற்றுக்கொள்ள முடியும் என்பதைக் காட்டுகிறோம். எளிய திட்டமிடல் களங்களிலும், 3D உருவகப்படுத்தப்பட்ட தொகுதிகள் உலகத்திலும், யதார்த்தமான இயற்பியலுடனும் மேற்கொள்ளப்பட்ட பரிசோதனைகள் மூலம், இந்த கற்றல் வழிமுறை உலக இயக்கவியல் முறையை திறம்பட மாதிரியாகக் கொண்டு வர உதவுகிறது என்பதை நாங்கள் நிரூபிக்கிறோம்.

55c769b5829ca88ba940e0050497f4956c233445

காட்சி ஓடோமெட்ரி RGB-D கேமராக்கள் வழங்கும் ஆழம் தகவல் அல்லது கேமராக்களுடன் தொடர்புடைய லிடார்ஸ் மூலம் அதிகரிக்கப்படலாம். இருப்பினும், இத்தகைய ஆழம் தகவல்களை சென்சார்கள் கட்டுப்படுத்தலாம், காட்சி படங்களில் பெரிய பகுதிகளை விட்டு ஆழம் கிடைக்காது. இங்கே, நாம் ஆழத்தை பயன்படுத்தி ஒரு முறையை முன்மொழிகிறோம், அரிதாகக் கிடைத்தாலும், கேமரா இயக்கத்தை மீட்டெடுப்பதில். கூடுதலாக, இந்த முறை முன்னர் மதிப்பிடப்பட்ட இயக்கத்தைப் பயன்படுத்தி இயக்கத்திலிருந்து அமைப்பு மூலம் ஆழத்தைப் பயன்படுத்துகிறது, மேலும் ஆழம் கிடைக்காத முக்கிய காட்சி அம்சங்கள். எனவே, இந்த முறை RGBD காட்சி ஓடோமெட்ரியை பெரிய அளவிலான, திறந்த சூழல்களுக்கு நீட்டிக்க முடியும், அங்கு ஆழம் பெரும்பாலும் போதுமான அளவு பெற முடியாது. எங்கள் முறையின் மையமானது ஒரு தொகுதி சரிசெய்தல் படி ஆகும், இது ஒரு தொகுதி தேர்வுமுறை முறையில், படங்களின் வரிசையை செயலாக்குவதன் மூலம், சமநிலையில் இயக்க மதிப்பீடுகளை சுத்திகரிக்கிறது. மூன்று சென்சார் அமைப்புகளில் எங்கள் முறையை மதிப்பீடு செய்துள்ளோம், ஒன்று RGB-D கேமராவைப் பயன்படுத்தி, மற்றொன்று கேமரா மற்றும் 3D லிடார் கலவையைப் பயன்படுத்தி. எங்கள் முறை, KITTI ஓடோமெட்ரி தரவரிசையில் 4வது இடத்தைப் பெற்றுள்ளது. இது, கண்டறிதல் முறையைப் பொருட்படுத்தாமல், முக்கோணப்படுத்தல் மூலம் ஆழத்தை மீட்டெடுக்கும் ஸ்டீரியோ விஷுவல் ஓடோமெட்ரி முறைகளுடன் ஒப்பிடும்போது, 4வது இடத்தைப் பெற்றுள்ளது. இதன் விளைவாக ஏற்படும் சராசரி நிலை பிழை, பயணித்த தூரத்தின் 1.14% ஆகும்.

0c668ee24d58ecca165f788d40765e79ed615471

9cccd211c9208f790d71fa5b3499d8f827744aa0

கல்வி தரவு சுரங்கத்தின் மூலம் பல்வேறு கல்வி சார்ந்த பிரச்சினைகள் தீர்க்கப்படுகின்றன, இது தரவு சுரங்கத்தின் மிகவும் பரவலான பயன்பாடுகள் ஆகும். இந்த ஆய்வின் முக்கிய குறிக்கோள்களில் ஒன்று, EDM இல் மேற்கொள்ளப்பட்ட மிக சமீபத்திய பணிகளை ஆராய்ந்து அவற்றின் நன்மைகள் மற்றும் குறைபாடுகளை பகுப்பாய்வு செய்வதாகும். இந்த ஆவணம், ஆய்வு செய்யப்பட்ட கட்டுரைகளில் பயன்படுத்தப்பட்ட பல்வேறு தரவு சுரங்க நடைமுறைகள் மற்றும் நுட்பங்களின் ஒட்டுமொத்த முடிவுகளையும் எடுத்துக்காட்டுகிறது, இதனால் ஆராய்ச்சியாளர்களுக்கு EDM இன் எதிர்கால திசைகள் குறித்து பரிந்துரைக்கிறது. கூடுதலாக, எதிர்கால ஆராய்ச்சிகளுக்கான மிகவும் நம்பகமான வழிமுறைகளைக் கவனிப்பதற்காக சில வகைப்படுத்தல் மற்றும் கிளஸ்டரிங் வழிமுறைகளை மதிப்பீடு செய்வதற்கான ஒரு பரிசோதனையும் நடத்தப்பட்டது.

197a7fc2f8d57d93727b348851b59b34ce990afd

SRILM என்பது C++ நூலகங்கள், செயல்படுத்தக்கூடிய நிரல்கள் மற்றும் உதவி ஸ்கிரிப்டுகளின் தொகுப்பாகும். இது பேச்சு அங்கீகாரம் மற்றும் பிற பயன்பாடுகளுக்கான புள்ளியியல் மொழி மாதிரிகள் தயாரித்தல் மற்றும் பரிசோதனை ஆகிய இரண்டையும் அனுமதிக்க வடிவமைக்கப்பட்டுள்ளது. SRILM வணிக நோக்கங்களுக்காக இலவசமாகக் கிடைக்கிறது. இந்த கருவித்தொகுப்பு N-கிராம் புள்ளிவிவரங்களின் அடிப்படையில் பல்வேறு வகையான மொழி மாதிரி வகைகளை உருவாக்குவதையும் மதிப்பீடு செய்வதையும் ஆதரிக்கிறது, அத்துடன் N-சிறந்த பட்டியல்கள் மற்றும் சொல் கட்டங்களின் புள்ளிவிவர குறிச்சொல் மற்றும் கையாளுதல் போன்ற பல தொடர்புடைய பணிகளையும் ஆதரிக்கிறது. இந்த ஆவணம் கருவித்தொகுப்பின் செயல்பாட்டை சுருக்கமாகக் கூறுகிறது மற்றும் அதன் வடிவமைப்பு மற்றும் செயல்படுத்தலைப் பற்றி விவாதிக்கிறது, விரைவான முன்மாதிரிகளின் எளிமை, மறுபயன்பாட்டினை மற்றும் கருவிகளின் இணைப்பு ஆகியவற்றை முன்னிலைப்படுத்துகிறது.

12f661171799cbd899e1ff4ae0a7e2170c3d547b

பேச்சு அங்கீகாரம் மற்றும் பிற மொழி தொழில்நுட்பங்களின் நோக்கத்திற்காக பல்வேறு இயற்கை மொழி நிகழ்வுகளின் விநியோகத்தை புள்ளிவிவர மொழி மாதிரிகள் மதிப்பிடுகின்றன. 1980 ஆம் ஆண்டில் முதல் குறிப்பிடத்தக்க மாதிரி முன்மொழியப்பட்டதிலிருந்து, கலை நிலையை மேம்படுத்த பல முயற்சிகள் மேற்கொள்ளப்பட்டுள்ளன. நாம் அவற்றை மீளாய்வு செய்து, சில நம்பிக்கைக்குரிய திசைகளை சுட்டிக்காட்டி, மொழியியல் கோட்பாடுகளை தரவுகளுடன் ஒருங்கிணைப்பதற்கான பேயஸிய அணுகுமுறைக்கு வாதிடுகிறோம்.

395f4b41578c3ff5139ddcf9e90eb60801b50394

பிக்ரம் மற்றும் ட்ரைகிராம் மொழி மாதிரிகளை உருவாக்குவதற்கும் சோதிப்பதற்கும் உதவுவதற்காக CMU புள்ளியியல் மொழி மாடலிங் கருவித்தொகுப்பு மீண்டும் வாடகைக்கு விடப்பட்டது. இது தற்போது 100 க்கும் மேற்பட்ட நாடுகளில் உள்ள கல்வி, அரசு மற்றும் தொழில்துறை ஆய்வகங்களில் பயன்படுத்தப்படுகிறது. இந்த ஆவணம் கருவித்தொகுப்பின் புதிய பதிப்பை முன்வைக்கிறது. கருவித்தொகுப்பில் செயல்படுத்தப்பட்ட வழக்கமான மொழி மாடலிங் தொழில்நுட்பத்தை நாங்கள் கோடிட்டுக் காட்டுகிறோம், மேலும் இந்த பணிக்கான முந்தைய மென்பொருளுடன் ஒப்பிடும்போது புதிய கருவித்தொகுப்பு வழங்கும் கூடுதல் செயல்திறன் மற்றும் செயல்பாட்டை விவரிக்கிறோம். இறுதியாக, ஒரு எளிய மொழி மாதிரியை உருவாக்குவதற்கும் சோதிப்பதற்கும் கருவித்தொகுப்பின் பயன்பாட்டை நாங்கள் ஒரு பரீட்சை செய்கிறோம்.

0b8f4edf1a7b4d19d47d419f41cde432b9708ab7

சிலிக்கான் நிரப்பப்பட்ட ஒருங்கிணைந்த அலை வழித்தடங்களை உற்பத்தி செய்வதற்கான ஒரு தொழில்நுட்பத்தை நாங்கள் முன்வைக்கிறோம், இது குறைந்த இழப்பு உயர் செயல்திறன் கொண்ட மில்லிமீட்டர் அலை செயல்திறன் கொண்ட கூறுகள் மற்றும் உயர் லாப வரிசை ஆண்டெனாக்களை உணர உதவுகிறது, இதனால் மிகவும் ஒருங்கிணைந்த மில்லிமீட்டர் அலை அமைப்புகளை உணர உதவுகிறது. முன்மொழியப்பட்ட தொழில்நுட்பம், ஆழமான எதிர்வினை அயன்-எட்ச் (டி.ஆர்.ஐ.இ) நுட்பங்களை அலுமினிய உலோகமயமாக்கல் படிகளுடன் பயன்படுத்துகிறது. இதில் உயர் வடிவியல் துல்லியத்துடன் செவ்வக அலைகாட்டிகள் மற்றும் தொடர்ச்சியான உலோக பக்க சுவர்கள் ஆகியவை ஒருங்கிணைக்கப்படுகின்றன. ஒருங்கிணைந்த செவ்வக அலைகாட்டிகளின் அளவீட்டு முடிவுகள் 105 GHz இல் 0. 15 dB/ λg இழப்புகளைக் காண்பிப்பதாக தெரிவிக்கப்பட்டுள்ளது. மேலும், 105 GHz இல் 0.6 dB செருகல் இழப்பு மற்றும் 80 முதல் 110 GHz வரை 15 dB ஐ விட சிறந்த திரும்ப இழப்பு கொண்ட அல்ட்ரா-பிராட் பேண்ட் கோப்ளனார் அலைகாட்டி மாற்றங்கள் விவரிக்கப்பட்டு வகைப்படுத்தப்பட்டுள்ளன. ஒரு அதிர்வெண் ஸ்கேனிங் ஸ்லாட்-வேவ் கையேடு வரிசை ஆண்டெனாவின் வடிவமைப்பு, ஒருங்கிணைப்பு மற்றும் அளவிடப்பட்ட செயல்திறன் ஆகியவை தெரிவிக்கப்படுகின்றன, இது 23 GHz வரையிலான ஒரு பட்டைக்குள் 82 ° அளவிடப்பட்ட பீம் ஸ்ட்யரிங் திறனை அடைகிறது மற்றும் 96 GHz இல் 8.5 ° இன் அரை சக்தி பீம்-அகலம் (HPBW) ஆகும். இறுதியாக, குறைந்த செலவு மிமீ-அலை அமைப்பு மட்ட ஒருங்கிணைப்பை எளிதாக்குவதற்கான இந்த தொழில்நுட்பத்தின் திறனைக் காண்பிப்பதற்காக, இமேஜிங் ரேடார் பயன்பாடுகளுக்கான அதிர்வெண் மாடுலேட்டட் தொடர்ச்சியான அலை (FMCW) அனுப்பு-பெறு IC ஒருங்கிணைந்த வரிசையில் நேரடியாக பொருத்தப்பட்டு சோதனை ரீதியாக வகைப்படுத்தப்படுகிறது.

31864e13a9b3473ebb07b4f991f0ae3363517244

இந்த ஆவணம் விளிம்பு கண்டறிதலுக்கான கணக்கீட்டு அணுகுமுறையை விவரிக்கிறது. அணுகுமுறையின் வெற்றி, விளிம்பு புள்ளிகளின் கணக்கீட்டிற்கான விரிவான இலக்குகளின் வரையறையைப் பொறுத்தது. தீர்வு வடிவத்தைப் பற்றி குறைந்தபட்ச அனுமானங்களைச் செய்யும் போது கண்டறிதலின் விரும்பிய நடத்தையை வரையறுக்க இந்த இலக்குகள் போதுமான துல்லியமாக இருக்க வேண்டும். ஒரு வர்க்கத்தின் விளிம்புகளுக்கான கண்டறிதல் மற்றும் உள்ளூர்மயமாக்கல் அளவுகோல்களை வரையறுக்கிறோம், மேலும் இந்த அளவுகோல்களுக்கான கணித வடிவங்களை ஆபரேட்டர் உந்துதல் பதிலில் செயல்பாட்டாளர்களாக முன்வைக்கிறோம். ஒரு விளிம்பிற்கு ஒரே ஒரு பதிலை மட்டுமே கண்டறிபவர் பெறுவதை உறுதிசெய்ய மூன்றாவது அளவுகோல் சேர்க்கப்படுகிறது. எண்ம உகப்பாக்கம் உள்ள அளவுகோல்களைப் பயன்படுத்தி, படி விளிம்புகள் உட்பட பல பொதுவான பட அம்சங்களுக்கான கண்டறிதல்களைப் பெறுகிறோம். பகுப்பாய்வை படிநிலை விளிம்புகளுக்கு நிபுணத்துவம் அளிப்பதில், கண்டறிதல் மற்றும் உள்ளூர்மயமாக்கல் செயல்திறன் ஆகியவற்றுக்கு இடையே ஒரு இயற்கையான நிச்சயமற்ற கொள்கை இருப்பதைக் காண்கிறோம், இவை இரண்டு முக்கிய குறிக்கோள்கள். இந்த கொள்கையால் எந்த அளவிலும் உகந்ததாக இருக்கும் ஒற்றை ஆபரேட்டர் வடிவத்தை நாம் பெறுகிறோம். உகந்த கண்டறிதல் ஒரு எளிய தோராயமான செயல்படுத்தலைக் கொண்டுள்ளது, இதில் கோஸ்ஸியன்-மென்மையான படத்தின் சாய்வு அளவின் அதிகபட்சத்தில் விளிம்புகள் குறிக்கப்படுகின்றன. இந்த எளிய கண்டறிதலை பல அகலங்களுக்கான ஆபரேட்டர்களை பயன்படுத்தி விரிவுபடுத்தினோம் சிக்னல்-குரல் விகிதங்கள் படத்தில் வேறுபடுவதற்கு. நாம் ஒரு பொதுவான முறையை முன்வைக்கிறோம், அம்சம் தொகுப்பு என்று அழைக்கப்படுகிறது, வெவ்வேறு அளவிலான ஆபரேட்டர்களிடமிருந்து தகவலை நுணுக்கமாக ஒருங்கிணைக்க. இறுதியாக நாம் படி விளிம்பு கண்டறிதல் செயல்திறன் கணிசமாக மேம்படுகிறது என்று காண்பிக்கிறோம் ஆபரேட்டர் புள்ளி பரவல் செயல்பாடு விளிம்பு முழுவதும் நீட்டிக்கப்படுகிறது.

b41c45b2ca0c38a4514f0779395ebdf3d34cecc0

7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e

முகங்கள் சிக்கலான, பல பரிமாண, அர்த்தமுள்ள காட்சி தூண்டுதல்களை பிரதிநிதித்துவப்படுத்துகின்றன மற்றும் முக அங்கீகாரத்திற்கான கணக்கீட்டு மாதிரியை உருவாக்குவது கடினம் [42]. நாம் ஒரு கலப்பின நரம்பியல் நெட்வொர்க் தீர்வை முன்வைக்கிறோம், இது மற்ற முறைகளுடன் சாதகமாக ஒப்பிடுகிறது. இந்த அமைப்பு உள்ளூர் பட மாதிரி, சுய-ஒழுங்கமைக்கும் வரைபட நரம்பியல் நெட்வொர்க் மற்றும் ஒரு கூட்டுநரம்பியல் நரம்பியல் நெட்வொர்க்கை இணைக்கிறது. சுய-ஒழுங்கமைவு வரைபடம் பட மாதிரிகளை ஒரு டோபோலஜிக்கல் இடத்திற்குள் குவாண்டைசேஷனை வழங்குகிறது, அங்கு அசல் இடத்தில் அருகிலுள்ள உள்ளீடுகள் வெளியீட்டு இடத்திலும் அருகிலுள்ளவை, இதனால் பட மாதிரியில் சிறிய மாற்றங்களுக்கு பரிமாண சிவப்பு மற்றும் மாறிலி அளிக்கிறது, மேலும் சுருக்கமான நரம்பியல் நெட்வொர்க் மொழிபெயர்ப்பு, சுழற்சி, அளவு மற்றும் சிதைவுக்கு பகுதி மாறிலி வழங்குகிறது. சுருக்கமான நிகர வேலை ஒரு படிநிலை அடுக்குகளின் தொகுப்பில் தொடர்ச்சியாக பெரிய அம்சங்களை பிரித்தெடுக்கிறது. சுய ஒழுங்கமைக்கும் வரைபடத்திற்கு பதிலாக கர்ஹூனன் - லோவ் மாற்றத்தை பயன்படுத்தி முடிவுகளை நாங்கள் முன்வைக்கிறோம், மேலும் மாறிவரும் வலையமைப்பிற்கு பதிலாக பல அடுக்கு பெர்செப்டிரான். கர்ஹுனன்-லோவ் மாற்றம் கிட்டத்தட்ட அதே செயல்திறனைக் கொண்டுள்ளது (5.3% பிழை எதிராக 3.8%). பல அடுக்குகள் கொண்ட பெர்செப்டிரான் மிகவும் மோசமாக செயல்படுகிறது (40% பிழை 3.8% உடன் ஒப்பிடும்போது). இந்த முறை விரைவான வகைப்படுத்தல் திறன் கொண்டது, விரைவான, தோராயமான இயல்பாக்கம் மற்றும் முன் செயலாக்கம் மட்டுமே தேவைப்படுகிறது, மேலும் தரவுத்தளத்தில் சொந்த முகங்கள் அணுகுமுறையை விட [42] சிறந்த வகைப்படுத்தல் செயல்திறனை நிரந்தரமாக வெளிப்படுத்துகிறது. ஒரு நபருக்கு 5 படங்களுடன் முன்மொழியப்பட்ட முறை மற்றும் சொந்த முகங்கள் முறையே 3.8% மற்றும் 10.5% பிழையை ஏற்படுத்துகின்றன. அங்கீகரிப்பான் அதன் வெளியீட்டில் ஒரு நம்பகத்தன்மையை வழங்குகிறது மற்றும் 10% எடுத்துக்காட்டுகளை நிராகரிக்கும்போது வகைப்படுத்தல் பிழை பூஜ்ஜியத்தை நெருங்குகிறது. 40 நபர்களின் 400 படங்களை கொண்ட ஒரு தரவுத்தளத்தை நாங்கள் பயன்படுத்துகிறோம், அதில் வெளிப்பாடு, போஸ் மற்றும் முக விவரங்களில் அதிக அளவு மாறுபாடு உள்ளது. கணக்கீட்டு சிக்கலான தன்மையை பகுப்பாய்வு செய்து, பயிற்சி பெற்ற அங்கீகரிப்பாளருக்கு புதிய வகுப்புகளை எவ்வாறு சேர்க்கலாம் என்பதை விவாதிக்கிறோம்.

5dd9dc47c4acc9ea3e597751194db52119398ac6

ஷிப்ட் ரெஜிஸ்டர் என்பது ஒரு வகை தொடர்ச்சியான தர்க்க சுற்று ஆகும், இது பெரும்பாலும் டிஜிட்டல் தரவை சேமிப்பதற்காக அல்லது கணினியின் பாதுகாப்பை மேம்படுத்த ரேடியோ அதிர்வெண் அடையாளம் (RFID) பயன்பாடுகளில் பைனரி எண்களின் வடிவத்தில் தரவை மாற்றுவதற்கு பயன்படுத்தப்படுகிறது. இந்த கட்டுரையில் ஒரு புதிய ஃபிளிப்-ஃப்ளோப்பைப் பயன்படுத்தி ஒரு ஆற்றல்-திறமையான ஷிஃப்ட் ரெஜிஸ்டர் வழங்கப்படுகிறது. இந்த ஃபிளிப்-ஃப்ளோப் உயர் செயல்திறன் மற்றும் குறைந்த மின்சாரத்தை கொண்டதாக இருக்கும். இது ஐந்து டிரான்சிஸ்டர்கள், உயர்வு மற்றும் வீழ்ச்சி பாதைகளுக்கான சி-எலெமென்ட் மற்றும் ஒரு கீப்பர் ஸ்டேஜ் ஆகியவற்றால் செயல்படுத்தப்பட்ட ஒரு மாதிரி சுற்றுச்சூழலைக் கொண்டுள்ளது. நான்கு மணிநேர டிரான்சிஸ்டர்களை ஒரு மாற்ற நிலை நுட்பத்துடன் இணைத்து இயக்குவதன் மூலம் வேகம் அதிகரிக்கப்படுகிறது. பரிந்துரைக்கப்பட்ட டோபோலஜி 30.1997 மற்றும் 22.7071 nW என்ற மிகக் குறைந்த அளவு மின்சாரத்தை பயன்படுத்துகிறது என்பதை சிமுலேஷன் முடிவு உறுதிப்படுத்துகிறது. மொத்த வடிவமைப்பு 16 டிரான்சிஸ்டர்களை மட்டுமே கொண்டுள்ளது மற்றும் 130nm துணை-உலோக-ஆக்ஸைடு-அரைகுழாய்வு (CMOS) தொழில்நுட்பத்தில் 1.2 V மின்சாரம் வழங்கப்படுகிறது.

d76beb59a23c01c9bec1940c4cec1ca26e00480a

விமானப்படை ஆராய்ச்சி ஆய்வகம் இரண்டு மூளை-கணினி இடைமுகங்களை (BCI) செயல்படுத்தி மதிப்பீடு செய்துள்ளது, அவை நிலையான-நிலை காட்சி தூண்டப்பட்ட பதிலை ஒரு இயற்பியல் சாதனம் அல்லது கணினி நிரலை இயக்குவதற்கான கட்டுப்பாட்டு சமிக்ஞையாக மொழிபெயர்க்கின்றன. ஒரு அணுகுமுறையில், ஆபரேட்டர்கள் மூளையின் பதிலை சுய-ஒழுங்குபடுத்துகிறார்கள்; மற்ற அணுகுமுறை பல தூண்டப்பட்ட பதில்களைப் பயன்படுத்துகிறது.

8a65dc637d39c14323dccd5cbcc08eed2553880e

இந்த கட்டுரை தென்னாப்பிரிக்காவில் மாவட்ட நிர்வாகத்தை ஆதரிப்பதற்காக சுகாதார தகவல் அமைப்புகளை உருவாக்குவதற்கான ஒரு தொடர்ச்சியான நடவடிக்கை ஆராய்ச்சி திட்டத்தின் ஆரம்ப காலத்தை (1994-2001) விவரிக்கிறது. பார்தைடுக்கு பிந்தைய தென்னாப்பிரிக்காவில் சுகாதாரத் துறையின் மறுகட்டமைப்பு சுகாதார சேவை வழங்கலில் சமத்துவத்திற்காக பாடுபடுதல் மற்றும் சுகாதார மாவட்டங்களை அடிப்படையாகக் கொண்ட பரவலாக்கப்பட்ட கட்டமைப்பை உருவாக்குதல். தகவல் முறைமைகள் (ஐஎஸ்) வளர்ச்சியின் அடிப்படையில், இந்த சீர்திருத்த செயல்முறை சுகாதார தரவுகளை தரப்படுத்தும் வகையில் மொழிபெயர்க்கப்பட்டுள்ளது, இது உள்ளூர் கட்டுப்பாடு மற்றும் தகவல் கையாளுதலின் ஒருங்கிணைப்பை மேம்படுத்துவதன் மூலம் புதிய தென்னாப்பிரிக்காவின் இலக்குகளை பதிவு செய்கிறது. செயற்பாட்டு ஆராய்ச்சிக்கான நமது அணுகுமுறையை விவரித்து, வழக்குத் தகவல்களை ஆராய்வதில் நடிகர்-நெட்வொர்க் மற்றும் கட்டமைப்புக் கோட்பாடுகளிலிருந்து கருத்துக்களைப் பயன்படுத்துகிறோம். வழங்கப்பட்ட IS வளர்ச்சி செயல்முறையின் விரிவான விளக்கம் மற்றும் பகுப்பாய்வில், தரப்படுத்தல் மற்றும் உள்ளூர் எக்ஸிபிலிட்டி (உள்ளூர்மயமாக்கல்) ஆகியவற்றை சமநிலைப்படுத்த வேண்டியதன் அவசியத்தை நாங்கள் மையமாகக் கொண்டுள்ளோம்; தரப்படுத்தல் என்பது பலவிதமான நடிகர்களின் கீழ்-மேலே சீரமைப்பாகக் காணப்படுகிறது. தகவல் அமைப்புகளின் சமூக அமைப்பு மாதிரியின் அடிப்படையில், இந்த நடிகர்கள் தங்கள் நலன்களை மொழிபெயர்த்து, சீரமைக்கும் செயல்முறைகளை வளர்ப்பதற்காக உருவாக்கப்பட்ட மற்றும் பயன்படுத்தப்படும் ஐஎஸ் வடிவமைப்பு மூலோபாயத்தை நாங்கள் கருதுகிறோம். தரப்படுத்தல் மற்றும் உள்ளூர்மயமாக்கல் ஆகியவற்றுக்கு இடையேயான பதட்டங்களை புரிந்து கொள்ளவும், தீர்க்கவும் ஒரு கட்டமைப்பாக உலகளாவிய மற்றும் உள்ளூர் தரவுத்தொகுப்புகளின் தொகுதி வரிசைமுறையை நாங்கள் உருவாக்குகிறோம். இறுதியாக, ஆராய்ச்சி முடிவுகளின் பிற நாடுகளில் சாத்தியமான பொருத்தத்தை நாங்கள் விவாதிக்கிறோம்.

600434c6255c160b53ad26912c1c0b96f0d48ce6

ரேண்டம் ஃபாரஸ்ட் என்பது ஒரு கணக்கீட்டு திறன் கொண்ட நுட்பமாகும், இது பெரிய தரவுத்தொகுப்புகளில் விரைவாக செயல்பட முடியும். இது பல சமீபத்திய ஆராய்ச்சி திட்டங்களிலும், பல்வேறு துறைகளில் உள்ள நிஜ உலக பயன்பாடுகளிலும் பயன்படுத்தப்பட்டுள்ளது. இருப்பினும், ஒரு ரேண்டம் வனத்தை உருவாக்க எத்தனை மரங்களை பயன்படுத்த வேண்டும் என்பது குறித்து தொடர்புடைய இலக்கியங்கள் கிட்டத்தட்ட எந்த வழிகாட்டுதலையும் வழங்கவில்லை. இங்கு அறிக்கையிடப்பட்ட ஆராய்ச்சி ஒரு ரேண்டம் வனத்திற்குள் உகந்த எண்ணிக்கையிலான மரங்கள் உள்ளதா என்பதை பகுப்பாய்வு செய்கிறது, அதாவது, மரங்களின் எண்ணிக்கையை அதிகரிப்பது குறிப்பிடத்தக்க செயல்திறன் ஆதாயத்தை கொண்டு வராது, மேலும் கணக்கீட்டு செலவை அதிகரிக்கும். மரங்களின் எண்ணிக்கை அதிகரிக்கும் போது, அது முந்தைய காடுகளை விட (மரங்களின் எண்ணிக்கை குறைவாக) காடுகளின் செயல்திறன் கணிசமாக சிறப்பாக இருப்பதை அர்த்தப்படுத்துவதில்லை, மேலும் மரங்களின் எண்ணிக்கையை இரட்டிப்பாக்குவது பயனற்றது. ஒரு பெரிய கணினி சூழல் கிடைக்காவிட்டால், குறிப்பிடத்தக்க ஆதாயம் இல்லாத ஒரு வாசல் உள்ளது என்றும் கூறலாம். கூடுதலாக, எந்தவொரு காட்டில் மரங்களின் எண்ணிக்கையை இரட்டிப்பாக்கும் போது AUC ஆதாயத்திற்கான ஒரு சோதனை உறவு கண்டறியப்பட்டது. மேலும், மரங்களின் எண்ணிக்கை அதிகரிக்கும் போது, முழுமையான பண்புக்கூறுகள் ஒரு ரேண்டம் வனத்திற்குள் பயன்படுத்தப்படுகின்றன, இது உயிரியல் மருத்துவத் துறையில் சுவாரஸ்யமானதாக இருக்காது. கூடுதலாக, தரவுத்தொகுப்புகள் அடர்த்தி அடிப்படையிலான அளவீடுகள் இங்கு முன்மொழியப்பட்ட முடிவு மரங்களில் வி.சி பரிமாணத்தின் சில அம்சங்களை கைப்பற்றும் மற்றும் குறைந்த அடர்த்தி தரவுத்தொகுப்புகள் பெரிய திறன் கொண்ட இயந்திரங்கள் தேவைப்படலாம், அதே நேரத்தில் எதிர்மாறாகவும் உண்மையாக இருக்கும்.

4cbadc5f4afe9ac178fd14a6875ef1956a528313

கடந்த சில ஆண்டுகளில் தொழில்நுட்பத்தில் ஏற்பட்ட முன்னேற்றங்கள் சிறிய சென்சார் முனைகள் இணையத்தின் மற்ற பகுதிகளுடன் கம்பியில்லாமல் தொடர்பு கொள்ள உதவியது. இந்த சாதனையுடன், ஐபி-இயக்கப்பட்ட வயர்லெஸ் சென்சார் நெட்வொர்க்குகளை (ஐபி-டபிள்யூஎஸ்என்) பாதுகாக்கும் கேள்வி எழுந்தது, அது முதல் ஒரு முக்கியமான ஆராய்ச்சி தலைப்பாகும். இந்த ஆய்வில், கான்டிகி இயக்க முறைமைக்கான முன் பகிரப்பட்ட முக்கிய குறியாக்க தொகுப்பை (TLS PSK WITH AES 128 CCM 8) பயன்படுத்தி TLS மற்றும் DTLS நெறிமுறைகளை நாங்கள் செயல்படுத்துவதைப் பற்றி விவாதிக்கிறோம். Contiki OS-இன் ஆதரவுள்ள நெறிமுறைகளின் தொகுப்பில் ஒரு புதிய நெறிமுறையைச் சேர்ப்பதோடு மட்டுமல்லாமல், இந்த திட்டம், IP-WSN களுக்கு போக்குவரத்து அடுக்கு பாதுகாப்பு மற்றும் முன் பகிரப்பட்ட விசை மேலாண்மை திட்டங்கள் எவ்வளவு பொருத்தமானவை என்பதை மதிப்பீடு செய்ய அனுமதிக்கிறது.

0ab99aa04e3a8340a7552355fb547374a5604b24

பல நோயறிதல் பணிகளுக்கு அசாதாரணங்களைக் கண்டறிவதற்கும், அளவீடுகளையும் காலப்போக்கில் ஏற்படும் மாற்றங்களையும் அளவிடுவதற்கும் ஆரம்ப தேடல் செயல்முறை தேவைப்படுகிறது. கணினி வழி கருவிகள், குறிப்பாக பட பகுப்பாய்வு மற்றும் இயந்திர கற்றல் ஆகியவை நோயறிதலை மேம்படுத்தும் முக்கிய வழிமுறையாகும். இந்த கருவிகளில், ஆழமான கற்றல் என்பது விரைவாக மேம்பட்ட துல்லியத்திற்கு வழிவகுக்கும், அதிநவீன அடித்தளமாக நிரூபிக்கப்படுகிறது. இது தரவு பகுப்பாய்வில் புதிய எல்லைகளை திறந்து விட்டது. D EEP கற்றல் என்பது பொது தரவு பகுப்பாய்வில் வளர்ந்து வரும் போக்கு ஆகும், மேலும் இது 2013 ஆம் ஆண்டின் 10 அதிநவீன தொழில்நுட்பங்களில் ஒன்றாகக் கருதப்படுகிறது [1]. ஆழமான கற்றல் என்பது செயற்கை நரம்பியல் நெட்வொர்க்குகளின் முன்னேற்றமாகும், இது அதிக அடுக்குகளைக் கொண்டது, இது அதிக அளவிலான சுருக்கத்தையும் தரவிலிருந்து மேம்பட்ட கணிப்புகளையும் அனுமதிக்கிறது [2]. இன்றுவரை, இது பொதுவான படங்கள் மற்றும் கணினி பார்வை களங்களில் முன்னணி இயந்திர-கற்றல் கருவியாக உருவாகி வருகிறது. குறிப்பாக, கன்வோல்ஷனல் நியூரல் நெட்வொர்க்குகள் (CNN) பலவிதமான கணினி பார்வை பணிகளுக்கு சக்திவாய்ந்த கருவிகளாக நிரூபிக்கப்பட்டுள்ளன. ஆழமான சிஎன்என் தானாகவே மூல தரவுகளிலிருந்து (எ. கா. படங்கள்) பெறப்பட்ட நடுத்தர மற்றும் உயர் மட்ட சுருக்கங்களைக் கற்றுக்கொள்கிறது. சமீபத்திய முடிவுகள் சிஎன்என்-களில் இருந்து பிரித்தெடுக்கப்பட்ட பொதுவான விவரிப்பாளர்கள் இயற்கை படங்களில் பொருள் அங்கீகாரம் மற்றும் உள்ளூர்மயமாக்கலில் மிகவும் பயனுள்ளதாக இருப்பதைக் குறிக்கின்றன. உலகெங்கிலும் உள்ள மருத்துவ பட பகுப்பாய்வு குழுக்கள் விரைவாக இந்தத் துறையில் நுழைந்து, சிஎன்என் மற்றும் பிற ஆழமான கற்றல் முறைகளை பல்வேறு பயன்பாடுகளுக்குப் பயன்படுத்துகின்றன. நம்பிக்கைக்குரிய பலன்கள் வெளிவருகின்றன. மருத்துவப் படத்தில், ஒரு நோயின் துல்லியமான நோயறிதல் மற்றும்/அல்லது மதிப்பீடு படப் பெறுதல் மற்றும் பட விளக்கம் ஆகிய இரண்டையும் சார்ந்துள்ளது. சமீபத்திய ஆண்டுகளில் படப் பெறுதல் கணிசமாக மேம்பட்டுள்ளது, சாதனங்கள் தரவை விரைவான விகிதத்தில் மற்றும் அதிகரித்த தீர்மானத்தில் பெறுகின்றன. ஆனால், சமீபத்தில் தான் கணினி தொழில்நுட்பம் படங்களை விளக்கும் செயல்முறையை மேம்படுத்தியது. மருத்துவப் படங்களின் பெரும்பாலான விளக்கங்கள் மருத்துவர்களால் செய்யப்படுகின்றன; இருப்பினும், மனிதர்களால் பட விளக்கம் அதன் அகநிலைத்தன்மை, விளக்கங்களுக்கிடையேயான பெரிய மாறுபாடுகள் மற்றும் சோர்வு காரணமாக வரையறுக்கப்பட்டுள்ளது.

5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70

மேற்பார்வை செய்யப்படாத பட மொழிபெயர்ப்பு, இது இரண்டு சுயாதீனமான படத் தொகுப்புகளை மொழிபெயர்ப்பதை நோக்கமாகக் கொண்டுள்ளது, இணைக்கப்பட்ட தரவு இல்லாமல் சரியான கடிதங்களைக் கண்டுபிடிப்பதில் சவாலானது. தற்போதுள்ள படைப்புகள் உருவாக்கும் எதிர்ப்பு நெட்வொர்க்குகள் (GAN) மீது கட்டமைக்கப்பட்டுள்ளன, இதனால் மொழிபெயர்க்கப்பட்ட படங்களின் விநியோகம் இலக்கு தொகுப்பின் விநியோகத்திலிருந்து வேறுபடாது. எனினும், இத்தகைய தொகுப்பு-நிலை கட்டுப்பாடுகள் நிகழ்வு-நிலை தொடர்புகளை (எ. கா. பொருள் மாற்றம் பணியில் சீரமைக்கப்பட்ட சொற்பொருள் பாகங்கள்). இந்த வரம்பு பெரும்பாலும் தவறான நேர்மறைகளை விளைவிக்கிறது (எ. கா. புவியியல் அல்லது சொற்பொருள் கலைப்பொருட்கள்), மேலும் இது பயன்முறை சரிவு சிக்கலுக்கு வழிவகுக்கிறது. மேற்கண்ட பிரச்சினைகளை தீர்க்க, ஆழமான கவனம் GAN (DA-GAN) மூலம் எடுத்துக்காட்டு-நிலை பட மொழிபெயர்ப்புக்கான ஒரு புதிய கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். இத்தகைய வடிவமைப்பு DA-GAN ஆனது இரண்டு தொகுப்புகளிலிருந்து மாதிரிகளை மொழிபெயர்ப்பதற்கான பணியை மிகவும் கட்டமைக்கப்பட்ட மறைந்த இடத்தில் மொழிபெயர்ப்பு நிகழ்வுகளாக உடைக்க உதவுகிறது. குறிப்பாக, நாம் இணைந்து ஒரு ஆழமான கவனம் குறியீட்டாளரைக் கற்றுக்கொள்கிறோம், மேலும் படித்த நிகழ்வுகளில் கலந்துகொள்வதன் மூலம் நிகழ்வு-நிலை கடிதங்களைக் கண்டறிய முடியும். எனவே, இந்த கட்டுப்பாடுகளை செட் மட்டத்திலும், நிகழ்வு மட்டத்திலும் பயன்படுத்தலாம். பல அதிநவீன தொழில்நுட்பங்களுடன் ஒப்பீடுகள் நமது அணுகுமுறையின் மேலான தன்மையை நிரூபிக்கின்றன, மேலும் பரந்த பயன்பாட்டு திறன், எ. கா. , போஸ் மார்பிங், தரவு அதிகரிப்பு போன்றவை, டொமைன் மொழிபெயர்ப்பு சிக்கலின் ஓரத்தை தள்ளுகிறது.

f1526054914997591ffdb8cd523bea219ce7a26e

இந்த ஆண்டு மார்ச் மாதம், அமெரிக்க புள்ளியியல் சங்கம் (ASA) P- மதிப்புகளின் சரியான பயன்பாடு குறித்த ஒரு அறிக்கையை வெளியிட்டது, P- மதிப்பு பொதுவாக தவறாகப் பயன்படுத்தப்பட்டு தவறாகப் புரிந்து கொள்ளப்படுகிறது என்ற வளர்ந்து வரும் கவலையை எதிர்கொண்டது. ASA வழங்கிய இந்த எச்சரிக்கைகளை, புள்ளியியல் துறையில் ஆழமான பின்னணி இல்லாத மருத்துவ நிபுணர்கள் மற்றும் ஆராய்ச்சியாளர்கள் எளிதாகப் புரிந்துகொள்ளக்கூடிய மொழியில் மொழிபெயர்க்க நாங்கள் இலக்கு வைத்துள்ளோம். மேலும், P- மதிப்புகளின் வரம்புகளை விளக்கவும், அவை சரியாகப் பயன்படுத்தப்பட்டு விளக்கப்படும்போது கூட, சமீபத்தில் அறிக்கையிடப்பட்ட இரண்டு ஆய்வுகளை எடுத்துக்காட்டுகளாகப் பயன்படுத்தி ஆய்வு முடிவுகளின் மருத்துவ பொருத்தத்திற்கு அதிக கவனம் செலுத்தவும் நாங்கள் விரும்புகிறோம். P-மதிப்புகள் பெரும்பாலும் தவறாகப் புரிந்து கொள்ளப்படுகின்றன என்று நாங்கள் வாதிடுகிறோம். பொதுவான தவறு P < 0.05 என்பது பூஜ்ய கருதுகோள் தவறானது என்று கூறுவது, மற்றும் P ≥0.05 என்பது பூஜ்ய கருதுகோள் உண்மை என்று கூறுகிறது. 0.05 என்ற P-மதிப்பின் சரியான விளக்கம் என்னவென்றால், பூஜ்ய அனுமானம் உண்மையிலேயே உண்மையாக இருந்தால், இதேபோன்ற மாதிரிகளில் ஆய்வு மீண்டும் நிகழும்போது 5% அல்லது அதற்கு மேற்பட்ட தீவிர முடிவு ஏற்படும். வேறு வார்த்தைகளில் கூறுவதானால், P- மதிப்பு, பூஜ்ய அனுமானத்தை அளித்துள்ள தரவுகளின் நிகழ்தகவு பற்றி தெரிவிக்கிறது, மாறாக இல்லை. P-மதிப்புடன் தொடர்புடைய ஒரு சாத்தியமான மாற்று நம்பக இடைவெளி (CI) ஆகும். இது ஒரு விளைவின் அளவு மற்றும் அந்த விளைவு மதிப்பிடப்பட்ட துல்லியமற்ற தன்மை பற்றிய கூடுதல் தகவலை வழங்குகிறது. இருப்பினும், P-மதிப்புகளை மாற்றுவதற்கு, அறிவியல் முடிவுகளின் தவறான விளக்கத்தை நிறுத்துவதற்கு எந்த மாய குண்டுகளும் இல்லை. விஞ்ஞானிகள் மற்றும் வாசகர்கள் இருவரும் புள்ளியியல் சோதனைகள், P-மதிப்புகள் மற்றும் CIs ஆகியவற்றின் சரியான, நுணுக்கமான விளக்கத்துடன் தங்களைத் தாங்களே அறிமுகப்படுத்திக் கொள்ள வேண்டும்.

50ca90bc847694a7a2d9a291f0d903a15e408481

ஆழமான வீடியோ, கூட்டு நிலைப்பாடு மற்றும் பேச்சு போன்ற பல தரவு முறைகளை அடிப்படையாகக் கொண்ட மனித சைகை அங்கீகாரத்திற்கு ஒரு பொதுவான அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். நமது அமைப்பில், ஒவ்வொரு சைகைகளும் பெரிய அளவிலான உடல் இயக்கங்களாகவும், உள்ளூர் நுட்பமான இயக்கங்களாகவும் பிரிக்கப்படுகின்றன, கைகளின் கூட்டுதல் போன்றவை. பல அளவுகளில் கற்றல் என்ற கருத்து கால பரிமாணத்திற்கும் பொருந்தும், அதாவது ஒரு சைகை என்பது பண்புக்கூறு இயக்க உந்துதல்களின் தொகுப்பாக அல்லது மாறும் போஸ்களாக கருதப்படுகிறது. ஒவ்வொரு முறைகளும் முதலில் தனித்தனியாக குறுகிய இட-நேர தொகுதிகளில் செயலாக்கப்படுகின்றன, அங்கு வேறுபடுத்தும் தரவு-குறிப்பிட்ட அம்சங்கள் கைமுறையாக பிரித்தெடுக்கப்படுகின்றன அல்லது கற்றுக்கொள்ளப்படுகின்றன. இறுதியாக, நாம் ஒரு மறுபடியும் நிகழும் நரம்பியல் வலையமைப்பைப் பயன்படுத்துகிறோம் பெரிய அளவிலான கால சார்புகளை மாதிரியாகக் கொண்டு, தரவு இணைப்பு மற்றும் இறுதியில் சைகை வகைப்பாடு. 2013 ஆம் ஆண்டு பலவகை சைகை அங்கீகாரம் தரவுத்தொகுப்பில் மேற்கொள்ளப்பட்ட எங்கள் பரிசோதனைகள், பல இட மற்றும் கால அளவிலான பல முறைகளைப் பயன்படுத்துவது செயல்திறனில் குறிப்பிடத்தக்க அதிகரிப்புக்கு வழிவகுக்கிறது, இது தனிப்பட்ட வகைப்படுத்திகளின் பிழைகள் மற்றும் தனித்தனி சேனல்களில் சத்தத்தை ஈடுசெய்ய மாதிரியை அனுமதிக்கிறது.

586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6

சிறிய மாற்றங்கள் மற்றும் சிதைவுகளுக்கு மாறாத ஒரு பரந்த அம்ச கண்டறிதல் முறைகளை கற்க ஒரு மேற்பார்வை செய்யப்படாத முறையை நாங்கள் முன்வைக்கிறோம். இதன் விளைவாக உருவாகும் அம்ச பிரித்தெடுத்தல் பல சுருக்க வடிப்பான்களைக் கொண்டுள்ளது, அதைத் தொடர்ந்து அருகிலுள்ள சாளரங்களில் ஒவ்வொரு வடிகட்டி வெளியீட்டின் அதிகபட்சத்தையும் கணக்கிடுகிறது, மேலும் புள்ளி-விவேக சிக்மோயிட் நேரியல் அல்லாத தன்மையையும் கொண்டுள்ளது. முதல் நிலை அம்சங்களின் பேட்ச்களில் அதே வழிமுறையை பயிற்றுவிப்பதன் மூலம் பெரிய மற்றும் மாறாத அம்சங்களின் இரண்டாவது நிலை பெறப்படுகிறது. இந்த அம்சங்கள் குறித்து மேற்பார்வையிடப்பட்ட வகைப்படுத்தியைப் பயிற்றுவிப்பது MNIST இல் 0.64% பிழையை அளிக்கிறது, மேலும் கலெக்டிக் 101 இல் சராசரி அங்கீகார விகிதம் 54% ஆகும், ஒவ்வொரு பிரிவிலும் 30 பயிற்சி மாதிரிகள் உள்ளன. இதன் விளைவாகக் கிடைக்கும் கட்டமைப்பு, உருவகப்படுத்தப்பட்ட நெட்வொர்க்குகளுக்கு ஒத்ததாக இருந்தாலும், அடுக்கு-அறிவுமிக்க மேற்பார்வை செய்யப்படாத பயிற்சி நடைமுறை, முற்றிலும் மேற்பார்வை செய்யப்பட்ட கற்றல் நடைமுறைகளை பாதிக்கும் அதிக அளவு அளவு சிக்கல்களைக் குறைக்கிறது, மேலும் மிகக் குறைந்த பெயரிடப்பட்ட பயிற்சி மாதிரிகளுடன் நல்ல செயல்திறனை அளிக்கிறது.

80bcfbb1a30149e636ff1a08aeb715dad6dd9285

0.15μm GaN HEMT செயல்முறை தொழில்நுட்பத்தைப் பயன்படுத்தி இரண்டு உயர் செயல்திறன் கொண்ட Ka-பட்டை சக்தி பெருக்கி MMIC களின் வடிவமைப்பு மற்றும் செயல்திறன் வழங்கப்படுகிறது. 3 நிலை சமநிலையுடன் கூடிய பெருக்கிக்கான அளவிடப்பட்ட தொடர்ச்சியான அலை (CW) முடிவுகள் 11W வரை வெளியீட்டு சக்தியையும் 30GHz இல் 30% சக்தி சேர்க்கப்பட்ட செயல்திறனையும் (PAE) காட்டுகின்றன. மூன்று நிலை ஒற்றை-முடிவு வடிவமைப்பு 6W க்கும் அதிகமான வெளியீட்டு சக்தியையும் 34% வரை PAE ஐ உருவாக்கியது. சமநிலையான மற்றும் ஒற்றை-முடிவு MMIC களுக்கான டை அளவு முறையே 3.24 × 3.60mm2 மற்றும் 1.74 × 3.24mm2 ஆகும்.

284de726e700a6c52f9f8fb9f3de4d4b0ff778bb

இயல்பாக மாறிவரும் தற்கால தகவல்களைப் பயன்படுத்தும் திறன் காரணமாக, மீண்டும் மீண்டும் வரும் நரம்பியல் நெட்வொர்க்குகள் (RNNs) பேச்சு அங்கீகாரத்திற்கு இயல்பாகவே பொருத்தமானவை. ஆழமான RNN கள் வெவ்வேறு நேரத் துல்லியங்களில் கால உறவுகளை மாதிரியாகக் கொள்ள முடியும் என்று வாதிட்டனர், ஆனால் மறைந்துபோகும் சாய்வு சிக்கல்களை அனுபவிக்கின்றன. இந்த ஆய்வில், இந்த சிக்கலைக் குறைப்பதற்காக, கால பரிமாணத்தை மட்டுமல்ல, ஆழம் பரிமாணத்தையும் கொண்ட கணக்கீட்டை வடிவமைக்கும் கட்டம் LSTM தொகுதிகளைப் பயன்படுத்தி அடுக்கி வைக்கப்பட்ட நீண்ட குறுகிய கால நினைவக (LSTM) RNN களை விரிவுபடுத்துகிறோம். மேலும், ஆழம் பரிமாணத்தை கால அளவை விட முன்னுரிமை அளிக்கிறோம், ஆழம் பரிமாணத்தை மேலும் புதுப்பிக்கப்பட்ட தகவலை வழங்குவதற்காக, அதன் வெளியீடு வகைப்படுத்தலுக்கு பயன்படுத்தப்படும் என்பதால். இந்த மாதிரியை முன்னுரிமை பெற்ற கட்டம் LSTM (pGLSTM) என்று அழைக்கிறோம். நான்கு பெரிய தரவுத்தொகுப்புகள் (AMI, HKUST, GALE, மற்றும் MGB) மீதான விரிவான பரிசோதனைகள் pGLSTM மாற்று ஆழமான LSTM மாதிரிகளை விட சிறப்பாக செயல்படுகிறது என்பதைக் குறிக்கிறது, 4% முதல் 7% ஒப்பீட்டு முன்னேற்றத்துடன் அடுக்கி வைக்கப்பட்ட LSTM களை வென்றது, மேலும் அனைத்து தரவுத்தொகுப்புகளிலும் ஒரு திசை மாதிரிகள் மத்தியில் புதிய தரங்களை அடைகிறது.