Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_ur

like 0

2f991be8d35e4c1a45bfb0d646673b1ef5239a1f

مشین لرننگ ماڈل اس طرح کیوں برتاؤ کرتے ہیں اس کی سمجھنے سے سسٹم ڈیزائنرز اور اختتامی صارفین دونوں کو بہت سے طریقوں سے بااختیار بنایا جاتا ہے۔ ماڈل کے انتخاب میں ، خصوصیت انجینئرنگ میں ، پیشن گوئی پر اعتماد کرنے اور اس پر عمل کرنے کے لئے ، اور زیادہ بدیہی صارف انٹرفیس میں۔ اس طرح، تشریح مشین سیکھنے میں ایک اہم تشویش بن گیا ہے، اور تشریح ماڈل کے علاقے میں کام نے ایک نئی دلچسپی پایا ہے. کچھ ایپلی کیشنز میں ، ایسے ماڈل غیر ترجمانی کے طور پر درست ہیں ، اور اس طرح ان کی شفافیت کے لئے ترجیح دی جاتی ہے۔ یہاں تک کہ جب وہ درست نہیں ہیں، تو وہ اب بھی ترجیح دی جا سکتی ہیں جب تشریح کی اہمیت انتہائی اہمیت کی حامل ہے. تاہم، مشین سیکھنے کو تشریح کرنے والے ماڈل تک محدود کرنا اکثر ایک شدید حد ہوتی ہے. اس مقالے میں ہم ماڈل اگنوستک نقطہ نظر کا استعمال کرتے ہوئے مشین سیکھنے کی پیش گوئی کی وضاحت کے لئے بحث کرتے ہیں۔ مشین لرننگ ماڈلز کو بلیک باکس افعال کے طور پر دیکھ کر ، یہ نقطہ نظر ماڈل ، وضاحت اور نمائندگی کے انتخاب میں اہم لچک فراہم کرتے ہیں ، مختلف قسم کے صارفین اور ماڈلز کے لئے ڈیبگنگ ، موازنہ اور انٹرفیس کو بہتر بناتے ہیں۔ ہم اس طرح کے طریقوں کے لئے اہم چیلنجوں کا بھی خاکہ پیش کرتے ہیں ، اور حال ہی میں متعارف کروائے گئے ماڈل اگنوستک وضاحت کے نقطہ نظر (ایل آئی ایم ای) کا جائزہ لیتے ہیں جو ان چیلنجوں سے نمٹتے ہیں۔

546add32740ac350dda44bab06f56d4e206622ab

گہرے نیورل نیٹ ورکس نے تصویری درجہ بندی میں متاثر کن تجرباتی نتائج حاصل کیے ہیں ، لیکن حیرت انگیز طور پر مخالف پریشانیوں کے حوالے سے غیر مستحکم ہوسکتے ہیں ، یعنی ان پٹ امیج میں کم سے کم تبدیلیاں جو نیٹ ورک کو غلط درجہ بندی کرنے کا سبب بنتی ہیں۔ اس میں ممکنہ ایپلی کیشنز شامل ہیں جن میں ادراک ماڈیولز اور خود کار طریقے سے گاڑیوں کے لئے اختتام سے آخر تک کنٹرولرز شامل ہیں، اس سے ان کی حفاظت کے بارے میں خدشات پیدا ہوتے ہیں. ہم فیڈ فارورڈ ملٹی لیئر نیورل نیٹ ورکس کے لئے ایک ناول خودکار تصدیق فریم ورک تیار کرتے ہیں جو اطمینان بخش ماڈیول تھیوری (ایس ایم ٹی) پر مبنی ہے۔ ہم تصویر کی ہیرا پھیری پر توجہ مرکوز کرتے ہیں، جیسے خروںچ یا کیمرے زاویہ یا روشنی کے حالات میں تبدیلی، اور اس کے قریب تصاویر کے ایک علاقے کے اندر اندر اصل تصویر کی ہیرا پھیری کے سلسلے میں درجہ بندی کی عدم استحکام کے لحاظ سے تصویر کی درجہ بندی کے فیصلے کے لئے حفاظت کی وضاحت کرتے ہیں. ہم discretisation کا استعمال کرتے ہوئے کی طرف سے علاقے کی مکمل تلاش کے قابل بناتے ہیں، اور پرت کی طرف سے پرت کی طرف سے تجزیہ پھیلانے. ہمارا طریقہ کار نیٹ ورک کوڈ کے ساتھ براہ راست کام کرتا ہے اور، موجودہ طریقوں کے برعکس، اس بات کی ضمانت دے سکتا ہے کہ مخالف مثالیں، اگر وہ موجود ہیں، تو منسلک علاقے اور خاندان کے لئے منسلک ہیں. اگر پایا جاتا ہے تو ، انسانی ٹیسٹرز کو متضاد مثالیں دکھائی جاسکتی ہیں اور / یا نیٹ ورک کو ٹھیک کرنے کے لئے استعمال کی جاسکتی ہیں۔ ہم Z3 کا استعمال کرتے ہوئے تکنیک کو لاگو کرتے ہیں اور ان کا جائزہ ریاستی آرٹ نیٹ ورکس پر لیتے ہیں، بشمول باقاعدگی سے اور گہری سیکھنے والے نیٹ ورکس. ہم بھی مخالف مثالوں کے لئے تلاش کرنے اور نیٹ ورک کی مضبوطی کا اندازہ کرنے کے لئے موجودہ تکنیک کے ساتھ موازنہ.

8db9df2eadea654f128c1887722c677c708e8a47

یہ بھی مربوط ہارڈ ویئر پر تعیناتی کے لئے کمپیوٹیشنل پیچیدگی کو کم کرنے کے لئے متعلقہ معلومات پر توجہ مرکوز کرنے کے لئے توجہ ماڈل پر حالیہ کام ضم. فریم ورک کا تجربہ TORCS نامی اوپن سورس 3D کار ریسنگ سمیلیٹر میں کیا گیا تھا۔ ہمارے تخروپن کے نتائج سے پتہ چلتا ہے کہ پیچیدہ سڑک کے منحنی خطوط اور دیگر گاڑیوں کے سادہ تعامل کے منظر نامے میں خود مختار چال چلانے کی تعلیم حاصل کی گئی ہے۔ تعارف ایک روبوٹ کار جو خود کار طریقے سے چلتی ہے مصنوعی ذہانت کا ایک طویل عرصے سے مقصد ہے. گاڑی چلانا ایک ایسا کام ہے جس کے لیے ڈرائیور کی جانب سے اعلیٰ سطح کی مہارت، توجہ اور تجربہ درکار ہوتا ہے۔ اگرچہ کمپیوٹر انسانوں کے مقابلے میں مسلسل توجہ اور توجہ مرکوز کرنے کی زیادہ صلاحیت رکھتے ہیں، لیکن مکمل طور پر خود مختار ڈرائیونگ کے لیے ایسی ذہانت کی ضرورت ہوتی ہے جو اے آئی ایجنٹوں کی طرف سے اب تک حاصل کی گئی ذہانت سے کہیں زیادہ ہے۔ خود مختار ڈرائیونگ ایجنٹ بنانے میں شامل کاموں کو 3 اقسام میں تقسیم کیا جاسکتا ہے ، جیسا کہ شکل 1: 1 میں دکھایا گیا ہے۔ اس کی مثالیں پیدل چلنے والوں کا پتہ لگانا ، ٹریفک سائن کی پہچان ، وغیرہ ہیں۔ اگرچہ معمولی سے دور ہے ، لیکن گہری سیکھنے (ڈی ایل) الگورتھم میں پیشرفت کی بدولت آج کل شناخت نسبتا easy آسان کام ہے ، جس نے کئی آبجیکٹ کا پتہ لگانے اور درجہ بندی کے مسائل میں انسانی سطح کی پہچان یا اس سے اوپر تک پہنچ گیا ہے [1] [2]۔ گہری سیکھنے کے ماڈل خام ان پٹ ڈیٹا سے پیچیدہ خصوصیت کی نمائندگی سیکھنے کے قابل ہیں ، ہاتھ سے تیار کردہ خصوصیات کی ضرورت کو چھوڑ دیتے ہیں [1] [2] [3] ۔ اس سلسلے میں ، Convolutional Neural Networks (CNNs) شاید سب سے زیادہ کامیاب گہری سیکھنے کا ماڈل ہے ، اور AlexNet [8] کے بعد سے ImageNet چیلنج میں ہر فاتح اندراج کی بنیاد بنائی ہے۔ اس کامیابی کو لین اور گاڑی کا پتہ لگانے کے لئے خود کار طریقے سے ڈرائیونگ کے لئے نقل کیا گیا ہے [6]. 2) پیش گوئی: یہ خود مختار ڈرائیونگ ایجنٹ کے لئے اس کے ماحول کو پہچاننے کے لئے کافی نہیں ہے؛ یہ بھی ماحولیات کی مستقبل کی حالتوں کی پیشن گوئی کرنے والے اندرونی ماڈل تعمیر کرنے کے قابل ہونا ضروری ہے. اس قسم کے مسئلے کی مثالوں میں ماحول کا نقشہ بنانا یا کسی چیز کا سراغ لگانا شامل ہے۔ مستقبل کی پیش گوئی کرنے کے قابل ہونے کے لئے، ماضی کی معلومات کو ضم کرنا ضروری ہے. اس طرح، بار بار چلنے والے نیورل نیٹ ورکس (آر این این) اس قسم کے مسئلے کے لئے ضروری ہیں. لانگ شارٹ ٹرم میموری (ایل ایس ٹی ایم) نیٹ ورکس [5] آر این این کی ایک ایسی قسم ہے جو اینڈ ٹو اینڈ سین لیبلنگ سسٹم میں استعمال کی گئی ہے [14]. حال ہی میں ، آر این این کو ڈیپ ٹریکنگ ماڈل میں آبجیکٹ ٹریکنگ کی کارکردگی کو بہتر بنانے کے لئے بھی استعمال کیا گیا ہے۔ [13] 3) منصوبہ بندی: ایک موثر ماڈل کی نسل جو مستقبل میں ڈرائیونگ کارروائیوں کی ترتیب کی منصوبہ بندی کرنے کے لئے شناخت اور پیشن گوئی کو شامل کرتی ہے جو گاڑی کو کامیابی سے نیویگیشن کرنے کے قابل بنائے گی۔ منصوبہ بندی تینوں میں سب سے مشکل کام ہے. مشکل یہ ہے کہ ماڈل کی صلاحیت کو ماحول (اعتراف) اور اس کی حرکیات (پیش گوئی) کو سمجھنے کے لئے اس طرح سے مربوط کیا جائے کہ یہ مستقبل کے اقدامات کی منصوبہ بندی کرنے کے قابل بنائے تاکہ یہ ناپسندیدہ حالات (جرائم) سے بچ سکے اور محفوظ طریقے سے اپنی منزل (انعامات) تک پہنچ سکے۔ شکل 1: اعلی سطح پر خود مختار ڈرائیونگ کے کام ریفینسمنٹ لرننگ (آر ایل) فریم ورک [17] [20] کنٹرول کاموں میں طویل عرصے سے استعمال کیا گیا ہے۔ [۹] میں انسانی سطح پر کنٹرول حاصل کرنے کے لئے آر ایل اور ڈی ایل کا مرکب سب سے زیادہ امید افزا نقطہ نظر میں سے ایک ہونے کی نشاندہی کی گئی تھی۔ [12] اور [11] میں ، اس انسانی سطح کے کنٹرول کا مظاہرہ اٹاری گیمز پر ڈیپ کیو نیٹ ورکس (ڈی کیو این) ماڈل کا استعمال کرتے ہوئے کیا گیا تھا ، جس میں آر ایل منصوبہ بندی کے حصے کے لئے ذمہ دار ہے جبکہ ڈی ایل نمائندگی سیکھنے کے حصے کے لئے ذمہ دار ہے۔ بعد میں، جزوی قابل مشاہدہ منظرنامے [4] کے لئے اکاؤنٹ میں آر این این کو مرکب میں ضم کیا گیا تھا. خود کار طریقے سے ڈرائیونگ معلومات کے انضمام کی ضرورت ہوتی ہے 02 53 2v 1 [ .M L پر st ] 8 A pr 2 01 7 سے ایک سے زیادہ سینسر. ان میں سے کچھ کم جہتی ہیں، جیسے لیڈار، جبکہ دیگر اعلی جہتی ہیں، جیسے کیمرے. اس خاص مثال میں یہ قابل ذکر ہے، تاہم، اگرچہ خام کیمرے کی تصاویر اعلی جہتی ہیں، خود مختار ڈرائیونگ کے کام کو حاصل کرنے کے لئے ضروری مفید معلومات بہت کم طول و عرض ہے. مثال کے طور پر، منظر کے اہم حصوں جو ڈرائیونگ کے فیصلوں پر اثر انداز ہوتے ہیں وہ چلتی گاڑی، آگے سڑک پر مفت جگہ، کربوں کی پوزیشن وغیرہ تک محدود ہیں. گاڑیوں کی ٹھیک ٹھیک تفصیلات بھی اہم نہیں ہیں، کیونکہ صرف ان کی جگہ کی جگہ واقعی مسئلے کے لئے ضروری ہے. لہذا متعلقہ معلومات کے لئے میموری بینڈوتھ بہت کم ہے. اگر یہ متعلقہ معلومات نکال لی جا سکتی ہیں، جبکہ دیگر غیر متعلقہ حصوں کو فلٹر کیا جاتا ہے، تو یہ خود مختار ڈرائیونگ سسٹم کی درستگی اور کارکردگی دونوں کو بہتر بنائے گا. اس کے علاوہ، یہ نظام کی حساب اور میموری کی ضروریات کو کم کرے گا، جو سرایت شدہ نظام پر اہم پابندیاں ہیں جو خود مختار ڈرائیونگ کنٹرول یونٹ پر مشتمل ہوں گے. توجہ کے ماڈل اس طرح کی معلومات فلٹرنگ کے عمل کے لئے ایک قدرتی فٹ ہیں. حال ہی میں، ان ماڈلز کو کامیابی سے [23] اور [10] میں تصویر کی شناخت کے لئے تعینات کیا گیا تھا، جہاں آر ایل کو آر این این کے ساتھ ملا دیا گیا تھا تاکہ تصویر کے حصوں کو حاصل کرنے کے لۓ. اس طرح کے ماڈل آسانی سے ڈی کیو این [11] اور ڈیپ ریکوریٹ کیو نیٹ ورکس (ڈی آر کیو این) [4] ماڈل میں توسیع اور انضمام کے قابل ہیں۔ یہ انضمام [16] میں کیا گیا تھا. توجہ کے ماڈل کی کامیابی ہمیں خود مختار ڈرائیونگ انجام دینے کے لئے خام حسی معلومات سے کم سطح کی معلومات نکالنے کے لئے ان کی تجویز کرنے پر مجبور کرتی ہے۔ اس مقالے میں، ہم ایک اختتامی خود مختار ڈرائیونگ ماڈل کے لئے ایک فریم ورک تجویز کرتے ہیں جو خام سینسر ان پٹ اور آؤٹ پٹ ڈرائیونگ کارروائیوں میں لیتا ہے. ماڈل جزوی طور پر قابل مشاہدہ منظرناموں کو سنبھالنے کے قابل ہے۔ اس کے علاوہ، ہم توجہ کے ماڈل میں حالیہ پیش رفت کو ضم کرنے کی تجویز کرتے ہیں تاکہ صرف وصول کردہ سینسر کے اعداد و شمار سے متعلقہ معلومات نکالیں، اس طرح یہ حقیقی وقت کے سرایت شدہ نظام کے لئے موزوں بنانا. اس کاغذ کی اہم شراکت: 1) گہری تقویت سیکھنے کی حالیہ پیشرفتوں کا جائزہ پیش کرنا اور 2) آٹوموٹو برادری کو گہری تقویت سیکھنے کا استعمال کرتے ہوئے خود مختار ڈرائیونگ کے لئے ایک فریم ورک متعارف کرانا۔ باقی کاغذ دو حصوں میں تقسیم کیا جاتا ہے. پہلا حصہ گہری تقویت سیکھنے کے الگورتھم کا ایک جائزہ فراہم کرتا ہے ، جس کا آغاز روایتی ایم ڈی پی فریم ورک اور کیو لرننگ سے ہوتا ہے ، اس کے بعد ڈی کیو این ، ڈی آر کیو این اور ڈیپ اٹینشن ریکوریونٹ کیو نیٹ ورکس (ڈی اے آر کیو این) ہوتے ہیں۔ کاغذ کے دوسرے حصے میں تجویز کردہ فریم ورک کی وضاحت کی گئی ہے جو گہری تقویت سیکھنے میں حالیہ پیشرفت کو مربوط کرتی ہے۔ آخر میں، ہم اختتام اور مستقبل کے کام کے لئے ہدایات کا مشورہ دیتے ہیں. ریفینسرسیپ لرننگ کا جائزہ ریفینسرسیپ لرننگ کا ایک جامع جائزہ کے لئے ، براہ کرم ریچ سوٹن کی درسی کتاب کے دوسرے ایڈیشن کا حوالہ دیں [18] ۔ ہم اس حصے میں اہم موضوعات کا مختصر جائزہ فراہم کرتے ہیں۔ ریینفورسمنٹ لرننگ فریم ورک کو [17] میں ایک ماڈل کے طور پر تشکیل دیا گیا تھا تاکہ ایک ایجنٹ بہترین پالیسی فراہم کرسکے جس کی پیروی کی جاسکتی ہے (کسی خاص حالت میں لینے کے لئے بہترین کارروائی) ، تاکہ مجموعی جمع انعامات کو زیادہ سے زیادہ کیا جاسکے جب ایجنٹ اس پالیسی پر عمل پیرا ہوتا ہے موجودہ سے اور جب تک کہ ایک ٹرمینل ریاست تک نہیں پہنچ جاتا ہے۔ RL پیراڈائم ڈرائیونگ کے لئے حوصلہ افزائی ایک کثیر ایجنٹ بات چیت کا مسئلہ ہے. ایک انسانی ڈرائیور کے طور پر، بھاری ٹریفک میں لین تبدیل کرنے کے مقابلے میں، دوسرے گاڑیوں کے ساتھ کسی بھی بات چیت کے بغیر لین کے اندر رہنا بہت آسان ہے. دوسرے ڈرائیوروں کے رویے میں موجود غیر یقینی صورتحال کی وجہ سے مؤخر الذکر زیادہ مشکل ہے۔ باہم کام کرنے والی گاڑیوں کی تعداد، ان کی ہندسی ترتیب اور ڈرائیوروں کے رویے میں بڑی تغیرات ہوسکتی ہیں اور یہ ایک چیلنج ہے کہ تمام منظرناموں کا مکمل کوریج کے ساتھ نگرانی سیکھنے کے ڈیٹا سیٹ کو ڈیزائن کیا جائے۔ انسانی ڈرائیورز کسی قسم کی آن لائن تقویت سیکھنے کو استعمال کرتے ہیں تاکہ دوسرے ڈرائیوروں کے رویے کو سمجھا جا سکے جیسے کہ وہ دفاعی یا جارحانہ ہیں ، تجربہ کار ہیں یا ان میں تجربہ نہیں ہے ، وغیرہ۔ یہ خاص طور پر ایسے منظرناموں میں مفید ہے جن میں مذاکرات کی ضرورت ہوتی ہے، یعنی ایک راؤنڈ باؤل میں داخل ہونے، ٹریفک لائٹس کے بغیر نیویگیشن جنکشن، بھاری ٹریفک کے دوران لین تبدیلیوں وغیرہ. خود مختار ڈرائیونگ میں سب سے بڑا چیلنج ایسے معاملات سے نمٹنا ہے جو ایک انسانی ڈرائیور کے لئے بھی غیر متوقع ہیں، جیسے جی پی ایس کے بغیر نامعلوم علاقے میں کھو جانے سے بازیابی یا آفت کی صورت حال جیسے سیلاب یا زمین پر سنک ہول کی ظاہری شکل سے نمٹنے کے لئے. آر ایل نمونہ ماڈل غیر منقولہ علاقے اور اقدامات کرتے ہوئے اپنے تجربے سے سیکھتا ہے. اس کے علاوہ، RL غیر متغیر لاگت افعال کو سنبھالنے کے قابل ہوسکتا ہے جو نگرانی سیکھنے کے مسائل کے لئے چیلنج پیدا کرسکتا ہے. فی الحال ، خود مختار ڈرائیونگ کے لئے معیاری نقطہ نظر یہ ہے کہ نظام کو الگ تھلگ ذیلی مسائل میں تقسیم کیا جائے ، عام طور پر نگرانی سے متعلق سیکھنے جیسے آبجیکٹ کا پتہ لگانے ، بصری اوڈومیٹری وغیرہ اور پھر پچھلے مراحل کے تمام نتائج کو جوڑنے کے لئے پوسٹ پروسیسنگ پرت رکھیں۔ اس نقطہ نظر کے ساتھ دو اہم مسائل ہیں: سب سے پہلے، ذیلی مسائل جو حل کیے جاتے ہیں وہ خود مختار ڈرائیونگ سے زیادہ مشکل ہوسکتے ہیں. مثال کے طور پر، ایک semantic segmentation کی طرف سے اعتراض کا پتہ لگانے کے حل ہو سکتا ہے جو چیلنج اور غیر ضروری دونوں ہے. انسانی ڈرائیور ڈرائیونگ کے دوران تمام نظر آنے والی اشیاء کا پتہ نہیں لگاتے اور ان کی درجہ بندی نہیں کرتے۔ وہ صرف ان چیزوں کا پتہ لگاتے ہیں جو ان کے لیے اہم ہیں۔ دوسرا، الگ تھلگ ذیلی مسائل کو مربوط طور پر حاصل کرنے کے لئے یکجا نہیں کیا جا سکتا تقویت سے سیکھنے کو ایک مضبوط اے آئی نمونہ سمجھا جاتا ہے جس کا استعمال ماحولیات کے ساتھ تعامل اور ان کی غلطیوں سے سیکھنے کے ذریعے مشینوں کو سکھانے کے لئے کیا جاسکتا ہے۔ اس کی سمجھا جاتا افادیت کے باوجود، یہ ابھی تک کامیابی سے آٹوموٹو ایپلی کیشنز میں لاگو نہیں کیا گیا ہے. اٹاری گیمز اور گوگل ڈیپ مائنڈ کے ذریعہ گو کے سیکھنے کے کامیاب مظاہروں سے حوصلہ افزائی کرتے ہوئے ، ہم گہری تقویت سیکھنے کا استعمال کرتے ہوئے خود مختار ڈرائیونگ کے لئے ایک فریم ورک تجویز کرتے ہیں۔ یہ خاص طور پر اہم ہے کیونکہ خود مختار ڈرائیونگ کو نگرانی سیکھنے کے مسئلے کے طور پر پیش کرنا مشکل ہے کیونکہ ماحول کے ساتھ مضبوط تعاملات بشمول دیگر گاڑیاں، پیدل چلنے والوں اور سڑک کے کام. چونکہ یہ خود مختار ڈرائیونگ کے لئے تحقیق کا ایک نسبتا نیا علاقہ ہے، ہم گہری تقویت سیکھنے کا ایک مختصر جائزہ فراہم کرتے ہیں اور پھر ہمارے مجوزہ فریم ورک کی وضاحت کرتے ہیں. اس میں معلومات کے انضمام کے لئے بار بار چلنے والے نیورل نیٹ ورکس شامل ہیں ، جس سے کار جزوی طور پر قابل مشاہدہ منظرناموں کو سنبھالنے کے قابل بناتی ہے۔

a4d513cfc9d4902ef1a80198582f29b8ba46ac28

اس رپورٹ میں اے آئی کے بدنیتی پر مبنی استعمال سے ممکنہ سیکیورٹی خطرات کے منظر نامے کا جائزہ لیا گیا ہے ، اور ان خطرات کی بہتر پیش گوئی ، روک تھام اور ان کو کم کرنے کے طریقے تجویز کیے گئے ہیں۔ ڈیجیٹل، جسمانی اور سیاسی شعبوں میں خطرے کے منظر نامے پر اے آئی کے اثر انداز ہونے کے طریقوں کا تجزیہ کرنے کے بعد، ہم اے آئی محققین اور دیگر اسٹیک ہولڈرز کے لئے چار اعلی سطح کی سفارشات کرتے ہیں۔ ہم مزید تحقیق کے لئے متعدد امید افزا علاقوں کی بھی تجویز کرتے ہیں جو دفاع کے پورٹ فولیو کو بڑھا سکتے ہیں ، یا حملوں کو کم موثر یا انجام دینے میں مشکل بناسکتے ہیں۔ آخر میں، ہم بحث کرتے ہیں، لیکن حتمی طور پر حل نہیں کرتے، حملہ آوروں اور محافظوں کے طویل مدتی توازن.

b5a047dffc3d70dce19de61257605dfc8c69535c

گہرے نیورل نیٹ ورکس پیچیدہ، حقیقی دنیا کے مسائل سے نمٹنے کے لئے ایک وسیع پیمانے پر استعمال اور مؤثر ذریعہ کے طور پر ابھرا ہے. تاہم، حفاظت کے اہم نظام پر ان کا اطلاق کرنے میں ایک اہم رکاوٹ ان کے رویے کے بارے میں رسمی ضمانت فراہم کرنے میں بڑی مشکل ہے. ہم گہرے نیورل نیٹ ورکس کی خصوصیات کی تصدیق کے لئے ایک ناول ، توسیع پذیر ، اور موثر تکنیک پیش کرتے ہیں (یا انسداد مثالیں فراہم کرتے ہیں) ۔ یہ تکنیک سمپلکس طریقہ پر مبنی ہے ، جس میں غیر محور اصلاح شدہ لکیری یونٹ (ReLU) ایکٹیویشن فنکشن کو سنبھالنے کے لئے توسیع کی گئی ہے ، جو بہت سے جدید نیورل نیٹ ورکس میں ایک اہم جزو ہے۔ تصدیق کے طریقہ کار میں کسی بھی آسان اندازے کے بغیر، نیورل نیٹ ورک کو مکمل طور پر حل کیا جاتا ہے. ہم نے بغیر پائلٹ کے طیاروں کے لئے اگلی نسل کے ہوائی ٹکرانے سے بچنے کے نظام (ACAS Xu) کے پروٹو ٹائپ گہرے اعصابی نیٹ ورک پر اپنی تکنیک کا جائزہ لیا۔ نتائج سے پتہ چلتا ہے کہ ہماری تکنیک نیٹ ورک کی خصوصیات کو کامیابی سے ثابت کر سکتی ہے جو موجودہ طریقوں کا استعمال کرتے ہوئے تصدیق شدہ سب سے بڑے نیٹ ورک سے بڑے پیمانے پر بڑے پیمانے پر ہیں.

b4bd9fab8439da4939a980a950838d1299a9b030

استعمال کی مکمل شرائط و ضوابط: http://pubsonline.informs.org/page/terms-and-conditions اس مضمون کو صرف تحقیق ، تعلیم ، اور / یا نجی مطالعہ کے مقاصد کے لئے استعمال کیا جاسکتا ہے۔ تجارتی استعمال یا منظم ڈاؤن لوڈ (روبوٹ یا دیگر خودکار عمل کے ذریعے) پبلشر کی واضح منظوری کے بغیر ممنوع ہے، جب تک کہ دوسری صورت میں نوٹ نہیں کیا گیا ہے. مزید معلومات کے لیے، [email protected] پر رابطہ کریں۔ ناشر مضمون کی درستگی، مکمل، قابل تجارت، کسی خاص مقصد کے لئے موزوں، یا عدم خلاف ورزی کی ضمانت یا ضمانت نہیں دیتا. اس مضمون میں مصنوعات یا اشاعتوں کی وضاحت یا حوالہ جات ، یا کسی اشتہار کو شامل کرنے سے نہ تو اس کی ضمانت ہوتی ہے اور نہ ہی اس کی ضمانت ، توثیق ، یا اس مصنوع ، اشاعت یا خدمت کے دعوے کی حمایت ہوتی ہے۔ © 1990 INFORMS

5288d14f6a3937df5e10109d4e23d79b7ddf080f

c9946fedf333df0c6404765ba6ccbf8006779753

خود مختار ڈرائیونگ نے ڈرائیور کو سہولت فراہم کرنے اور حفاظت کو بڑھانے کی صلاحیت ظاہر کی ہے۔ ہمارے موجودہ ٹریفک سسٹم میں خود مختار ڈرائیونگ متعارف کرانے کے دوران، ایک اہم مسئلہ یہ ہے کہ خود مختار گاڑی کو حقیقی انسانی ڈرائیوروں کی طرح رد عمل کرنے کے قابل بنایا جائے۔ اس بات کو یقینی بنانے کے لئے کہ مستقبل کی خود مختار گاڑی انسانی ڈرائیوروں کی طرح کام کرے گی ، اس کاغذ میں گاڑی کی تحریک کی منصوبہ بندی کا ایک ماڈل تجویز کیا گیا ہے ، جو اس کی نمائندگی کرسکتا ہے کہ ڈرائیور حقیقی سگنل شدہ چوراہے میں ٹریفک ماحول کے جائزے کی بنیاد پر گاڑیوں کو کس طرح کنٹرول کرتے ہیں۔ تجویز کردہ تحریک کی منصوبہ بندی کے ماڈل پیدل چلنے والوں کی نیت کا پتہ لگانے، خلا کا پتہ لگانے اور گاڑی کی متحرک کنٹرول کے افعال پر مشتمل ہے. تینوں افعال حقیقی ٹریفک ماحول سے جمع کردہ اصل اعداد و شمار کے تجزیہ کی بنیاد پر تعمیر کیے جاتے ہیں. آخر میں، اس کاغذ کو حقیقی پیدل چلنے والوں اور انسانی ڈرائیوروں کے رویوں کے ساتھ ہمارے ماڈل کے رویوں کا موازنہ کی طرف سے مجوزہ طریقہ کار کی کارکردگی کا مظاہرہ کرتا ہے. تجرباتی نتائج سے پتہ چلتا ہے کہ ہمارے مجوزہ ماڈل پیدل چلنے والوں کے پار ہونے کے ارادے کے لئے 85٪ شناخت کی شرح حاصل کرسکتا ہے. اس کے علاوہ، تجویز کردہ تحریک کی منصوبہ بندی کے ماڈل اور اصل انسانی ڈرائیو گاڑی کی طرف سے کنٹرول گاڑی intersections میں خلا قبولیت کے حوالے سے بہت ملتے جلتے ہیں.

061356704ec86334dbbc073985375fe13cd39088

اس کام میں ہم بڑے پیمانے پر تصویر کی شناخت کی ترتیب میں اس کی درستگی پر convolutional نیٹ ورک کی گہرائی کے اثر کی تحقیقات. ہمارا بنیادی حصہ بڑھتی ہوئی گہرائی کے نیٹ ورکس کا مکمل جائزہ ہے، جس سے پتہ چلتا ہے کہ پہلے سے آرٹ کی ترتیب پر ایک اہم بہتری گہرائی کو 16-19 وزن کی تہوں کو دھکا دینے سے حاصل کی جا سکتی ہے. یہ نتائج ہمارے ImageNet چیلنج 2014 جمع کرانے کی بنیاد تھے، جہاں ہماری ٹیم نے مقامی اور درجہ بندی کے پٹریوں میں پہلا اور دوسرا مقام حاصل کیا. ہم نے بھی ہمارے نمائندے کو اچھی طرح سے دیگر ڈیٹا سیٹ، state-of-the-art نتائج حاصل کرنے کے لئے generalize ہے کہ دکھانے کے. اہم بات یہ ہے کہ ہم نے اپنے دو بہترین کارکردگی کا مظاہرہ کرنے والے ConvNet ماڈل کو عوامی طور پر دستیاب کیا ہے تاکہ کمپیوٹر ویژن میں گہری بصری نمائندگی کے استعمال پر مزید تحقیق کی سہولت فراہم کی جاسکے۔

14318685b5959b51d0f1e3db34643eb2855dc6d9

ہم ایک گہری کنوولوشنل نیورل نیٹ ورک فن تعمیر کوڈ نام انسیپشن تجویز کرتے ہیں جو امیج نیٹ بڑے پیمانے پر بصری شناخت چیلنج 2014 (ILSVRC14) میں درجہ بندی اور پتہ لگانے کے لئے فن کی نئی حالت کو حاصل کرتا ہے۔ اس فن تعمیر کا بنیادی نشان نیٹ ورک کے اندر کمپیوٹنگ وسائل کا بہتر استعمال ہے. ایک احتیاط سے تیار کردہ ڈیزائن کے ذریعے، ہم نے کمپیوٹیشنل بجٹ کو مستقل رکھتے ہوئے نیٹ ورک کی گہرائی اور چوڑائی میں اضافہ کیا۔ معیار کو بہتر بنانے کے لئے ، تعمیراتی فیصلے ہیبیئن اصول اور کثیر پیمانے پر پروسیسنگ کے حواس پر مبنی تھے۔ آئی ایل ایس وی آر سی 14 کے لئے ہماری پیش کش میں استعمال ہونے والی ایک خاص شکل کو گوگلی نیٹ کہا جاتا ہے ، جو 22 پرتوں کا گہرا نیٹ ورک ہے ، جس کے معیار کا درجہ بندی اور پتہ لگانے کے تناظر میں جائزہ لیا جاتا ہے۔

1827de6fa9c9c1b3d647a9d707042e89cf94abf0

گہرے نیورل نیٹ ورکس کی تربیت اس حقیقت سے پیچیدہ ہے کہ تربیت کے دوران ہر پرت کے ان پٹ کی تقسیم میں تبدیلی آتی ہے ، کیونکہ پچھلی پرتوں کے پیرامیٹرز تبدیل ہوتے ہیں۔ اس سے کم سیکھنے کی شرح اور محتاط پیرامیٹر ابتدائی کی ضرورت ہوتی ہے کی طرف سے تربیت سست، اور یہ مشہور غیر لکیریات کو سیر ماڈل تربیت کرنے کے لئے مشکل بناتا ہے. ہم اس رجحان کو اندرونی کوویریٹ شفٹ کے طور پر حوالہ دیتے ہیں، اور پرت ان پٹ کو معمول پر لانے کے ذریعے مسئلہ کو حل کرتے ہیں. ہمارے طریقہ کار کو اس کی طاقت normalization کے بنانے سے ماڈل فن تعمیر کا ایک حصہ اور ہر تربیت منی بیچ کے لئے normalization کے انجام. بیچ معمول پر لانے سے ہمیں سیکھنے کی بہت زیادہ شرح استعمال کرنے کی اجازت ملتی ہے اور ابتدائی طور پر کم محتاط رہنا پڑتا ہے ، اور کچھ معاملات میں ڈراپ آؤٹ کی ضرورت کو ختم کرتا ہے۔ ایک جدید ترین تصویری درجہ بندی کے ماڈل پر لاگو کیا گیا ، بیچ نارملائزیشن 14 گنا کم تربیتی اقدامات کے ساتھ ایک ہی درستگی حاصل کرتی ہے ، اور اصل ماڈل کو نمایاں مارجن سے شکست دیتی ہے۔ بیچ نارمل نیٹ ورکس کے ایک مجموعہ کا استعمال کرتے ہوئے ، ہم امیج نیٹ درجہ بندی پر بہترین شائع شدہ نتائج پر بہتری لاتے ہیں: 4.82٪ ٹاپ 5 ٹیسٹ کی غلطی تک پہنچنا ، انسانی درجہ بندی کرنے والوں کی درستگی سے تجاوز کرنا۔

6e80768219b2ab5a3247444cfb280e8d33d369f0

اس کاغذ میں ایک الٹرا وائڈ بینڈ (UWB) پاور ڈویڈر ڈیزائن کیا گیا ہے. اس پاور ڈویڈر کی UWB کارکردگی ایک tapered مائکرو پٹی لائن کا استعمال کرتے ہوئے حاصل کی جاتی ہے جس میں ایکسپونینشل اور بیضوی حصوں پر مشتمل ہوتا ہے۔ ایک خودکار متوازی ڈیزائن کے عمل کو حاصل کرنے کے لئے گستا گریڈ متوازی مائکرو جینیٹک الگورتھم (پی ایم جی اے) اور سی ایس ٹی مائکرو ویو اسٹوڈیو کو یکجا کیا گیا ہے۔ یہ طریقہ UWB پاور ڈویڈر کو بہتر بنانے کے لئے لاگو کیا جاتا ہے. زیادہ سے زیادہ طاقت تقسیم کار تیار اور ماپا جاتا ہے. ماپا نتائج نسبتا کم اندراج نقصان، اچھی واپسی نقصان، اور پورے UWB (3.1-10.6 گیگاہرٹج) میں آؤٹ پٹ بندرگاہوں کے درمیان اعلی تنہائی دکھاتے ہیں.

2532d0567c8334e4cadf282a73ffe399c1c32476

کارکردگی کی پیمائش اس کے بعد حاصل کردہ انعامات کا مجموعہ ہے. مثال کے طور پر، جب ایک bumble مکھی forages، ہر وقت قدم پر انعام تقریب فاصلے اڑایا (منفی وزن) اور ناریل ingested کے کچھ مجموعہ ہو سکتا ہے. تقویت سیکھنے (آر ایل) کے طریقوں بنیادی طور پر مارکوف فیصلہ سازی کے عمل (ایم ڈی پی) کو حل کرنے کے لئے آن لائن الگورتھم ہیں. ایک ایم ڈی پی کی تعریف انعام فنکشن اور ایک ماڈل کے ذریعہ کی جاتی ہے ، یعنی ہر ممکنہ کارروائی پر مشروط ریاست منتقلی کے امکانات۔ آر ایل الگورتھم ماڈل پر مبنی ہوسکتے ہیں ، جہاں ایجنٹ ماڈل سیکھتا ہے ، یا ماڈل فری - مثال کے طور پر ، کیو لرننگ واٹکنز: 1989 کا حوالہ دیتے ہیں ، جو صرف ایک فنکشن کیو سیکھتا ہے ، اس کی وضاحت کرتا ہے ریاست میں ایکشن لینے کی طویل مدتی قدر اور اس کے بعد زیادہ سے زیادہ کام کرنا۔ ان کی کامیابیوں کے باوجود ، آر ایل کے طریقوں کو بڑے پیمانے پر مکمل طور پر مشاہدہ کرنے والے ایم ڈی پیز تک محدود کردیا گیا ہے ، جس میں ہر ریاست میں حسی ان پٹ ریاست کی شناخت کے لئے کافی ہے۔ ظاہر ہے، حقیقی دنیا میں، ہم اکثر جزوی طور پر قابل مشاہدہ MDPs (POMDPs) کے ساتھ نمٹنے کے لئے ہے. Astrom (1965) نے ثابت کیا کہ POMDPs میں زیادہ سے زیادہ فیصلے ہر وقت پر یقین کی حالت پر منحصر ہیں، یعنی، تمام ممکنہ اصل ریاستوں پر پسماندہ امکانات کی تقسیم، تاریخ تک تمام ثبوت دیئے گئے ہیں. اس کے بعد فنکشن V اور Q s کی بجائے b کے فنکشن بن جاتے ہیں۔ پیر اور رسل (1995) نے ایک بہت ہی آسان POMDP RL الگورتھم کی وضاحت کی ہے جس میں b کی واضح نمائندگی کو امکانات کے ویکٹر کے طور پر استعمال کیا گیا ہے ، اور میک کالم (1993) حالیہ ادراک کے سلسلے کا استعمال کرتے ہوئے عقیدے کی حالت کو قریب لانے کا ایک طریقہ دکھاتا ہے۔ دونوں نقطہ نظر میں سے کسی کو بھی بڑی تعداد میں ریاست متغیرات اور طویل مدتی وقتی انحصار کے ساتھ حالات تک پہنچنے کا امکان نہیں ہے۔ ماڈل کی جامع نمائندگی اور ماڈل اور ہر نئے مشاہدے کو دیکھتے ہوئے عقیدے کی حالت کو موثر انداز میں اپ ڈیٹ کرنے کا ایک طریقہ درکار ہے۔ متحرک بیسیئن نیٹ ورکس (ڈین اور کانازاو ، 1989) میں کچھ مطلوبہ خصوصیات نظر آتی ہیں۔ خاص طور پر ، ان کے پاس دوسرے طریقوں جیسے کلمان فلٹرز اور پوشیدہ مارکوف ماڈلز کے مقابلے میں اہم فوائد ہیں۔ ہمارے بیس لائن فن تعمیر، شکل 1 میں دکھایا گیا ہے، نئے سینسر کی معلومات پہنچنے کے طور پر عقیدے کی حالت کی نمائندگی اور اپ ڈیٹ کرنے کے لئے ڈی بی این کا استعمال کرتا ہے. b کے لئے ایک نمائندگی دی گئی ہے، انعام سگنل کو کسی نیورل نیٹ ورک جیسے کچھ بلیک باکس فنکشن کے ذریعہ نمائندگی کی گئی ایک Q فنکشن سیکھنے کے لئے استعمال کیا جاتا ہے. ہم ہائبرڈ (dis- یہ گفتگو ایک سیکھنے والے ایجنٹ کے لئے ایک بہت ہی آسان "بیس لائن فن تعمیر" کی تجویز کرتی ہے جو اسٹاکسٹک ، جزوی طور پر قابل مشاہدہ ماحول کو سنبھال سکتی ہے۔ فن تعمیر گرافک ماڈل کے طور پر وقتی عمل کی نمائندگی کے لئے ایک طریقہ کے ساتھ مل کر تقویت سیکھنے کا استعمال کرتا ہے. میں حسی آدانوں سے اس طرح کی نمائندگی کے پیرامیٹرز اور ڈھانچے کو لیج کرنے اور پچھلے امکانات کا حساب لگانے کے طریقوں پر تبادلہ خیال کروں گا۔ کچھ کھلی مسائل باقی ہیں اس سے پہلے کہ ہم مکمل ایجنٹ آزمائیں؛ جب ہم پیمانے پر غور کرتے ہیں تو زیادہ پیدا ہوتے ہیں. اس تقریر کا دوسرا موضوع یہ ہوگا کہ آیا ریئنفورسمینٹ لرننگ جانوروں اور انسانوں کے لیے سیکھنے کا اچھا نمونہ ثابت ہو سکتی ہے۔ اس سوال کا جواب دینے کے لئے، ہمیں الٹا تقویت سیکھنا ہوگا: مشاہدہ کردہ رویے کو دیکھتے ہوئے، کیا انعام سگنل، اگر کوئی ہے، بہتر کیا جا رہا ہے؟ یہ COLT، UAI، اور ML کمیونٹی کے لئے ایک بہت دلچسپ مسئلہ لگتا ہے، اور مارکوف فیصلہ سازی کے عمل کے ساختی تخمینہ کے عنوان کے تحت econometrics میں خطاب کیا گیا ہے. 1 غیر یقینی ماحول میں سیکھنا۔ اے آئی ذہین ایجنٹوں کی تعمیر کے بارے میں ہے ، یعنی ، ایسے نظام جو ماحول میں مؤثر طریقے سے (کچھ کارکردگی کی پیمائش کے مطابق) سمجھتے اور کام کرتے ہیں۔ میں نے دوسری جگہ بحث کی ہے Russell and Norvig (1995) کہ زیادہ تر AI تحقیق نے ایسے ماحول پر توجہ دی ہے جو جامد ، تعیناتی ، مجرد اور مکمل طور پر قابل مشاہدہ ہیں۔ جب، حقیقی دنیا میں، ماحول متحرک، سٹاکاسٹک، مسلسل، اور جزوی طور پر قابل مشاہدہ ہے تو کیا کیا جائے؟ یہ مقالہ NSF @I-9634215، ONR (N00014-97-l-0941) ، اور AR0 (DAAH04-96-1-0341) کی حمایت سے مختلف تحقیقی کوششوں پر مبنی ہے۔ ذاتی یا کلاس روم کے استعمال کے لئے اس کام کی تمام یا کچھ کاپیاں ڈیجیٹل یا پرنٹ کرنے کی اجازت مفت دی جاتی ہے بشرطیکہ کاپیاں پرولیٹ یا تجارتی فائدہ کے لئے نہیں بنائی گئیں اور اس کاپی پر یہ نوٹس اور پہلے صفحے پر مکمل حوالہ دیا گیا ہو۔ دوسری صورت میں نقل کرنے کے لئے. دوبارہ شائع کرنے کے لئے، سرورز پر پوسٹ کرنے یا فہرستوں میں دوبارہ تقسیم کرنے کے لئے، پہلے مخصوص اجازت اور / یا فیس کی ضرورت ہوتی ہے. COLT 98 میڈیسن WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 حالیہ برسوں میں، تقویت سیکھنے (نیوروڈینامک پروگرامنگ بھی کہا جاتا ہے) نے خود کار طریقے سے ایجنٹوں کی تعمیر کے لئے ایک نقطہ نظر کے طور پر تیزی سے ترقی کی ہے (سٹن، 1988؛ کیلبلنگ اور دیگر، 1996؛ برٹسکساس اور Tsitsiklis، 1996). بنیادی خیال یہ ہے کہ کارکردگی کی پیمائش ایجنٹ کو ایک انعام کی شکل میں دستیاب ہےفنکشن ایجنٹ کے ذریعے گزرنے والے ہر ریاست کے لئے انعام کی وضاحت کرنا.

6f20506ce955b7f82f587a14301213c08e79463b

d14ddc01cff72066c6655aa39f3e207e34fb8591

یہ مقالہ مائیکرو الیکٹرو مکینیکل سسٹم (ایم ای ایم ایس) پر مبنی ریڈیو فریکوئنسی (آر ایف) ٹیکنالوجی کے نسبتا new نئے علاقے سے متعلق ہے۔ RF MEMS نئے آلات اور اجزاء کی ایک کلاس فراہم کرتا ہے جو روایتی (عام طور پر سیمی کنڈکٹر) آلات کے مقابلے میں اعلی اعلی تعدد کارکردگی کا مظاہرہ کرتے ہیں، اور جو نئے نظام کی صلاحیتوں کو فعال کرتی ہیں. اس کے علاوہ، MEMS آلات ڈیزائن اور بہت بڑے پیمانے پر انضمام کے ان لوگوں کے لئے اسی طرح کی تکنیک کی طرف سے تیار کر رہے ہیں، اور روایتی بیچ پروسیسنگ طریقوں کی طرف سے تیار کیا جا سکتا ہے. اس کاغذ میں، صرف آلہ سے خطاب کیا جاتا ہے الیکٹرو اسٹیٹک مائکروسوچ - شاید نمونہ آر ایف ایم ایم ایس آلہ. اس کی اعلی کارکردگی کی خصوصیات کے ذریعہ ، مائکرو سوئچ کو موجودہ سرکٹس اور سسٹم میں تیار کیا جارہا ہے ، بشمول ریڈیو فرنٹ اینڈس ، کیپسیٹر بینک ، اور ٹائم ڈیلیٹ نیٹ ورکس۔ اعلی کارکردگی انتہائی کم بجلی کی کھپت اور بڑے پیمانے پر انضمام کے ساتھ مل کر نئے نظام کی فعالیت کو بھی ممکن بنانا چاہئے. یہاں دو امکانات کا سامنا ہے: کوائس آپٹیکل بیم اسٹیئرنگ اور بجلی سے دوبارہ ترتیب دینے والے اینٹینا.

9d5f36b92ac155fccdae6730660ab44d46ad501a

خطرے کی مساوات ایک مختص کرنے کا طریقہ ہے جو متنوع پورٹ فولیو بنانے کے لئے استعمال کیا جاتا ہے جو متوقع منافع کے کسی بھی مفروضے پر انحصار نہیں کرتا ہے ، اس طرح خطرے کے انتظام کو حکمت عملی کے مرکز میں رکھتا ہے۔ یہ بتاتا ہے کہ 2008 میں عالمی مالیاتی بحران کے بعد کیوں خطرے کی برابری ایک مقبول سرمایہ کاری ماڈل بن گیا. تاہم، خطرے کی مساوات بھی تنقید کی گئی ہے کیونکہ یہ پورٹ فولیو کی کارکردگی کے بجائے خطرے کی حراستی کے انتظام پر توجہ مرکوز کرتا ہے، اور اس وجہ سے فعال انتظام کے مقابلے میں غیر فعال انتظام کے قریب قریب دیکھا جاتا ہے. اس مضمون میں، ہم کس طرح خطرے کے مساوات کے پورٹ فولیو میں متوقع واپسی کے مفروضے متعارف کرانے کے لئے دکھاتے ہیں. ایسا کرنے کے لئے، ہم ایک عام خطرے کی پیمائش پر غور کرتے ہیں جو پورٹ فولیو کی واپسی اور اتار چڑھاؤ دونوں کو مدنظر رکھتا ہے. تاہم، کارکردگی اور اتار چڑھاؤ کے شراکت کے درمیان تجارت آف کچھ مشکل پیدا کرتا ہے، جبکہ خطرے بجٹ مسئلہ واضح طور پر بیان کیا جانا چاہئے. اس طرح کے خطرے کے بجٹ کے پورٹ فولیو کی نظریاتی خصوصیات حاصل کرنے کے بعد، ہم اثاثوں کی تقسیم کے لئے اس نئے ماڈل کا اطلاق. سب سے پہلے، ہم طویل مدتی سرمایہ کاری کی پالیسی اور اسٹریٹجک اثاثہ مختص کا تعین پر غور. پھر ہم متحرک مختص پر غور کریں اور ظاہر کرنے کے لئے کس طرح کی تعمیر کرنے کے لئے خطرے کے مساوات فنڈز کی توقع کی واپسی پر منحصر ہے.

006df3db364f2a6d7cc23f46d22cc63081dd70db

ایک ایڈ ہاک نیٹ ورک وائرلیس موبائل میزبانوں کا ایک مجموعہ ہے جو کسی قائم شدہ انفراسٹرکچر یا مرکزی انتظامیہ کی مدد کے بغیر عارضی نیٹ ورک تشکیل دیتا ہے۔ اس طرح کے ماحول میں، یہ ضروری ہو سکتا ہے کہ ایک موبائل میزبان کے لئے دوسرے میزبانوں کی مدد کو اپنی منزل پر بھیجنے کے لۓ، ہر موبائل میزبان کے وائرلیس ٹرانسمیشن کی محدود حد کی وجہ سے. یہ کاغذ ایڈ ہاک نیٹ ورکس میں روٹنگ کے لئے ایک پروٹوکول پیش کرتا ہے جو متحرک ماخذ روٹنگ کا استعمال کرتا ہے. پروٹوکول روٹنگ تبدیلیوں کو تیزی سے اپناتا ہے جب میزبان کی نقل و حرکت اکثر ہوتی ہے ، پھر بھی ان ادوار میں کم یا کوئی اوور ہیڈ کی ضرورت ہوتی ہے جس میں میزبان کم کثرت سے حرکت کرتے ہیں۔ ایک ایڈہاک نیٹ ورک میں کام کرنے والے موبائل میزبانوں کے پیکٹ کی سطح کے تخروپن کے نتائج کی بنیاد پر ، پروٹوکول مختلف قسم کے ماحولیاتی حالات جیسے میزبان کثافت اور نقل و حرکت کی شرح پر اچھی طرح سے کام کرتا ہے۔ تمام مگر میزبان نقل و حرکت کی سب سے زیادہ شرحوں کے لئے ، پروٹوکول کا اوور ہیڈ کافی کم ہے ، جو 24 موبائل میزبانوں کے نیٹ ورک میں اعتدال پسند نقل و حرکت کی شرحوں کے لئے منتقل کردہ ڈیٹا پیکٹوں کے صرف 1 فیصد پر گرتا ہے۔ تمام معاملات میں، استعمال شدہ راستوں اور زیادہ سے زیادہ راستے کی لمبائی کے درمیان لمبائی میں فرق نظر انداز ہے، اور زیادہ تر معاملات میں، راستے کی لمبائی زیادہ سے زیادہ 1.01 کے ایک عنصر کے اندر اندر ہے.

25a26b86f4a2ebca2b154effbaf894aef690c03c

حال ہی میں نگرانی سیکھنے الگورتھم میں اہم دلچسپی ہوئی ہے جو ٹیکسٹ سیکھنے کے کاموں کے لئے لیبل اور غیر لیبل شدہ ڈیٹا کو جوڑتا ہے. شریک تربیت کی ترتیب [1] ڈیٹا سیٹ پر لاگو ہوتا ہے جس میں ان کی خصوصیات کی قدرتی علیحدگی دو غیر منسلک سیٹوں میں ہوتی ہے۔ ہم اس بات کا مظاہرہ کرتے ہیں کہ لیبل والے اور غیر لیبل والے ڈیٹا سے سیکھنے پر ، الگورتھم واضح طور پر خصوصیات کے قدرتی آزاد تقسیم کا فائدہ اٹھاتے ہوئے الگورتھم کو بہتر بناتے ہیں جو ایسا نہیں کرتے ہیں۔ جب قدرتی تقسیم موجود نہیں ہے تو ، شریک تربیت دینے والے الگورتھم جو خصوصیت تقسیم تیار کرتے ہیں وہ الگورتھم کو تقسیم نہ کرنے والے الگورتھم سے بہتر کارکردگی کا مظاہرہ کرسکتے ہیں۔ یہ نتائج وضاحت کرنے میں مدد کیوں شریک تربیت الگورتھم فطرت میں دونوں امتیازی اور ان کے سرایت درجہ بندی کے مفروضوں کے لئے مضبوط ہیں.

78beead3a05f7e8f2dc812298f813c5bacdc3061

1d6889c44e11141cc82ef28bba1afe07f3c0a2b4

گزشتہ چند سالوں میں انٹرنیٹ آف تھنگس (آئی او ٹی) نے وسیع پیمانے پر اطلاق دیکھا ہے اور ہر شعبے میں پایا جا سکتا ہے. آلہ کے درمیان محفوظ مواصلات کو قابل بنانے کے لئے آئی او ٹی کے تناظر میں توثیق اور رسائی کنٹرول اہم اور اہم افعال ہیں۔ آئی او ٹی نیٹ ورکس میں کم طاقت والے آلات کی نقل و حرکت ، متحرک نیٹ ورک ٹوپولوجی اور کمزور جسمانی سیکیورٹی سیکیورٹی کی کمزوریوں کے ممکنہ ذرائع ہیں۔ یہ ایک وسائل محدود اور تقسیم شدہ آئی او ٹی ماحول میں تصدیق اور رسائی کنٹرول حملے کے خلاف مزاحم اور ہلکا پھلکا بنانے کا وعدہ کرتا ہے۔ اس کاغذ میں پروٹوکول تشخیص اور کارکردگی کا تجزیہ کے ساتھ شناخت کی توثیق اور صلاحیت پر مبنی رسائی کنٹرول (IACAC) ماڈل پیش کیا گیا ہے۔ مین ان مڈل ، ری پلے اور سروس سے انکار (ڈاس) حملوں سے آئی او ٹی کی حفاظت کے لئے ، رسائی کنٹرول کے لئے صلاحیت کا تصور متعارف کرایا گیا ہے۔ اس ماڈل کی نیاپن یہ ہے کہ ، یہ آئی او ٹی ڈیوائسز کے لئے توثیق اور رسائی کنٹرول کا ایک مربوط نقطہ نظر پیش کرتا ہے۔ دیگر متعلقہ مطالعے کے نتائج کا بھی تجزیہ کیا گیا ہے تاکہ ہمارے نتائج کی توثیق اور حمایت کی جاسکے۔ آخر میں ، سیکیورٹی پروٹوکول تصدیق کے آلے کا استعمال کرتے ہوئے مجوزہ پروٹوکول کا جائزہ لیا گیا ہے اور تصدیق کے نتائج سے پتہ چلتا ہے کہ آئی اے سی اے سی مذکورہ بالا حملوں کے خلاف محفوظ ہے۔ اس کاغذ میں کمپیوٹیشنل وقت کے لحاظ سے پروٹوکول کی کارکردگی کے تجزیے پر بھی تبادلہ خیال کیا گیا ہے۔ ۱، ۳۰۹- ۳۴۸ c © 2013 دریا پبلشرز. تمام حقوق محفوظ ہیں۔ 310 پی این محلہ اور دیگر موجودہ حل. اس کے علاوہ ، اس کاغذ میں آئی او ٹی میں چیلنجوں کا پتہ چلتا ہے اور آئی او ٹی نیٹ ورکس کا ایک حقیقی نظارہ دینے کے لئے استعمال کے معاملات کے ساتھ سیکیورٹی حملوں کا ماڈل بنایا گیا ہے۔

310b72fbc3d384ca88ca994b33476b8a2be2e27f

ہم آن لائن متن دستاویزات سے کسی موضوع کے بارے میں جذبات (یا رائے) نکالنے کے لئے جذبات تجزیہ (SA) پیش کرتے ہیں. کسی موضوع کے بارے میں پورے دستاویز کے جذبات کو درجہ بندی کرنے کے بجائے ، ایس اے کسی دیئے گئے موضوع کے تمام حوالوں کا پتہ لگاتا ہے ، اور قدرتی زبان کی پروسیسنگ (این ایل پی) تکنیک کا استعمال کرتے ہوئے ہر حوالہ میں جذبات کا تعین کرتا ہے۔ ہمارے جذبات کا تجزیہ 1) ایک موضوع کے مخصوص خصوصیت اصطلاح نکالنے، 2) جذبات نکالنے، اور 3) تعلقات کے تجزیہ کی طرف سے (موضوع، جذبات) ایسوسی ایشن پر مشتمل ہے. ایس اے تجزیہ کے لئے دو لسانی وسائل کا استعمال کرتا ہے: جذبات لغت اور جذبات پیٹرن ڈیٹا بیس. الگورتھم کی کارکردگی کی تصدیق آن لائن مصنوعات کے جائزے کے مضامین (ڈیجیٹل کیمرے اور موسیقی کے جائزے) پر کی گئی تھی ، اور عام ویب صفحات اور خبروں کے مضامین سمیت زیادہ عام دستاویزات۔

59d9160780bf3eac8c621983a36ff332a3497219

خود کار طریقے سے جذبات کے تجزیہ کے بہت سے نقطہ نظر الفاظ کے ایک بڑے لغت کے ساتھ شروع ہوتے ہیں جو ان کی سابقہ قطبییت (جسے معنوی واقفیت بھی کہا جاتا ہے) کے ساتھ نشان لگا دیا گیا ہے۔ تاہم، جملے کی سیاق و سباق کی قطبییت جس میں ایک لفظ کا ایک خاص مثال ظاہر ہوتا ہے اس لفظ کی پہلے قطبیت سے بالکل مختلف ہوسکتا ہے. مثبت الفاظ منفی جذبات کو ظاہر کرنے والے جملوں میں استعمال ہوتے ہیں، یا اس کے برعکس۔ اس کے علاوہ، اکثر ایسے الفاظ جو مثبت یا منفی ہیں، سیاق و سباق سے باہر ہوتے ہیں، سیاق و سباق میں غیر جانبدار ہوتے ہیں، یعنی وہ کسی جذبات کا اظہار کرنے کے لیے بھی استعمال نہیں ہوتے۔ اس کام کا مقصد خود کار طریقے سے پہلے اور سیاق و سباق کی قطبیت کے درمیان فرق کرنا ہے، اس کام کے لئے کون سی خصوصیات اہم ہیں اس پر توجہ مرکوز کرتے ہوئے. چونکہ مسئلے کا ایک اہم پہلو یہ شناخت کر رہا ہے کہ جب قطبی شرائط غیر جانبدار سیاق و سباق میں استعمال کی جارہی ہیں ، لہذا غیر جانبدار اور قطبی مثالوں کے درمیان تمیز کرنے کے لئے خصوصیات کا اندازہ کیا جاتا ہے ، نیز مثبت اور منفی سیاق و سباق کی قطبیت کے درمیان تمیز کرنے کے لئے خصوصیات کا بھی جائزہ لیا جاتا ہے۔ تشخیص میں متعدد مشین لرننگ الگورتھم میں خصوصیات کی کارکردگی کا اندازہ لگانا شامل ہے۔ ایک کے علاوہ تمام سیکھنے کے الگورتھم کے لئے، تمام خصوصیات کے مجموعہ کو ایک ساتھ مل کر بہترین کارکردگی فراہم کرتا ہے. تشخیص کا ایک اور پہلو یہ ہے کہ کس طرح غیر جانبدار مثالوں کی موجودگی مثبت اور منفی قطبیت کے درمیان فرق کرنے کے لئے خصوصیات کی کارکردگی کو متاثر کرتی ہے. ان تجربات سے پتہ چلتا ہے کہ غیر جانبدار مثالوں کی موجودگی ان خصوصیات کی کارکردگی کو بہت کم کرتی ہے ، اور یہ کہ شاید تمام قطبی طبقات میں کارکردگی کو بہتر بنانے کا بہترین طریقہ یہ ہے کہ جب کوئی مثال غیر جانبدار ہو تو اس کی نشاندہی کرنے کے لئے نظام کی صلاحیت کو بہتر بنایا جائے۔

7c89cbf5d860819c9b5e5217d079dc8aafcba336

اس مقالے میں ، ہم جملے کی سطح کی درجہ بندی کے ایک کیس اسٹڈی کی وضاحت کرتے ہیں جس میں چار ججوں کے ذریعہ ٹیگنگ کی ہدایات تیار کی جاتی ہیں اور وال اسٹریٹ جرنل کے شقوں کو شخصی یا مقصد کے طور پر درجہ بندی کرنے کے لئے استعمال کیا جاتا ہے۔ چار ججوں کے درمیان معاہدے کا تجزیہ کیا جاتا ہے، اور اس تجزیہ کی بنیاد پر، ہر شق کو حتمی درجہ بندی دی جاتی ہے. درجہ بندی کے لئے تجرباتی حمایت فراہم کرنے کے لئے، ذہنی زمرے اور Quirk et al کی طرف سے پیش کردہ بنیادی معنوی کلاس کے درمیان ڈیٹا میں ہم آہنگی کا اندازہ کیا جاتا ہے. (1985ء)

9141d85998eadb1bca5cca027ae07670cfafb015

جذبات (آراء کے جذباتی حصوں) کی شناخت ایک مشکل مسئلہ ہے۔ ہم ایک ایسا نظام پیش کرتے ہیں جو کسی موضوع کو دیکھتے ہوئے خود بخود ان لوگوں کو تلاش کرتا ہے جو اس موضوع کے بارے میں رائے رکھتے ہیں اور ہر رائے کے جذبات کو۔ اس نظام میں لفظ جذبات کا تعین کرنے کے لئے ایک ماڈیول اور ایک جملے کے اندر جذبات کو جوڑنے کے لئے ایک اور ماڈیول شامل ہے۔ ہم نے مختلف ماڈلوں کے ساتھ تجربہ کیا ہے جذبات کو درجہ بندی اور جوڑنے کے لیے الفاظ اور جملوں کی سطح پر، اور اس کے نتائج پر امید ہیں۔

c2ac213982e189e4ad4c7f60608914a489ec9051

عربی متن کے بڑے پیمانے پر کورپس تیار کرنے کے ہمارے تین سالہ تجربے سے ، ہمارے کاغذ میں مندرجہ ذیل امور پر توجہ دی جائے گی: (ا) عربی زبان کے متعلقہ امور کا جائزہ لیں کیونکہ وہ طریقہ کار کے انتخاب سے متعلق ہیں ، (ب) ہمارے انتخاب کو استعمال کرنے کی وضاحت کریں پن انگریزی ٹری بینک طرز کی ہدایات ، (عربی بولنے والے تشریح کنندگان کو ایک نئے گرامر سے نمٹنے کی ضرورت ہے) (c) اس کے بجائے ایک زیادہ روایتی عربی گرائمر انداز میں تشریح کرنے کے بجائے (ایک نئے نظام سے نمٹنے کے لئے NLP محققین کی ضرورت ہوتی ہے) ؛ (c) کئی طریقوں سے ظاہر ہوتا ہے جس میں انسانی تشریح اہم ہے اور خود کار طریقے سے تجزیہ مشکل ہے، بشمول مورفولوجی تجزیہ کار اور انسانی تجزیہ کاروں دونوں کی طرف سے orthographic مبہمات کا انتظام بھی شامل ہے؛ (d) اس کی ایک مثال مثال پیش کریں. عربی ٹری بینک طریقہ کار ، مورفولوجیکل تجزیہ اور ٹیگنگ اور نحو تجزیہ دونوں میں ایک خاص تعمیر پر توجہ مرکوز کرنا اور اس کی تفصیل سے پوری تشریح کے عمل کے ذریعے پیروی کرنا ، اور آخر میں ، (e) اب تک کیا حاصل کیا گیا ہے اور کیا کرنا باقی ہے۔

e33a3487f9b656631159186db4b2aebaed230b36

جیسا کہ ڈیجیٹل پلیٹ فارم آج تقریبا ہر صنعت کو تبدیل کر رہے ہیں، وہ آہستہ آہستہ مرکزی دھارے میں معلومات کے نظام (آئی ایس) ادب میں اپنا راستہ تلاش کر رہے ہیں. ڈیجیٹل پلیٹ فارمز ایک چیلنجنگ تحقیقی مقصد ہیں کیونکہ ان کی تقسیم شدہ نوعیت اور اداروں، مارکیٹوں اور ٹیکنالوجیز کے ساتھ باہم جڑے ہوئے ہیں۔ پلیٹ فارم جدت طرازی کے تیزی سے بڑھتے ہوئے پیمانے ، پلیٹ فارم فن تعمیر کی بڑھتی ہوئی پیچیدگی اور بہت ساری مختلف صنعتوں میں ڈیجیٹل پلیٹ فارم کے پھیلاؤ کے نتیجے میں تحقیقی چیلنجز پیدا ہوتے ہیں۔ یہ کاغذ آئی ایس میں ڈیجیٹل پلیٹ فارم کی تحقیق کے لئے ایک تحقیقی ایجنڈا تیار کرتا ہے. ہم محققین کو مشورہ دیتے ہیں کہ (1) تجزیہ کی اکائی ، ڈیجیٹلٹی کی ڈگری اور ڈیجیٹل پلیٹ فارمز کی سماجی تکنیکی نوعیت کی وضاحت کرنے والی واضح تعریفیں فراہم کرکے تصوراتی وضاحت کو آگے بڑھائیں۔ (2) مختلف آرکیٹیکچرل سطحوں اور مختلف صنعت کی ترتیبات میں پلیٹ فارمز کا مطالعہ کرکے ڈیجیٹل پلیٹ فارم تصورات کی مناسب گنجائش کی وضاحت کریں۔ اور (3) ایمبیڈڈ کیس اسٹڈیز ، طول البلد مطالعات ، ڈیزائن ریسرچ ، ڈیٹا سے چلنے والی ماڈلنگ اور تصوراتی تکنیک کو ملازمت دے کر طریقہ کار کی سختی کو آگے بڑھائیں۔ کاروباری شعبے میں موجودہ پیشرفتوں پر غور کرتے ہوئے ، ہم مزید تحقیق کے لئے چھ سوالات تجویز کرتے ہیں: (1) کیا پلیٹ فارم یہاں رہنے کے لئے ہیں؟ (2) پلیٹ فارمز کو کیسے ڈیزائن کیا جانا چاہئے؟ ڈیجیٹل پلیٹ فارم صنعتوں کو کس طرح تبدیل کرتے ہیں؟ ڈیجیٹل پلیٹ فارم کی تحقیق کے لئے ڈیٹا پر مبنی نقطہ نظر کیسے معلومات فراہم کرسکتے ہیں؟ • (5) محققین کو ڈیجیٹل پلیٹ فارم کے لئے نظریہ کیسے تیار کرنا چاہئے؟ اور (6) ڈیجیٹل پلیٹ فارمز روزمرہ کی زندگی کو کس طرح متاثر کرتے ہیں؟

1be8cab8701586e751d6ed6d186ca0b6f58a54e7

نظام کی تفصیلات کی افادیت جزوی طور پر ضروریات کی مکمل پر منحصر ہے. تاہم، تمام ضروری ضروریات کو درج کرنا مشکل ہے، خاص طور پر جب ضروریات غیر متوقع ماحول کے ساتھ بات چیت کرتے ہیں. ایک مثالی ماحولیاتی نقطہ نظر کے ساتھ تعمیر کردہ ایک تفصیلات نامکمل ہے اگر اس میں غیر مثالی رویے کو سنبھالنے کے لئے ضروریات شامل نہیں ہیں. اکثر نامکمل ضروریات کو لاگو کرنے، جانچ، یا اس سے بھی بدتر، تعیناتی کے بعد تک پتہ نہیں چلتا ہے. یہاں تک کہ جب ضروریات کے تجزیہ کے دوران انجام دیا جاتا ہے تو ، نامکمل ضروریات کا پتہ لگانا عام طور پر غلطی کا شکار ، تکلیف دہ اور دستی کام ہوتا ہے۔ اس کاغذ میں تعارف کرایا گیا ہے Ares، درجہ بندی کی ضروریات کے ماڈل کے علامتی تجزیہ کا استعمال کرتے ہوئے نامکمل ضروریات کی خرابی کا پتہ لگانے کے لئے ایک ڈیزائن وقت کا نقطہ نظر. ہم صنعت پر مبنی آٹوموٹو انکولی کروز کنٹرول سسٹم کی ضروریات کے ماڈل پر Ares کا اطلاق کرکے اپنے نقطہ نظر کی وضاحت کرتے ہیں. Ares خود کار طریقے سے ڈیزائن وقت پر نامکمل ضروریات کی خرابی کی مخصوص مثالوں کا پتہ لگانے کے قابل ہے، جن میں سے بہت سے ٹھیک ٹھیک ہیں اور دستی طور پر یا جانچ کے ساتھ پتہ لگانے کے لئے مشکل ہو جائے گا.

155ed7834a8a44a195b80719985a8b4ca11e6fdc

ایک سے زیادہ ان پٹ ایک سے زیادہ آؤٹ پٹ (ایم آئی ایم او) ریڈار روایتی مرحلہ وار صف ریڈار نظاموں کے مقابلے میں لہر فارم تنوع کے ذریعے اعلی کارکردگی حاصل کرسکتے ہیں۔ جب ایک ایم آئی ایم او ریڈار آرتھوگونل لہر کی شکلیں منتقل کرتا ہے تو ، بکھیرنے والوں سے عکاسی شدہ سگنل ایک دوسرے سے لکیری طور پر آزاد ہوتے ہیں۔ لہذا ، انکولی وصول فلٹر ، جیسے کیپون اور طول و عرض اور مرحلے کا تخمینہ (اے پی ای ایس) فلٹر ، براہ راست ایم آئی ایم او ریڈار ایپلی کیشنز میں استعمال ہوسکتے ہیں۔ اعلی سطح کے شور اور مضبوط گندگی، تاہم، اعداد و شمار پر منحصر بیم فارمرز کی کھوج کی کارکردگی کو نمایاں طور پر خراب کرتی ہے کیونکہ اسنیپ شاٹس کی کمی کی وجہ سے. آئیٹراٹیو انکولی نقطہ نظر (آئی اے اے) ، ایک غیر پیرامیٹرک اور صارف پیرامیٹر فری وزن والے کم سے کم مربع الگورتھم ، حال ہی میں کئی غیر فعال اور فعال سینسنگ ایپلی کیشنز میں بہتر ریزولوشن اور مداخلت مسترد کرنے کی کارکردگی پیش کرنے کے لئے دکھایا گیا تھا۔ اس مقالے میں ، ہم یہ ظاہر کرتے ہیں کہ آئی اے اے کو کس طرح ایم آئی او ریڈار امیجنگ تک بڑھایا جاسکتا ہے ، دونوں کو نظرانداز کرنے اور غیر معمولی انٹراپلس ڈوپلر معاملات میں ، اور ہم آئی اے اے کی کچھ نظریاتی تقابلی خصوصیات بھی قائم کرتے ہیں۔ اس کے علاوہ، ہم ایک باقاعدگی سے IAA الگورتھم کی تجویز کرتے ہیں، جسے IAA-R کہا جاتا ہے، جو سگنل ماڈل میں غیر نمائندگی شدہ اضافی شور شرائط کے حساب سے IAA سے بہتر کارکردگی کا مظاہرہ کرسکتا ہے. ایک ان پٹ ملٹی آؤٹ پٹ (SIMO) ریڈار کے مقابلے میں MIMO ریڈار کی اعلی کارکردگی کو ظاہر کرنے کے لئے عددی مثالیں پیش کی گئیں ہیں ، اور ہدف کی امیجنگ کے لئے مجوزہ IAA-R طریقہ کار کے ساتھ حاصل کردہ بہتر کارکردگی کو مزید اجاگر کیا گیا ہے۔

0cfe588996f1bc319f87c6f75160d1cf1542d9a9

20efcba63a0d9f12251a5e5dda745ac75a6a84a9

ccaab0cee02fe1e5ffde33b79274b66aedeccc65

نقل و حمل کے متوقع مستقبل کے طور پر ، خود کار طریقے سے چلنے والی کاروں پر مختلف نقطہ نظر سے تبادلہ خیال کیا جارہا ہے ، بشمول معاشرتی ، معاشی ، انجینئرنگ ، کمپیوٹر سائنس ، ڈیزائن اور اخلاقیات۔ ایک طرف، خود کار گاڑیوں میں انجینئرنگ کے نئے مسائل ہیں جو آہستہ آہستہ کامیابی سے حل ہو رہے ہیں۔ دوسری طرف، سماجی اور اخلاقی مسائل عام طور پر ایک مثالی حل کے بغیر فیصلہ سازی کے مسئلے کی شکل میں پیش کیے جاتے ہیں، نام نہاد ٹرالی مسئلہ، جو بہت گمراہ کن ہے. ہم اس بات پر زور دیتے ہیں کہ نئی ٹیکنالوجی کی ترقی کے لئے ایک اطلاق شدہ انجینئرنگ اخلاقی نقطہ نظر کی ضرورت ہے؛ نقطہ نظر کو لاگو کیا جانا چاہئے، مطلب یہ ہے کہ یہ پیچیدہ حقیقی دنیا انجینئرنگ کے مسائل کے تجزیہ پر توجہ مرکوز کرنا چاہئے. سافٹ ویئر خود کار طریقے سے گاڑیوں کے کنٹرول کے لئے ایک اہم کردار ادا کرتا ہے؛ لہذا، سافٹ ویئر انجینئرنگ کے حل کو سنجیدگی سے اخلاقی اور سماجی تحفظات کو سنبھالنا چاہئے. اس مقالے میں ہم ریگولیٹری آلات ، معیارات ، ڈیزائن ، اور اجزاء ، نظاموں اور خدمات کے نفاذ پر گہری نظر ڈالتے ہیں اور ہم عملی معاشرتی اور اخلاقی چیلنجوں کو پیش کرتے ہیں جن کا مقابلہ کرنا پڑتا ہے ، نیز سافٹ ویئر انجینئرنگ کے لئے نئی توقعات بھی۔

288c67457f09c0c30cadd7439040114e9c377bc3

ایسوسی ایشن کے قواعد ، جو اگروال ، امیلینسکی اور سوامی نے متعارف کروائے ہیں ، وہ رشتہ کی 90٪ قطار کے لئے کی شکل کے قواعد ہیں ، اگر صف میں سیٹ W میں کالموں میں 1 کی قدر ہے تو ، اس کے بعد اس میں 1 بھی ہے کالم B. ڈیٹا کے بڑے مجموعوں سے ایسوسی ایشن کے قواعد کو دریافت کرنے کے لئے موثر طریقے موجود ہیں. دریافت قوانین کی تعداد، تاہم، بہت بڑا ہو سکتا ہے کہ قاعدہ سیٹ براؤزنگ اور اس سے دلچسپ قوانین کو تلاش کرنے کے صارف کے لئے بہت مشکل ہو سکتا ہے. ہم یہ ظاہر کرتے ہیں کہ قاعدہ کے سانچوں کی ایک سادہ رسمی شکل کس طرح دلچسپ قواعد کی ساخت کو آسانی سے بیان کرنا ممکن بناتی ہے۔ ہم قواعد کی بصری مثالیں بھی دیتے ہیں، اور دکھاتے ہیں کہ کس طرح بصری آلے قواعد کے سانچوں کے ساتھ انٹرفیس کرتا ہے.

384bb3944abe9441dcd2cede5e7cd7353e9ee5f7

47f0f6a2fd518932734cc90936292775cc95aa5d

b336f946d34cb427452517f503ada4bbe0181d3c

ویڈیو تفہیم میں حالیہ پیشرفت اور سالوں کے دوران وقتی کارروائی کی مقامی کاری میں بہتری کی مستقل شرح کے باوجود ، یہ ابھی تک واضح نہیں ہے کہ کتنا دور (یا قریب؟) ہم اس مسئلے کو حل کرنے کے لئے ہیں. اس مقصد کے لئے، ہم ایک نیا تشخیصی آلہ متعارف کراتے ہیں تاکہ ویڈیو میں عارضی کارروائی کے پتہ لگانے والے کی کارکردگی کا تجزیہ کیا جاسکے اور ایک ہی اسکیل میٹرک سے باہر مختلف طریقوں کا موازنہ کیا جاسکے۔ ہم اپنے ٹول کے استعمال کی مثال دیتے ہیں جس میں تازہ ترین ایکٹیویٹی نیٹ ایکشن لوکلائزیشن چیلنج میں سب سے زیادہ انعام یافتہ اندراجات کی کارکردگی کا تجزیہ کیا گیا ہے۔ ہمارے تجزیہ سے پتہ چلتا ہے کہ کام کرنے کے لئے سب سے زیادہ اثر انداز علاقوں ہیں: مثال کے ارد گرد وقت کے تناظر کو بہتر بنانے کے لئے حکمت عملی، مضبوطی کو بہتر بنانے کے لئے w.r.t. مثال کے طور پر مطلق اور رشتہ دار سائز، اور مقامی غلطیوں کو کم کرنے کے لئے حکمت عملی. اس کے علاوہ، ہمارے تجرباتی تجزیہ کے درمیان اتفاق رائے کی کمی میدان میں ترقی حاصل کرنے کے لئے ایک اہم رکاوٹ نہیں ہے. ہمارا تشخیصی آلہ عام طور پر دستیاب ہے تاکہ دوسرے محققین کے ذہنوں کو ان کے الگورتھم کے بارے میں اضافی بصیرت کے ساتھ ایندھن جاری رکھیں۔

160404fb0d05a1a2efa593c448fcb8796c24b873

نمائندگی کی تقلید نظریہ تیار اور ایک فریم ورک کے طور پر دریافت کیا جاتا ہے جو دماغ کے نمائندگی کے افعال کی ایک وسیع اقسام کو ظاہر کرنے کے لئے ترکیب کرسکتا ہے. فریم ورک کنٹرول تھیوری (فورورڈ ماڈل) اور سگنل پروسیسنگ (کالمان فلٹرز) سے تعمیرات پر مبنی ہے. خیال یہ ہے کہ صرف جسم اور ماحول کے ساتھ مشغول ہونے کے علاوہ، دماغ اعصابی سرکٹس بناتا ہے جو جسم اور ماحول کے ماڈل کے طور پر کام کرتے ہیں. واضح سینسر موٹر مصروفیت کے دوران ، یہ ماڈل جسم اور ماحول کے ساتھ متوازی طور پر اثر کی کاپیاں کے ذریعہ چلاتے ہیں ، تاکہ حسی آراء کی توقعات فراہم کی جاسکیں ، اور حسی معلومات کو بڑھاوا اور عمل میں لایا جاسکے۔ ان ماڈلز کو بھی تصاویر پیدا کرنے کے لئے، مختلف اعمال کے نتائج کا اندازہ، اور موٹر منصوبوں کا اندازہ اور ترقی کے لئے آف لائن چلایا جا سکتا ہے. فریم ورک ابتدائی طور پر موٹر کنٹرول کے تناظر میں تیار کیا گیا ہے، جہاں یہ دکھایا گیا ہے کہ جسم کے ساتھ متوازی طور پر چلنے والے اندرونی ماڈل فیڈ بیک تاخیر کے مسائل کے اثرات کو کم کرسکتے ہیں. ایک ہی میکانزم موٹر امیجری کے لئے حساب کر سکتے ہیں کے طور پر ایمولیٹر کے آف لائن ڈرائیونگ کے ذریعے efference کاپیاں. فریم ورک کو موٹر بصری لوپ کے ایک ایمولیٹر کی آف لائن ڈرائیونگ کے طور پر بصری امیجری کے لئے اکاؤنٹ میں بڑھا دیا گیا ہے۔ میں نے بھی اس طرح کے نظام کو کس طرح amodal مقامی امیجنگ کے لئے فراہم کر سکتے ہیں دکھاتے ہیں. بصری ادراک سمیت ادراک، ایسے ماڈلوں کے نتیجے میں حسی ان پٹ کی توقعات کو تشکیل دینے اور تشریح کرنے کے لئے استعمال کیا جاتا ہے. میں اختتام کرتا ہوں مختصر طور پر دیگر علمی افعال کی خاکہ پیش کرتے ہوئے جو اس فریم ورک کے اندر بھی تشکیل پائے، بشمول استدلال، دماغ کے مظاہر کا نظریہ، اور زبان۔

65c85498be307ee940976db668dae4546943a4c8

761f2288b1b0cea385b0b9a89bb068593d94d6bd

3D چہرے کی شناخت صنعت اور تعلیمی اداروں دونوں میں ایک رجحان سازی ریسرچ سمت بن گیا ہے. اس میں روایتی 2D چہرے کی شناخت سے فوائد وراثت میں ملتے ہیں ، جیسے قدرتی شناخت کا عمل اور ایپلی کیشنز کی ایک وسیع رینج۔ اس کے علاوہ، 3D چہرے کی شناخت کے نظام کو بھی کم روشنی کے تحت اور مختلف چہرے کی پوزیشن اور تاثرات کے ساتھ انسانی چہروں کو درست طریقے سے پہچان سکتا ہے، ایسی حالت میں 2D چہرے کی شناخت کے نظام کو کام کرنے میں بہت مشکل ہوگی. اس مقالے میں 3D چہرے کی شناخت کے تحقیقی شعبے کی تاریخ اور حالیہ پیشرفت کا خلاصہ پیش کیا گیا ہے۔ سرحدی تحقیق کے نتائج کو تین اقسام میں متعارف کرایا گیا ہے: پوزیشن-غیر متغیر شناخت ، اظہار-غیر متغیر شناخت ، اور بندش-غیر متغیر شناخت۔ مستقبل کی تحقیق کو فروغ دینے کے لئے، یہ کاغذ عوامی طور پر دستیاب 3D چہرے کے ڈیٹا بیس کے بارے میں معلومات جمع کرتا ہے. اس دستاویز میں اہم کھلی مسائل کی فہرست بھی دی گئی ہے۔

2d2b1f9446e9b4cdb46327cda32a8d9621944e29

سوشل نیٹ ورکنگ سائٹس پر لوگوں کی تعداد میں حالیہ برسوں میں کافی اضافہ ہوا ہے۔ فرینڈسٹر، ٹرائب یا فیس بک جیسی سروسز لاکھوں افراد کو آن لائن پروفائل بنانے اور دوستوں کے وسیع نیٹ ورکس اور اکثر نامعلوم تعداد میں اجنبیوں کے ساتھ ذاتی معلومات شیئر کرنے کی اجازت دیتی ہیں۔ اس مقالے میں ہم آن لائن سوشل نیٹ ورکس میں معلومات کے انکشاف کے نمونوں اور ان کی رازداری کے مضمرات کا مطالعہ کرتے ہیں۔ ہم نے کارنیگی میلون یونیورسٹی کے 4 ہزار سے زائد طلبہ کے آن لائن رویے کا تجزیہ کیا جو ایک مقبول سوشل نیٹ ورکنگ سائٹ میں شامل ہوئے جو کالجوں کے لیے تیار کی گئی ہے۔ ہم ان کی معلومات کی مقدار کا اندازہ کرتے ہیں اور سائٹ کی رازداری کی ترتیبات کے ان کے استعمال کا مطالعہ کرتے ہیں۔ ہم ان کی رازداری کے مختلف پہلوؤں پر ممکنہ حملوں کو اجاگر کرتے ہیں، اور ہم یہ ظاہر کرتے ہیں کہ صارفین کا صرف ایک کم فیصد انتہائی قابل رسائی رازداری کی ترجیحات کو تبدیل کرتا ہے۔

e9c525679fed4dad85699d09b5ce1ccaffe8f11d

192687300b76bca25d06744b6586f2826c722645

اس مقالے میں ہم گہرے گاوسی عمل (جی پی) ماڈل متعارف کراتے ہیں۔ گہرے جی پی گہرے عقیدے کا ایک نیٹ ورک ہے جو گاوسی عمل کے نقشے پر مبنی ہے۔ اعداد و شمار ایک کثیر متغیر GP کے آؤٹ پٹ کے طور پر ماڈل کیا جاتا ہے. اس گاوسی عمل کے لئے آدانوں کو پھر ایک اور GP کی طرف سے حکومت کر رہے ہیں. ایک واحد پرت ماڈل ایک معیاری GP یا GP پوشیدہ متغیر ماڈل (GP-LVM) کے برابر ہے. ہم اندازہ متغیر marginalization کی طرف سے ماڈل میں استنباط انجام دیتے ہیں. اس کے نتیجے میں ماڈل کے مارجنل امکان پر ایک سخت نچلے حد ہوتی ہے جسے ہم ماڈل کے انتخاب کے لئے استعمال کرتے ہیں (فی پرت پرتوں اور نوڈس کی تعداد) ۔ گہری عقیدے کے نیٹ ورک عام طور پر اصلاح کے لئے اسٹاکسٹک گریڈینٹ نزول کا استعمال کرتے ہوئے نسبتا large بڑے ڈیٹا سیٹوں پر لاگو ہوتے ہیں۔ ہمارا مکمل طور پر بیسیئن علاج گہرے ماڈل کی درخواست کی اجازت دیتا ہے یہاں تک کہ جب ڈیٹا کم ہے. ہمارے متغیر باؤنڈ کے ذریعہ ماڈل کا انتخاب ظاہر کرتا ہے کہ پانچ پرت درجہ بندی صرف 150 مثالوں پر مشتمل ہندسوں کے ڈیٹا سیٹ کو ماڈلنگ کرتے وقت بھی جائز ہے۔

2cac0942a692c3dbb46bcf826d71d202ab0f2e02

ہم ایک توسیع پذیر گہری غیر پیرامیٹرک پیداواری ماڈل تیار کرتے ہیں گہری گاوسی عمل کو ایک شناخت ماڈل کے ساتھ بڑھا کر۔ انفیکشن ایک ناول اسکیل ایبل تغیراتی فریم ورک میں کیا جاتا ہے جہاں تغیراتی پسدید تقسیم کو ایک کثیر پرت پرسیپٹرون کے ذریعہ دوبارہ پیرامیٹرائز کیا جاتا ہے۔ اس reformulation کے اہم پہلو یہ ہے کہ یہ مختلف حالتوں پیرامیٹرز کے پھیلاؤ کو روکتا ہے جو دوسری صورت میں نمونے کے سائز کے تناسب میں لکیری طور پر بڑھتی ہے. ہم نے ایک نئی فارمولیشن حاصل کی متغیر نچلے حد جو ہمیں زیادہ تر حساب کو اس طرح تقسیم کرنے کی اجازت دیتی ہے جو مرکزی دھارے میں شامل گہری سیکھنے کے کاموں کے سائز کے ڈیٹا سیٹوں کو سنبھالنے کے قابل بناتا ہے۔ ہم نے مختلف چیلنجوں پر طریقہ کار کی افادیت کا مظاہرہ کیا جس میں گہری غیر نگرانی سیکھنے اور گہری بیسیئن اصلاح شامل ہے۔

722fcc35def20cfcca3ada76c8dd7a585d6de386

کیفے ملٹی میڈیا سائنسدانوں اور پریکٹیشنرز کو جدید ترین گہری سیکھنے کے الگورتھم اور حوالہ ماڈل کے مجموعہ کے لئے ایک صاف اور قابل ترمیم فریم ورک فراہم کرتا ہے۔ فریم ورک بی ایس ڈی لائسنس یافتہ سی ++ لائبریری ہے جس میں پائتھون اور میٹاب بائنڈنگز ہیں جن کو عام مقصد کے کنوولوشنل نیورل نیٹ ورکس اور دیگر گہرے ماڈلز کو کموڈٹی فن تعمیرات پر موثر انداز میں تربیت اور تعینات کرنے کے لئے استعمال کیا جاتا ہے۔ کیفے صنعت اور انٹرنیٹ پیمانے پر میڈیا کی ضروریات کو CUDA GPU حساب سے پورا کرتا ہے ، ایک ہی K40 یا ٹائٹن GPU پر ایک دن میں 40 ملین سے زیادہ تصاویر پر کارروائی کرتا ہے (ہر تصویر میں تقریبا 2 ایم ایس) ۔ ماڈل کی نمائندگی کو اصل نفاذ سے الگ کرکے ، کیفے تجربات اور بغیر کسی رکاوٹ کے پلیٹ فارم کے مابین سوئچنگ کی اجازت دیتا ہے تاکہ پروٹو ٹائپنگ مشینوں سے کلاؤڈ ماحول تک ترقی اور تعیناتی میں آسانی ہو۔ کیفے کی دیکھ بھال اور ترقی کی طرف سے کیا جاتا ہے برکلے ویژن اور سیکھنے سینٹر (BVLC) GitHub پر شراکت داروں کی ایک فعال کمیونٹی کی مدد سے. یہ جاری تحقیقی منصوبوں، بڑے پیمانے پر صنعتی ایپلی کیشنز، اور نقطہ نظر، تقریر، اور ملٹی میڈیا میں شروع ہونے والے پروٹوٹائپ کو طاقت دیتا ہے.

fd50fa6954e1f6f78ca66f43346e7e86b196b137

شہری آبادی میں اضافے کے ساتھ، شہری علاقے میں لوگوں کی سرگرمیوں کو منظم طریقے سے ماڈلنگ کرنا ایک اہم سماجی و اقتصادی کام کے طور پر تسلیم کیا جا رہا ہے. قابل اعتماد اعداد و شمار کے ذرائع کی کمی کی وجہ سے یہ کام برسوں پہلے تقریبا ناممکن تھا ، پھر بھی جیو ٹیگڈ سوشل میڈیا (جی ٹی ایس ایم) کے اعداد و شمار کا ظہور اس پر نئی روشنی ڈالتا ہے۔ حال ہی میں، جی ٹی ایس ایم کے اعداد و شمار سے جغرافیائی موضوعات کو دریافت کرنے پر نتیجہ خیز مطالعہ ہوئے ہیں. تاہم، ان کی اعلی کمپیوٹیشنل اخراجات اور پوشیدہ موضوعات کے بارے میں مضبوط تقسیم کے مفروضے انہیں مکمل طور پر GTSM کی طاقت کو جاری کرنے سے روکتے ہیں. خلا کو ختم کرنے کے لئے، ہم کراس میپ پیش کرتے ہیں، ایک ناول کراس موڈل نمائندگی سیکھنے کا طریقہ ہے جو بڑے پیمانے پر GTSM ڈیٹا کے ساتھ شہری متحرک کو بے نقاب کرتا ہے. CrossMap پہلے لوگوں کی سرگرمیوں کے تحت spatiotemporal ہاٹ سپاٹ کا پتہ لگانے کے لئے ایک تیز رفتار موڈ تلاش کے طریقہ کار کا استعمال کرتا ہے. ان کا پتہ چلا ہوا ہاٹ سپاٹ نہ صرف جگہ وقت کی مختلف حالتوں کا پتہ لگاتا ہے بلکہ جی ٹی ایس ایم کے اعداد و شمار کی کمی کو بھی کافی حد تک کم کرتا ہے۔ پتہ لگانے والے ہاٹ سپاٹ کے ساتھ ، کراس میپ پھر مشترکہ طور پر تمام مقامی ، وقتی اور متنی اکائیوں کو ایک ہی جگہ میں دو مختلف حکمت عملیوں کا استعمال کرتے ہوئے سرایت کرتا ہے۔ ایک تعمیر نو پر مبنی ہے اور دوسرا گراف پر مبنی ہے۔ دونوں حکمت عملیوں کو ان کے ہم آہنگی اور پڑوسی تعلقات کو ان کے کوڈنگ کے ذریعے یونٹس کے درمیان تعلق کو پکڑنے اور اس طرح کے تعلقات کو برقرار رکھنے کے لئے کم جہتی نمائندگی سیکھنے. ہمارے تجربات سے ظاہر ہوتا ہے کہ کراس میپ نہ صرف سرگرمی کی بازیابی اور درجہ بندی کے لئے جدید ترین طریقوں سے نمایاں طور پر بہتر ہے ، بلکہ اس سے کہیں زیادہ بہتر کارکردگی بھی حاصل ہوتی ہے۔

ce8d99e5b270d15dc09422c08c500c5d86ed3703

انسانی چلنے کا تجزیہ ایک اندرونی چلنے کے دستخط کو تلاش کرنے میں مدد کرتا ہے جس کے ذریعے وسیع پیمانے پر وسیع پیمانے پر انسانی شناخت اور طبی خرابی کی دشواریوں کی تحقیقات کی جا سکتی ہے. واک بائیو میٹرک ایک غیر معمولی خصوصیت فراہم کرتا ہے جس کے ذریعہ ویڈیو واک ڈیٹا کو موضوع کے بارے میں پہلے سے آگاہی کے بغیر زیادہ فاصلے پر قبضہ کیا جاسکتا ہے۔ اس مقالے میں ، ایک نئی تکنیک کا مطالعہ کیا گیا ہے انسانی واک تجزیہ Kinect ایکس بکس آلہ کے ساتھ۔ یہ ہمیں خودکار پس منظر گھٹانے تکنیک کے ساتھ تقسیم کی غلطیوں کو کم سے کم کرنے کے لئے یقینی بناتا ہے. قریب سے اسی طرح کے انسانی کنکال ماڈل کو پس منظر سے ہٹا دیا گیا چلنے کی تصاویر سے پیدا کیا جاسکتا ہے ، جس میں کواریٹ حالات سے بدلا ہوا ہے ، جیسے چلنے کی رفتار میں تبدیلی اور لباس کی قسم میں تغیرات۔ چلنے کے نشانات کو بائیں ہپ، بائیں گھٹنے، دائیں ہپ اور دائیں گھٹنے کے مشترکہ زاویہ کے راستے سے ماڈل کے کنکال ماڈل سے قبضہ کر لیا جاتا ہے. کائنکٹ واک ڈیٹا پر تجرباتی تصدیق کا موازنہ سینسر پر مبنی بائیو میٹرک سوٹ، انٹیلجنٹ واک آسکیلیشن ڈیٹیکٹر (آئی جی او ڈی) کی ہماری اندرونی ترقی سے کیا گیا ہے۔ ایک کوشش کی گئی ہے کہ آیا اس سینسر پر مبنی بائیو میٹرک سوٹ کو کنکٹ ڈیوائس کے ساتھ تبدیل کیا جاسکتا ہے تاکہ مضبوط چلنے کی شناخت کے نظام کو بڑھایا جاسکے۔ فیشر امتیازی تجزیہ کو تربیت کے چلنے کے دستخط پر لاگو کیا گیا ہے تاکہ خصوصیت ویکٹر کی امتیازی طاقت کو دیکھا جاسکے۔ نائیو بیسیئن درجہ بندی کرنے والا ایک حوصلہ افزا درجہ بندی کا نتیجہ ظاہر کرتا ہے جس میں کینیکٹ سینسر کے ذریعہ حاصل کردہ محدود ڈیٹا سیٹ پر غلطیوں کا تخمینہ لگایا جاتا ہے۔

582ea307db25c5764e7d2ed82c4846757f4e95d7

فنکشن کے قریب قریب کو پیرامیٹر اسپیس کے بجائے فنکشن اسپیس میں عددی اصلاح کے نقطہ نظر سے دیکھا جاتا ہے۔ مرحلے کے اضافی توسیع اور steepest {descent کم سے کم کے درمیان ایک کنکشن بنایا جاتا ہے. ایک عام gradient{descent \boosting" نمونہ کسی بھی tting معیار کی بنیاد پر اضافی توسیع کے لئے تیار کیا جاتا ہے. کم سے کم {کواڈریٹس، کم سے کم {مطلق انحراف، اور ریگریشن کے لئے ہوبر {M نقصان افعال، اور درجہ بندی کے لئے کثیر کلاس لاجسٹک امکان کے لئے مخصوص الگورتھم پیش کیے جاتے ہیں. خاص طور پر اضافہ خاص کیس کے لئے حاصل کیا جاتا ہے جہاں انفرادی اضافی اجزاء فیصلے کے درخت ہیں، اور اس طرح کے "ٹریبوسٹ" ماڈل کی تشریح کے لئے اوزار پیش کیے جاتے ہیں. فیصلہ درختوں کے تدریجی فروغ مسابقتی، انتہائی مضبوط، تشریح شدہ طریقہ کار کو رجعت اور درجہ بندی کے لئے پیدا کرتا ہے، خاص طور پر صاف اعداد و شمار سے کم کان کنی کے لئے مناسب ہے. اس نقطہ نظر اور فرینڈ اور شپیئر 1996 کے فروغ دینے کے طریقوں کے درمیان روابط، اور فریڈمین، ہستی، اور Tibshirani 1998 پر تبادلہ خیال کیا جاتا ہے. 1 فنکشن کا تخمینہ فنکشن کا تخمینہ مسئلہ میں ایک ایسا نظام ہے جس میں ایک بے ترتیب \output "یا \response" متغیر y اور بے ترتیب \input" یا \explanatory" متغیرات کا ایک سیٹ x = fx1; ؛ xng ہے۔ ایک \training " نمونہ fyi;xig N 1 دیا گیا ہے (y;x) {معیارات، مقصد ایک فنکشن F (x) ہے جو نقشہ جات x سے y، اس طرح کہ تمام (y;x) {معیارات کی مشترکہ تقسیم پر، کسی مخصوص نقصان فنکشن (y؛ F (x)) کی متوقع قیمت کم سے کم ہے F (x) = argmin F (x) Ey;x (y؛ F (x)) = argmin F (x) Ex [Ey (y؛ F (x)) jx]: (1) اکثر استعمال شدہ نقصان فنکشن (y؛ F) میں شامل ہیں squared error (y F ) اور مطلق غلطی jy F j کے لئے y 2 R (رجس) ، اور منفی بائنل لوکوم {ممکنی، log1 + e 2y F) ، جب y 2 f 1 1 (g 1؛ درجہ بندی) ۔ ایک عام طریقہ کار یہ ہے کہ F (x) کو افعال F (x; P) کی پیرامیٹرائزڈ کلاس کا ممبر سمجھا جائے ، جہاں P = fP1؛ P2؛ g پیرامیٹرز کا ایک سیٹ ہے۔ اس مضمون میں ہم فارم کے اضافی توسیع پر توجہ مرکوز کرتے ہیں

6a7c63a73724c0ca68b1675e256bb8b9a35c94f4

آپ کے JSTOR آرکائیو کے استعمال سے ظاہر ہوتا ہے کہ آپ JSTOR کے استعمال کی شرائط و ضوابط کو قبول کرتے ہیں، جو http://www.jstor.org/about/terms.html پر دستیاب ہے۔ جے ایس ٹی او آر کے استعمال کی شرائط و ضوابط میں جزوی طور پر یہ کہا گیا ہے کہ جب تک آپ کو پہلے سے اجازت حاصل نہیں ہوتی ہے ، آپ کسی جریدے کا پورا شمارہ یا مضامین کی متعدد کاپیاں ڈاؤن لوڈ نہیں کرسکتے ہیں ، اور آپ جے ایس ٹی او آر آرکائیو میں موجود مواد کو صرف اپنے ذاتی ، غیر تجارتی استعمال کے لئے استعمال کرسکتے ہیں۔ براہ کرم اس کام کے کسی بھی مزید استعمال کے بارے میں ناشر سے رابطہ کریں۔ پبلشرز سے رابطہ کرنے کی معلومات http://www.jstor.org/journals/econosoc.html پر حاصل کی جا سکتی ہیں۔ جے ایس ٹی او آر ٹرانسمیشن کے کسی بھی حصے کی ہر کاپی میں وہی حق اشاعت کا نوٹس ہونا چاہئے جو اس طرح کی ترسیل کی اسکرین یا طباعت شدہ صفحے پر ظاہر ہوتا ہے۔

8eca169f19425c76fa72078824e6a91a5b37f470

کم لاگت اور اعلی کارکردگی والے ریڈار سسٹم کے کامیاب ڈیزائن کے لئے درست اور موثر نظام کی تخروپن ایک اہم ضرورت ہے. اس کاغذ میں ہم تعدد ماڈیول مسلسل لہر ریڈار نظام کے لئے ایک نئی ورسٹائل تخروپن ماحول پیش کرتے ہیں. عام ہارڈ ویئر تخروپن کے علاوہ یہ مربوط نظام تخروپن اور بیس بینڈ سگنل ترکیب سے تصور تجزیہ کا احاطہ کرتا ہے. اس میں لچکدار منظرنامہ جنریٹر ، درست شور ماڈلنگ ، اور سگنل پروسیسنگ الگورتھم کی ترقی اور جانچ کے لئے موثر انداز میں نقالی ڈیٹا فراہم کرتا ہے۔ ایک مربوط 77 گیگاہرٹج ریڈار پروٹو ٹائپ کے لئے تخروپن اور پیمائش کے نتائج کا موازنہ دو مختلف منظرناموں پر سمیلیٹر کی صلاحیتوں کو ظاہر کرتا ہے۔

71337276460b50a2cb37959a2d843e593dc4fdcc

ایک ناول غیر الگ تھلگ تین پورٹ کنورٹر (NI-TPC) ایک PV پورٹ، ایک باہمی بیٹری پورٹ اور ایک لوڈ پورٹ کے ساتھ انٹرفیس کی تجویز کی جاتی ہے. تین بندرگاہوں میں سے کسی بھی دو کے درمیان واحد مرحلے طاقت تبادلوں حاصل کیا جاتا ہے. ٹوپولوجی دو طرفہ طاقت کے بہاؤ کی روایتی ساخت کی دو طرفہ دو طرفہ میں decoupling کی طرف سے حاصل کیا جاتا ہے. دو تین بندرگاہوں کو مضبوطی سے کنٹرول کیا جاسکتا ہے تاکہ PV کے لئے زیادہ سے زیادہ بجلی کی کٹائی یا بیٹری کے لئے چارج کنٹرول حاصل کیا جاسکے ، اور ایک ہی وقت میں بوجھ وولٹیج کو مستقل رکھا جاسکے ، جبکہ تیسری بندرگاہ کو کنورٹر کے بجلی کے عدم توازن کی تلافی کے لئے لچکدار چھوڑ دیا جاتا ہے۔ آپریشن کی حالت کا تجزیہ کیا جاتا ہے. ملٹی ریگولیٹر مقابلہ کنٹرول حکمت عملی پیش کی جاتی ہے جب PV ان پٹ پاور میں اتار چڑھاؤ ہوتا ہے تو خود مختار اور ہموار ریاست سوئچنگ حاصل کرنے کے لئے۔ تجزیہ تجرباتی نتائج کی طرف سے تصدیق کی جاتی ہے.

ac8877b0e87625e26f52ab75e84c534a576b1e77

ڈیجیٹل دنیا میں، کاروباری ایگزیکٹوز ان کی کمپنیوں کی قدر کی تخلیق کے لئے معلومات اور معلومات کے انتظام کی اسٹریٹجک اہمیت کے بارے میں ایک اعلی شعور ہے. یہ قیادت کے مواقع اور چیلنجوں دونوں CIOs کے لئے پیش کرتا ہے. سی آئی او کی پوزیشن کو پسماندہ ہونے سے روکنے اور کاروباری قدر تخلیق میں سی آئی او کی شراکت کو بڑھانے کے لئے، انہیں آئی ٹی یوٹیلیٹی مینیجرز سے باہر منتقل کرنا ہوگا اور ان کی کمپنیوں کو مضبوط معلومات کے استعمال کی ثقافت کی تعمیر میں فعال کردار ادا کرنا ہوگا. اس مضمون کا مقصد قیادت کے نقطہ نظر کی بہتر تفہیم فراہم کرنا ہے جو سی آئی او اور کاروباری ایگزیکٹوز اپنی کمپنیوں کی معلومات کی واقفیت کو بہتر بنانے کے لئے اپنائیں۔ چار کیس اسٹڈیز کے نتائج کی بنیاد پر ہم نے چار چوکور لیڈرشپ کی پوزیشننگ کا فریم ورک بنایا ہے۔ یہ فریم ورک CIO کے نقطہ نظر سے تعمیر کیا جاتا ہے اور اس بات کی نشاندہی کرتا ہے کہ ایک CIO کمپنی کی معلومات کی واقفیت کو فروغ دینے میں اس کی حکمت عملی کو حاصل کرنے کے لئے ایک رہنما، پیروکار یا غیر کھلاڑی کے طور پر کام کرسکتا ہے. مضمون ہدایات کے ساتھ ختم ہوتا ہے کہ CIOs کی ان کی کمپنیوں کی معلومات واقفیت کے اقدامات کو متعارف کرانے یا برقرار رکھنے میں ان کی قیادت کے چیلنجوں کی پوزیشن میں مدد کرنے کے لئے استعمال کر سکتے ہیں اور CIOs کی مخصوص حالات پر منحصر ہے مخصوص قیادت کے نقطہ نظر کی سفارش کرتا ہے.

5c6b51bb44c9b2297733b58daaf26af01c98fe09

یہ کاغذ منظم طور پر دو خصوصیت نکالنے کے الگورتھم کا موازنہ کرتا ہے تاکہ گاہکوں کے جائزوں میں تبصرہ کیا گیا ہے کہ مصنوعات کی خصوصیات کو کم کیا جا سکے. پہلا نقطہ نظر [17] POS پیٹرن کے ایک سیٹ کو لاگو کرنے اور لاگ احتمال تناسب ٹیسٹ کی بنیاد پر امیدوار سیٹ کاٹنے کی طرف سے امیدوار خصوصیات کی شناخت کرتا ہے. دوسرا نقطہ نظر [11] اکثر خصوصیات کی شناخت کے لئے ایسوسی ایشن اصول کان کنی اور غیر معمولی خصوصیات کی شناخت کے لئے جذبات کی شرائط کی موجودگی پر مبنی ایک ہیورسٹک کا اطلاق کرتا ہے۔ ہم صارفین کے الیکٹرانک آلات کے بارے میں پانچ مصنوعات کے مخصوص دستاویزات کے مجموعوں پر الگورتھم کی کارکردگی کا اندازہ کرتے ہیں. ہم غلطیوں کا تجزیہ کرتے ہیں اور الگورتھم کے فوائد اور حدود پر تبادلہ خیال کرتے ہیں۔

623fd6adaa5585707d8d7339b5125185af6e3bf1

موجودہ مطالعہ انٹرنیٹ گیمنگ ڈس آرڈر (IGD) کے لئے مداخلتوں کا ایک تقریبا تجرباتی، ممکنہ مطالعہ ہے. ایک سو چار والدین اور ان کے نو عمر بچوں کو چار علاج گروپوں میں سے ایک میں شامل کیا گیا اور ان کو مختص کیا گیا: 7 دن کا سریراج تھراپیٹک رہائشی کیمپ (ایس ٹی آر سی) ، 8 ہفتوں کا والدین مینجمنٹ ٹریننگ برائے گیم لت (پی ایم ٹی جی) ، مشترکہ ایس ٹی آر سی اور پی ایم ٹی جی ، اور بنیادی نفسیاتی تعلیم (کنٹرول) ۔ IGD کی شدت گیم لت اسکریننگ ٹیسٹ (GAST) کی طرف سے ماپا گیا تھا. گروپوں کے درمیان GAST اسکور میں اوسط فرق اعداد و شمار کے لحاظ سے اہم تھا ، جس میں پی کی اقدار < 0. 001 ، 0. 002 ، اور 0. 005 ، بالترتیب ، 1 ، 3 ، اور 6 ماہ بعد مداخلت میں تھیں۔ تمام گروپوں نے کنٹرول گروپ کے مقابلے میں بہتری ظاہر کی. نشے یا ممکنہ طور پر نشے میں مبتلا گروہوں میں رہنے والے نوجوانوں کی فیصد ایس- ٹی آر سی ، پی ایم ٹی- جی ، اور مشترکہ گروہوں میں 50 فیصد سے کم تھی۔ نتیجے میں، ایس- ٹی آر سی اور پی ایم ٹی- جی دونوں آئی جی ڈی کے لئے مؤثر نفسیاتی مداخلت تھے اور صرف بنیادی نفسیاتی تعلیم سے بہتر تھے.

aca437e9e2a453c84a38d716ca9a7a7683ae58b6

یہ کاغذ بدیہی میکانکس کا استعمال کرتے ہوئے اعتراض استحکام اور حفاظت کی استدلال کی طرف سے 3D منظر تفہیم کے لئے ایک نیا نقطہ نظر پیش کرتا ہے. ہمارا نقطہ نظر ایک سادہ مشاہدہ کا استعمال کرتا ہے کہ، انسانی ڈیزائن کے ذریعہ، جامد مناظر میں اشیاء کو کشش ثقل کے میدان میں مستحکم ہونا چاہئے اور انسانی سرگرمیوں جیسے مختلف جسمانی پریشانیوں کے سلسلے میں محفوظ ہونا چاہئے. یہ مفروضہ تمام منظر کی اقسام پر لاگو ہوتا ہے اور منظر کی تفہیم میں معقول تشریحات (پارس) کے لئے مفید پابندیاں عائد کرتا ہے۔ گہرائی کیمروں کے ذریعہ جامد منظر کے لئے قبضہ کیے گئے 3D نقطہ بادل کو دیکھتے ہوئے ، ہمارے طریقہ کار میں تین مراحل شامل ہیں: (i) ووکسلز سے ٹھوس 3D حجم پرائمریوں کی بازیابی؛ (ii) استحکام اور منظر سے پہلے استحکام کو بہتر بنا کر غیر مستحکم پرائمریوں کو جسمانی طور پر مستحکم اشیاء میں گروپ بنا کر استحکام کی استدلال؛ اور (iii) انسانی سرگرمی ، ہوا یا زلزلے جیسے جسمانی پریشانیوں کے تحت اشیاء کے لئے جسمانی خطرات کا اندازہ کرکے حفاظت کی استدلال۔ ہم ایک ناول بدیہی طبیعیات ماڈل کو اپناتے ہیں اور ایک منقطع گراف (ڈی جی) کے ذریعہ منظر میں ہر ابتدائی اور آبجیکٹ کے توانائی کے منظر نامے کی نمائندگی کرتے ہیں۔ ہم ایک رابطہ گراف بناتے ہیں جس میں نوڈس 3D حجم پرائمٹائز ہوتے ہیں اور کناروں سے متعلق تعلقات کی نمائندگی ہوتی ہے۔ پھر ہم نے ایک Swendson-وانگ کاٹ الگورتھم اپنانے گروپوں میں رابطہ گراف تقسیم کرنے کے لئے، جن میں سے ہر ایک مستحکم اعتراض ہے. ایک جامد منظر میں غیر محفوظ اشیاء کا پتہ لگانے کے لئے، ہمارے طریقہ کار کو مزید منظر میں پوشیدہ اور واقع وجوہات (اختلاطات) کا پتہ چلتا ہے، اور پھر ممکنہ اثرات کی پیشن گوئی کرنے کے لئے بدیہی جسمانی میکانکس متعارف کرایا جاتا ہے (مثال کے طور پر، گرنے) خرابی کے نتائج کے طور پر. تجربات میں ، ہم یہ ظاہر کرتے ہیں کہ الگورتھم (i) آبجیکٹ طبقاتی ، (ii) 3D حجم کی بازیابی ، اور (iii) منظر کی تفہیم کے لئے دوسرے جدید ترین طریقوں کے سلسلے میں نمایاں طور پر بہتر کارکردگی حاصل کرتا ہے۔ ہم بھی انسانی فیصلے کے ساتھ بدیہی میکانکس ماڈل سے حفاظت کی پیشن گوئی کا موازنہ.

7e9507924ceebd784503fd25128218a7119ff722

ہمارا نقطہ نظر ہر متن کے جسم کو ایک موضوع گراف کے طور پر ماڈل کرتا ہے۔ ان گرافوں کو پھر مستقل گراف ملاپ کے طریقہ کار کا استعمال کرتے ہوئے ملایا جاتا ہے۔ اگلا، ہم تفصیل کی سطح (LOD) کی نمائش تیار کرتے ہیں جو پڑھنے کی اہلیت اور استحکام دونوں کو متوازن کرتا ہے۔ اس کے مطابق، نتیجے میں بصیرت صارفین کو متعدد نقطہ نظر سے ملنے والے گراف کو سمجھنے اور تجزیہ کرنے کی صلاحیت کو بڑھا دیتا ہے. میٹرک سیکھنے اور خصوصیت کے انتخاب کو گراف ملاپ الگورتھم میں شامل کرکے ، ہم صارفین کو ان کی معلومات کی ضروریات کی بنیاد پر گراف ملاپ کے نتائج کو انٹرایکٹو طور پر تبدیل کرنے کی اجازت دیتے ہیں۔ ہم نے اپنے نقطہ نظر کو مختلف قسم کے اعداد و شمار پر لاگو کیا ہے، بشمول خبروں کے مضامین، ٹویٹس اور بلاگ کے اعداد و شمار. مقداری تشخیص اور حقیقی دنیا کے کیس اسٹڈیز ہمارے نقطہ نظر کے وعدے کا مظاہرہ کرتے ہیں ، خاص طور پر مختلف سطحوں پر تفصیل کے موضوع پر مبنی گراف کی مکمل تصویر کی جانچ پڑتال کی حمایت میں۔ اس مقالے میں متعدد ذرائع جیسے خبروں ، بلاگوں یا مائیکرو بلاگ میں زیر بحث متعلقہ موضوعات کی مکمل تصویر کا تجزیہ کرنے کے لئے بصری تجزیاتی نقطہ نظر پیش کیا گیا ہے۔ مکمل تصویر میں متعدد ذرائع سے احاطہ کردہ متعدد مشترکہ موضوعات کے ساتھ ساتھ ہر ذریعہ سے مخصوص موضوعات شامل ہیں۔

b04a503487bc6505aa8972fd690da573f771badb

گہرے اعصابی ادراک اور کنٹرول نیٹ ورکس خود کار طریقے سے گاڑیوں کے ایک اہم جزو ہونے کا امکان ہے. ان ماڈلز کو وضاحت کرنے کی ضرورت ہے - انہیں اپنے رویے کے لئے آسانی سے تشریح کرنے والے عقلیات فراہم کرنے چاہئیں - تاکہ مسافر ، انشورنس کمپنیاں ، قانون نافذ کرنے والے ادارے ، ڈویلپر وغیرہ ، یہ سمجھ سکیں کہ کسی خاص رویے کو کس چیز نے متحرک کیا۔ یہاں ہم بصری وضاحتوں کے استعمال کی تلاش کرتے ہیں. یہ وضاحتیں ایک تصویر کے حقیقی وقت پر روشنی ڈالی گئی علاقوں کی شکل اختیار کرتی ہیں جو نیٹ ورک کی پیداوار (اسٹیئرنگ کنٹرول) پر اثر انداز کرتی ہیں. ہمارا نقطہ نظر دو مرحلے پر مشتمل ہے۔ پہلے مرحلے میں، ہم تصاویر سے سٹیئرنگ زاویہ تک ایک کنولوشن نیٹ ورک کے اختتام کو ختم کرنے کے لئے بصری توجہ ماڈل کا استعمال کرتے ہیں. توجہ ماڈل ممکنہ طور پر نیٹ ورک کی پیداوار پر اثر انداز ہونے والے تصویر کے علاقوں کو اجاگر کرتا ہے. ان میں سے کچھ اثرات حقیقی ہیں، لیکن کچھ جعلی ہیں۔ اس کے بعد ہم ایک سبب فلٹرنگ قدم کا اطلاق کرنے کے لئے جس ان پٹ علاقوں اصل میں پیداوار پر اثر انداز کا تعین کرنے کے لئے. یہ زیادہ جامع بصری وضاحت پیدا کرتا ہے اور زیادہ درست طریقے سے نیٹ ورک کے رویے کو بے نقاب کرتا ہے. ہم نے اپنے ماڈل کی افادیت کو تین ڈیٹا سیٹ پر دکھایا ہے جو کل 16 گھنٹے کی ڈرائیونگ ہے۔ ہم سب سے پہلے یہ ظاہر کرتے ہیں کہ توجہ کے ساتھ تربیت اختتام سے آخر تک نیٹ ورک کی کارکردگی کو کم نہیں کرتی ہے. پھر ہم دکھاتے ہیں کہ نیٹ ورک مختلف خصوصیات پر سبب سے اشارے کرتا ہے جو انسانوں کے ذریعے استعمال ہوتے ہیں ڈرائیونگ کرتے ہوئے۔

4954bb26107d69eb79bb32ffa247c8731cf20fcf

وصف پر مبنی خفیہ کاری (اے بی ای) [13] صارف کی صفات کی بنیاد پر ڈیکریپشن کی صلاحیت کا تعین کرتا ہے۔ ایک ملٹی اتھارٹی ABE اسکیم میں ، متعدد وصف-اتھارٹیز صفات کے مختلف سیٹوں کی نگرانی کرتے ہیں اور صارفین کو اسی طرح کی ڈکرپشن چابیاں جاری کرتے ہیں ، اور انکرپٹرز یہ مطالبہ کرسکتے ہیں کہ صارف کسی پیغام کو ڈکرپٹ کرنے سے پہلے ہر اتھارٹی سے مناسب صفات کی چابیاں حاصل کرے۔ چیس [5] نے ایک کثیر اتھارٹی ABE اسکیم دی جس میں قابل اعتماد مرکزی اتھارٹی (سی اے) اور عالمی شناخت کنندہ (جی آئی ڈی) کے تصورات کا استعمال کیا گیا ہے۔ تاہم، اس تعمیر میں سی اے ہر شفر متن کو ڈیکریپٹ کرنے کی طاقت ہے، جو کسی طرح سے بہت سے ممکنہ طور پر ناقابل اعتماد حکام پر کنٹرول تقسیم کرنے کے اصل مقصد کے خلاف متضاد لگتا ہے. اس کے علاوہ، اس تعمیر میں، ایک مستقل GID کا استعمال حکام کو ایک صارف کی خصوصیات کے ساتھ ایک مکمل پروفائل بنانے کے لئے ان کی معلومات کو یکجا کرنے کی اجازت دی، جو غیر ضروری طور پر صارف کی رازداری کو خطرے میں ڈالتا ہے. اس مقالے میں ہم ایک ایسا حل تجویز کرتے ہیں جس سے قابل اعتماد مرکزی اتھارٹی کو ہٹا دیا جائے اور صارفین کی رازداری کو تحفظ دیا جائے۔ اس سے یہ بھی ممکن ہے کہ حکام کو مخصوص صارفین کے بارے میں معلومات اکٹھی کرنے سے روکا جائے۔ اس طرح اے بی ای کو عملی طور پر زیادہ قابل استعمال بنایا جائے گا۔

25098861749fe9eab62fbe90c1ebeaed58c211bb

اس مقالے میں ہم ایک نئے نقطہ نظر سے فروغ دینے کے طریقوں کا مطالعہ کرتے ہیں. ہم Efron et al کی حالیہ کام پر تعمیر کرتے ہیں. ظاہر کرنے کے لئے کہ تقریبا boosting (اور کچھ معاملات میں بالکل) کو کم سے کم اس کے نقصان معیار کو ایک کے ساتھ کم سے کم کرتا ہے l1 کوفیشن ویکٹر پر پابندی. یہ نقصان معیار کے باقاعدگی سے فٹنگ کے طور پر ابتدائی روکنے کے ساتھ فروغ دینے کی کامیابی کو سمجھنے میں مدد ملتی ہے. دو سب سے زیادہ عام طور پر استعمال ہونے والے معیار (اضافی اور بائنومیئل لاگ امکان) کے لئے ، ہم مزید یہ ظاہر کرتے ہیں کہ جب پابندی کو آرام دہ کیا جاتا ہے - یا مساوی طور پر جیسے جیسے فروغ دینے والے تکرار جاری رہتے ہیں - حل ایک l1-optimal علیحدگی ہائپر پلین میں (غیر علیحدگی کے معاملے میں) مل جاتا ہے۔ ہم ثابت کرتے ہیں کہ یہ l1-بہترین علیحدگی ہائپر پلین میں تربیت کے اعداد و شمار کے کم سے کم l1-مارجن کو زیادہ سے زیادہ کرنے کی خاصیت ہے ، جیسا کہ فروغ دینے والے ادب میں بیان کیا گیا ہے۔ فروغ دینے اور کارنیل سپورٹ ویکٹر مشینوں کے درمیان ایک دلچسپ بنیادی مماثلت ابھرتی ہے ، کیونکہ دونوں کو اعلی جہتی پیش گوئی کی جگہ میں باقاعدہ اصلاح کے طریقوں کے طور پر بیان کیا جاسکتا ہے ، حساب کتاب کو عملی بنانے کے لئے کمپیوٹیشنل چال کا استعمال کرتے ہوئے ، اور مارجن کو زیادہ سے زیادہ کرنے کے حل پر متفق ہیں۔ جبکہ یہ بیان SVMs بالکل بیان کرتا ہے، یہ صرف تقریبا boosting پر لاگو ہوتا ہے.

0825788b9b5a18e3dfea5b0af123b5e939a4f564

الفاظ کی ویکٹر اسپیس نمائندگی سیکھنے کے لئے حالیہ طریقوں ویکٹر ریاضی کا استعمال کرتے ہوئے ٹھیک دانے دار سیمنٹک اور نحو باقاعدگی کو پکڑنے میں کامیاب ہو گئے ہیں، لیکن ان باقاعدگی کی اصل مبہم رہی ہے. ہم تجزیہ کرتے ہیں اور ماڈل کی خصوصیات کو واضح کرتے ہیں جو لفظ ویکٹر میں اس طرح کے باقاعدگی سے ابھرنے کے لئے ضروری ہیں. نتیجہ ایک نیا گلوبل لاگبیلینئر ریگریشن ماڈل ہے جو ادب میں دو بڑے ماڈل خاندانوں کے فوائد کو یکجا کرتا ہے: عالمی میٹرکس فیکٹرائزیشن اور مقامی سیاق و سباق ونڈو طریقوں. ہمارا ماڈل مؤثر طریقے سے اعداد و شمار کی معلومات کو صرف غیر صفر عناصر پر تربیت دے کر استعمال کرتا ہے لفظ لفظ کے ساتھ مل کر میٹرکس میں، بجائے پورے گھنے میٹرکس یا بڑے جسم میں انفرادی سیاق و سباق کی کھڑکیوں پر. ماڈل ایک ویکٹر کی جگہ پیدا کرتا ہے جس میں معنی خیز ذیلی ڈھانچہ ہوتا ہے ، جیسا کہ حالیہ لفظ کے مشابہت کے کام پر اس کی کارکردگی 75٪ ہے۔ یہ بھی مماثلت کے کاموں اور نامی ادارے کی شناخت پر متعلقہ ماڈل سے بہتر ہے.

326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5

ہم دو تقسیم کے درمیان ایک میٹرک کی خصوصیات کی تحقیقات کرتے ہیں، زمین کی منتقلی کی فاصلہ (ای ایم ڈی) ، مواد پر مبنی تصویر کی بازیابی کے لئے. ای ایم ڈی کم سے کم قیمت پر مبنی ہے جو ایک تقسیم کو دوسرے میں تبدیل کرنے کے لئے ادا کرنا ضروری ہے ، ایک عین مطابق معنی میں ، اور پہلی بار پیلیگ ، ورمن ، اور روم کے ذریعہ بصری مسائل کے ل. تصویر کی بازیافت کے لئے، ہم اس خیال کو تقسیم کے لئے نمائندگی کی منصوبہ بندی کے ساتھ جوڑتے ہیں جو ویکٹر کوانٹائزیشن پر مبنی ہے. یہ مجموعہ ایک تصویر کے مقابلے کے فریم ورک کی طرف جاتا ہے جو اکثر دیگر پہلے سے تجویز کردہ طریقوں سے بہتر طور پر تصوراتی مماثلت کی وضاحت کرتا ہے. EMD لکیری اصلاح سے نقل و حمل کے مسئلے کے حل پر مبنی ہے ، جس کے لئے موثر الگورتھم دستیاب ہیں ، اور قدرتی طور پر جزوی مماثلت کی بھی اجازت دیتا ہے۔ یہ ہسٹوگرام کے ملاپ کی تکنیکوں سے زیادہ مضبوط ہے ، اس میں یہ تقسیم کی متغیر لمبائی کی نمائندگی پر کام کرسکتا ہے جو کوانٹائزیشن اور ہسٹوگرام کی دیگر بائننگ کے مسائل سے بچتا ہے۔ جب ایک ہی مجموعی بڑے پیمانے پر تقسیم کا موازنہ کرنے کے لئے استعمال کیا جاتا ہے تو ، ای ایم ڈی ایک حقیقی میٹرک ہے۔ اس مقالے میں ہم رنگ اور ساخت کے اطلاق پر توجہ مرکوز کرتے ہیں، اور ہم دیگر فاصلے کے ساتھ EMD کی بازیافت کی کارکردگی کا موازنہ کرتے ہیں.

508d8c1dbc250732bd2067689565a8225013292f

ایک ناول ڈبل فوٹوپلیٹسموگراف (پی پی جی) سینڈ اور پیمائش کا نظام مقامی نبض کی لہر کی رفتار (پی ڈبلیو وی) کے لئے تجویز کیا گیا ہے اور اس کا مظاہرہ کیا گیا ہے۔ تیار کردہ سینڈ ڈیزائن دو ملحقہ پیمائش پوائنٹس (28 ملی میٹر کے فاصلے پر) سے خون کی نبض پھیلاؤ کے لہر کے غیر انکشی پتہ لگانے کے لئے عکاسی پی پی جی ٹرانسڈوسر کا استعمال کرتا ہے۔ مسلسل حاصل کی ڈبل نبض کی لہر فارم کے درمیان ٹرانزٹ وقت تاخیر بیٹ ٹو بیٹ مقامی PWV کی پیمائش کے لئے استعمال کیا گیا تھا. پی پی جی سینڈ ڈیزائن کی توثیق کرنے اور مقامی پی ڈبلیو وی پیمائش کے نظام کو تیار کرنے کے لئے 10 صحت مند رضاکاروں (8 مرد اور 2 خواتین ، 21 سے 33 سال کی عمر) پر ایک ان ویو تجرباتی توثیق کا مطالعہ کیا گیا تھا۔ مجوزہ نظام متعدد مضامین سے کیروٹائڈ مقامی پی ڈبلیو وی کی پیمائش کرنے میں کامیاب تھا۔ بیس لائن کیروٹائڈ پی ڈبلیو وی کی بیٹ ٹو بیٹ تبدیلی 10 میں سے 7 افراد کے لئے 7. 5٪ سے کم تھی ، مطالعہ کے دوران 16٪ کی زیادہ سے زیادہ بیٹ ٹو بیٹ تبدیلی دیکھی گئی تھی۔ ورزش کے بعد بحالی کی مدت کے دوران ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے ہڈیوں کے درمیان انٹرا- موضوع مقامی PWV تغیر اور براکیئل BP پیرامیٹرز کے درمیان ایک اعداد و شمار سے متعلق اہم تعلق دیکھا گیا تھا (r > 0. 85، p < 0. 001). نتائج نے کیروٹائڈ شریان سے مسلسل بیٹ ٹو بیٹ مقامی پی ڈبلیو وی کی پیمائش کے لئے مجوزہ پی پی جی سینڈ کی فزیبلٹی کا مظاہرہ کیا۔ اس طرح کے غیر ناگوار مقامی پی ڈبلیو وی پیمائش یونٹ کو ممکنہ طور پر مسلسل ایمبولٹری BP پیمائش کے لئے استعمال کیا جاسکتا ہے۔

79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6

یہ کاغذ گہرائی نقشے کے تسلسل سے انسانی اعمال کو تسلیم کرنے کا ایک طریقہ پیش کرتا ہے. خاص طور پر، ہم ایکشن گراف کو استعمال کرتے ہیں واضح طور پر ماڈل کرنے کے لئے ایکشنز کی حرکیات اور 3D پوائنٹس کا ایک بیگ نمایاں کرنسیوں کا ایک سیٹ کی خصوصیات کے لئے جو ایکشن گراف میں نوڈس سے مطابقت رکھتا ہے. اس کے علاوہ، ہم گہرائی نقشے سے 3D پوائنٹس کے بیگ کا نمونہ لینے کے لئے ایک سادہ، لیکن مؤثر پروجیکشن کی بنیاد پر نمونہ لینے کی منصوبہ بندی کی تجویز کرتے ہیں. تجرباتی نتائج سے پتہ چلتا ہے کہ 90٪ سے زیادہ شناخت کی درستگی صرف 1٪ 3D نقطہ نظر سے گہرائی نقشے سے نمونے لینے کی طرف سے حاصل کی گئی تھی. 2D سلہوٹ پر مبنی شناخت کے مقابلے میں ، پہچان کی غلطیاں آدھی ہوگئیں۔ اس کے علاوہ، ہم نقطہ موقف کے بیگ کے ماڈل کی صلاحیت کو نمٹنے کے لئے نمونے کے ذریعے روکنے کے لئے ظاہر کرتے ہیں.

46fd85775cab39ecb32cf2e41642ed2d0984c760

اس مقالے میں اے آئی روبوٹس کی قانونی حیثیت پر آج کی بحث کا جائزہ لیا گیا ہے اور یہ کہ علماء اور پالیسی ساز ان مصنوعی ایجنٹوں کی قانونی ایجنسی کو قانونی شخصیت کی حیثیت سے کتنی بار الجھاتے ہیں۔ اس میدان میں موجودہ رجحانات کو مدنظر رکھتے ہوئے ، کاغذ دو طرفہ موقف کی تجویز کرتا ہے۔ سب سے پہلے، پالیسی سازوں کو سنجیدگی سے معاہدوں اور کاروباری قانون میں اے آئی روبوٹ کی سرگرمیوں کے لئے احتساب اور ذمہ داری کی نئی شکلوں کو قائم کرنے کے امکان پر غور کرنا چاہئے، مثال کے طور پر، پیچیدہ تقسیم شدہ ذمہ داری کے معاملات میں قانونی ایجنسی کی نئی شکلیں. دوسرا، مستقبل قریب میں اے آئی روبوٹ کو مکمل قانونی شخصیت دینے کے کسی بھی مفروضے کو مسترد کرنا ہوگا۔ تاہم، ہمیں صوفیہ کے ساتھ کیسے نمٹنا چاہئے، جو اکتوبر 2017 میں کسی بھی ملک کی شہریت حاصل کرنے والی پہلی اے آئی درخواست بن گئی، یعنی سعودی عرب؟ کسی کو یا کسی چیز کو قانونی شخصیت کا درجہ دینا ایک انتہائی حساس سیاسی مسئلہ ہے جو کہ ہمیشہ سے رہا ہے اور یہ صرف عقلی انتخاب اور تجرباتی ثبوت پر منحصر نہیں ہے۔ اس تناظر میں تدبر، خود مختاری اور یہاں تک کہ عجیب فیصلے بھی اپنا کردار ادا کرتے ہیں۔ تاہم، قانونی نظام انسانی اور مصنوعی اداروں کو کیوں عطا کرتا ہے، جیسے کارپوریشنز، ان کی حیثیت، ہمیں آج کی تلاش میں AI روبوٹ کے قانونی شخصیت کے لئے تلاش میں مدد ملتی ہے. کیا شہری صوفیہ واقعی ہوش میں ہے، یا قابل ہے کہ وہ بے حد علماء کے تیر اور تیر برداشت کرے؟

0943ed739c909d17f8686280d43d50769fe2c2f8

ہم انسانی رویے کا تجزیہ اور ترکیب کرنے کے لئے ایکشن-ری ایکشن سیکھنے کے نقطہ نظر کے طور پر تجویز کرتے ہیں. یہ نمونہ ماضی اور مستقبل کے واقعات کے درمیان یا وقت کے سلسلے کا مشاہدہ کرکے ایک کارروائی اور اس کے رد عمل کے درمیان سبب نقشہ جات کو بے نقاب کرتا ہے۔ ہم اس طریقہ کار کو انسانی تعامل کا تجزیہ کرنے اور بعد میں انسانی رویے کو جوڑنے کے لیے استعمال کرتے ہیں۔ ادراک کی پیمائش کی ایک ٹائم سیریز کا استعمال کرتے ہوئے، ایک نظام خود کار طریقے سے ایک انسانی شریک (ایک کارروائی) سے اشاروں کے درمیان ایک نقشہ سازی کو بے نقاب کرتا ہے اور دوسرے شریک سے بعد میں اشارہ (ایک ردعمل). ایک ممکنہ ماڈل کو ایک نئی تخمینہ تکنیک، مشروط توقع میکسمیمیشن (سی ای ایم) کا استعمال کرتے ہوئے انسانی بات چیت کے اعداد و شمار سے تربیت دی جاتی ہے. نظام ایک گرافیکل انٹرایکٹو کردار کو چلاتا ہے جو ممکنہ طور پر صارف کے رویے کے سب سے زیادہ ممکنہ ردعمل کی پیش گوئی کرتا ہے اور اسے انٹرایکٹو طور پر انجام دیتا ہے. اس طرح، شرکاء کے ایک جوڑے میں انسانی بات چیت کا تجزیہ کرنے کے بعد، نظام ان میں سے ایک کی جگہ لے لے اور ایک واحد باقی صارف کے ساتھ بات چیت کرنے کے قابل ہے.

272216c1f097706721096669d85b2843c23fa77d

ہم ایڈم متعارف کراتے ہیں ، جو اسٹاکسٹک مقصد افعال کی فرسٹ آرڈر گریڈینٹ پر مبنی اصلاح کے لئے ایک الگورتھم ہے ، جو کم آرڈر لمحات کے انکولی تخمینوں پر مبنی ہے۔ طریقہ کار کو لاگو کرنے کے لئے براہ راست ہے، کمپیوٹنگ کی کارکردگی ہے، میموری کی کم ضروریات ہیں، gradients کے قطری rescaling کے لئے غیر متغیر ہے، اور اعداد و شمار اور / یا پیرامیٹرز کے لحاظ سے بڑے مسائل کے لئے اچھی طرح سے موزوں ہے. یہ طریقہ غیر مستحکم مقاصد اور بہت شور اور / یا پتلی gradients کے ساتھ مسائل کے لئے بھی موزوں ہے. ہائپر پیرامیٹرز میں بدیہی تشریحات ہیں اور عام طور پر تھوڑی سی ٹیوننگ کی ضرورت ہوتی ہے۔ متعلقہ الگورتھم کے ساتھ کچھ رابطے، جس پر آدم کو حوصلہ افزائی کی گئی تھی، پر تبادلہ خیال کیا جاتا ہے. ہم نے بھی الگورتھم کی نظریاتی کنورجنس خصوصیات کا تجزیہ اور آن لائن convex اصلاح فریم ورک کے تحت سب سے بہتر معلوم نتائج کے مقابلے میں ہے کہ کنورجنس کی شرح پر پابند افسوس فراہم کرتے ہیں. تجرباتی نتائج سے پتہ چلتا ہے کہ آدم عملی طور پر اچھی طرح سے کام کرتا ہے اور دوسرے اسٹاکسٹک اصلاح کے طریقوں کے ساتھ موازنہ کرتا ہے. آخر میں، ہم ایڈمکس پر بات کریں گے، جو آدم کا ایک متغیر ہے جو انفینٹی کے معیار پر مبنی ہے۔

05aba481e8a221df5d8775a3bb749001e7f2525e

ہم سب گریڈیئنٹ طریقوں کے ایک نئے خاندان کو پیش کرتے ہیں جو متحرک طور پر پہلے کے تکرار میں مشاہدہ کردہ اعداد و شمار کے جیومیٹری کے علم کو شامل کرتے ہیں تاکہ زیادہ معلوماتی گریڈیئنٹ پر مبنی سیکھنے کو انجام دیا جاسکے۔ استعاراتی طور پر، موافقت ہمیں بہت پیش گوئی کی شکل میں ہین اسٹاک میں نیدلز تلاش کرنے کی اجازت دیتا ہے لیکن شاذ و نادر ہی دیکھا خصوصیات. ہمارے نمونہ سٹاکسٹک اصلاح اور آن لائن سیکھنے میں حالیہ پیش رفت سے نکلتا ہے جو الگورتھم کے گریڈینٹ اقدامات کو کنٹرول کرنے کے لئے قریبی فنکشنز کا استعمال کرتا ہے. ہم نے ایک آلہ کی وضاحت اور تجزیہ کرنے کے لئے adaptively کے proximal تقریب میں ترمیم، جس میں نمایاں طور پر ایک سیکھنے کی شرح کی ترتیب آسان بناتا ہے اور نتائج میں افسوس کی ضمانت ہے کہ provably کے طور پر بہترین proximal تقریب کے طور پر اچھا ہے جو پس منظر میں منتخب کیا جا سکتا ہے. ہم عام اور اہم باقاعدگی سے افعال اور ڈومین پابندیاں کے ساتھ تجرباتی خطرے کو کم سے کم کرنے کے مسائل کے لئے کئی موثر الگورتھم دیتے ہیں. ہم تجرباتی طور پر ہمارے نظریاتی تجزیہ کا مطالعہ کرتے ہیں اور ظاہر کرتے ہیں کہ انکولی ذیلی درجے کے طریقوں کو ریاستی فن فن سے بہتر ہے، ابھی تک غیر انکولی، ذیلی درجے کے الگورتھم.

f2bc77fdcea85738d1062da83d84dfa3371d378d

یہ کاغذ چپ سے چپ ایپلی کیشنز کے لئے 90nm CMOS میں 6.25-Gb / s 14 میگاواٹ ٹرانسیور کی وضاحت کرتا ہے۔ ٹرانسیور بجلی کی کھپت کو کم کرنے کے لئے متعدد خصوصیات کا استعمال کرتا ہے ، بشمول ایک مشترکہ ایل سی-پی ایل ایل گھڑی ضرب ، ایک انڈکٹر سے بھری ہوئی گونج گھڑی تقسیم نیٹ ورک ، ایک کم اور پروگرام قابل سوئنگ وولٹیج موڈ ٹرانسمیٹر ، سافٹ ویئر کنٹرولڈ گھڑی اور ڈیٹا ریکوری (سی ڈی آر) اور وصول کنندہ کے اندر انکولی مساوات ، اور سی ڈی آر کے لئے ایک ناول پی ایل ایل پر مبنی فیز روٹر۔ ڈیزائن 10-15 یا اس سے کم کی بٹ غلطی کی شرح پر -15 ڈی بی یا اس سے زیادہ چینل attenuation کے ساتھ کام کر سکتے ہیں، جبکہ ٹرانسیور فی 2.25 mW / Gb / s سے کم استعمال کرتے ہوئے.

9da870dbbc32c23013ef92dd9b30db60a3cd7628

3D شکلوں کی غیر سخت رجسٹریشن ایک ضروری کام ہے جس میں بڑھتی ہوئی اہمیت ہے کیونکہ متحرک مناظر کو اسکین کرنے کے لئے کموڈٹی گہرائی سینسر زیادہ وسیع پیمانے پر دستیاب ہوتے ہیں۔ غیر سخت رجسٹریشن سخت رجسٹریشن سے کہیں زیادہ مشکل ہے کیونکہ اس میں ایک واحد عالمی تبدیلی کے بجائے مقامی تبدیلیوں کا ایک سیٹ کا اندازہ لگایا جاتا ہے ، اور اس وجہ سے کم تعین کی وجہ سے اوور فٹنگ کے مسئلے کا شکار ہے۔ پچھلے طریقوں میں عام حکمت مقامی تبدیلی کے اختلافات پر ایک l2 معمول باقاعدگی کا نفاذ کرنا ہے. تاہم ، l2-نارم باقاعدگی سے حل کو بھاری دم تقسیم کے ساتھ آؤٹ لیئرز اور شور کی طرف راغب کرتا ہے ، جس کی تصدیق بدقسمتی سے ہوتی ہے گاوسی تقسیم کی بدقسمتی سے تبدیلی کے اختلافات پر۔ اس کے برعکس ، لیپلیشین تقسیم تبدیلی کے اختلافات کے ساتھ اچھی طرح سے فٹ بیٹھتی ہے ، جو ایک کم سے کم پہلے کے استعمال کی تجویز کرتی ہے۔ ہم تبدیلی کے تخمینے کے لئے ایک 1 - معمول باقاعدہ ماڈل کے ساتھ ایک غیر سخت رجسٹریشن (ایس این آر) طریقہ تجویز کرتے ہیں ، جو بڑھتی ہوئی لاگرینجین فریم ورک کے تحت متبادل سمت طریقہ (اے ڈی ایم) کے ذریعہ مؤثر طریقے سے حل کیا جاتا ہے۔ ہم مضبوط اور ترقی پسند رجسٹریشن کے لئے ایک کثیر قرارداد اسکیم بھی تیار کرتے ہیں. عوامی ڈیٹا سیٹ اور ہمارے اسکین شدہ ڈیٹا سیٹ دونوں کے نتائج ہمارے طریقہ کار کی برتری کو ظاہر کرتے ہیں، خاص طور پر بڑے پیمانے پر مسخوں کے ساتھ ساتھ آؤٹ لیئرز اور شور کو سنبھالنے میں۔

e36ecd4250fac29cc990330e01c9abee4c67a9d6

ایک ناول کا بینڈ دوہری بینڈ دوہری سرکلر پولرائزڈ اینٹینا صف اس خط میں پیش کیا جاتا ہے. ایک دوہری بینڈ اینٹینا کے ساتھ بائیں ہاتھ سرکلر پولرائزیشن کے لئے Ka-بینڈ ڈاؤن لنک تعدد اور دائیں ہاتھ سرکلر پولرائزیشن کے لئے Ka-بینڈ اپ لنک تعدد کے ساتھ کمپیکٹ انکیولر رنگ سلاٹ کے ساتھ احساس ہوا ہے. ترتیب وار گردش کی تکنیک کو لاگو کرنے سے ، اچھی کارکردگی کے ساتھ 2 × 2 سبریری حاصل کی جاتی ہے۔ یہ خط ڈیزائن کے عمل کی وضاحت کرتا ہے اور تخروپن اور پیمائش کے نتائج پیش کرتا ہے.

0bb71e91b29cf9739c0e1334f905baad01b663e6

اس کاغذ میں ایل ٹی ای نیٹ ورکس میں تعینات بیٹری سے چلنے والے آلات کے لئے توانائی کی کھپت کو کم سے کم کرنے کے لئے شیڈولنگ اور ٹرانسمیشن پاور کنٹرول کی تحقیقات کی جاتی ہیں. مشین قسم کے صارفین کی ایک بڑی تعداد کے لئے موثر شیڈولنگ کے قابل بنانے کے لئے، ایک ناول تقسیم سکیم مشین نوڈس مقامی کلسٹر تشکیل دے اور کلسٹر سر کے ذریعے بیس اسٹیشن کے ساتھ بات چیت کرنے کی اجازت دینے کے لئے تجویز کیا جاتا ہے. پھر، ایل ٹی ای نیٹ ورک میں اپلنک شیڈولنگ اور پاور کنٹرول متعارف کرایا جاتا ہے اور زندگی کے شعور کے حل کی تحقیقات کی جاتی ہیں جو کلسٹر سر اور بیس اسٹیشن کے درمیان مواصلات کے لئے استعمال کیا جاتا ہے. عین مطابق حل کے علاوہ ، کم پیچیدگی والے سب آپٹم حل اس کام میں پیش کیے گئے ہیں جو بہت کم کمپیوٹیشنل پیچیدگی کے ساتھ قریب سے زیادہ سے زیادہ کارکردگی حاصل کرسکتے ہیں۔ کارکردگی کی تشخیص سے پتہ چلتا ہے کہ نیٹ ورک کی زندگی کی مدت کو تجویز کردہ پروٹوکول کا استعمال کرتے ہوئے نمایاں طور پر بڑھا دیا جاتا ہے.

6dc4be33a07c277ee68d42c151b4ee866108281f

کمپریشن پیمائش سے کووریئنس میٹرکس کا تخمینہ حال ہی میں سائنس اور انجینئرنگ کے مختلف شعبوں میں کافی تحقیقی کوششوں کو راغب کیا ہے۔ مشاہدات کی چھوٹی تعداد کی وجہ سے، کوویاریئنس میٹرکس کا تخمینہ ایک شدید خراب مسئلہ ہے. یہ کو ویریئنس میٹرکس کی ساخت کے بارے میں پہلے کی معلومات کا استحصال کرکے قابو پایا جاسکتا ہے۔ یہ کاغذ کمپریسوی پیمائش کے تحت اعلی جہتی کووریئنس میٹرکس تخمینہ کے مسئلے کے لئے موہک فارمولیشنوں اور متعلقہ حلوں کی ایک کلاس پیش کرتا ہے ، جو مثبت نیم طے شدہ ہونے کے علاوہ ، حل پر ٹوپلٹز ، اسپارنیس ، نول پیٹرن ، کم درجہ ، یا کم پرموٹڈ رینک ڈھانچے کو عائد کرتا ہے۔ اصلاح کے مسائل کو حل کرنے کے لئے ، ہم نے کو ویریئنس بذریعہ بڑھا ہوا لاگرینجین سکڑنے الگورتھم (CoVALSA) متعارف کرایا ، جو اسپلٹ بڑھا ہوا لاگرینجین سکڑنے الگورتھم (SALSA) کی ایک مثال ہے۔ ہم ریاستی فن الگورتھم کے ساتھ مقابلے میں ہمارے نقطہ نظر کی تاثیر کی وضاحت.

05357314fe2da7c2248b03d89b7ab9e358cbf01e

تمام حقوق محفوظ ہیں۔ اس کتاب کا کوئی بھی حصہ کسی بھی شکل میں کسی بھی الیکٹرانک یا مکینیکل ذرائع (فوٹو کاپی، ریکارڈنگ، یا معلومات کے ذخیرہ اور بازیافت سمیت) کے بغیر پبلشر کی تحریری اجازت کے بغیر دوبارہ پیش نہیں کیا جا سکتا.

06d0a9697a0f0242dbdeeff08ec5266b74bfe457

ہم قدرتی زبان کے درختوں کے ڈھانچے کے لئے ایک نیا جنریٹر ماڈل پیش کرتے ہیں جس میں سیمنٹک (لفظی انحصار) اور نحوی ڈھانچے کو الگ الگ ماڈلز کے ساتھ اسکور کیا جاتا ہے۔ یہ فیکٹرائزیشن تصوراتی سادگی ، اجزاء کے ماڈلز کو الگ الگ بہتر بنانے کے لئے براہ راست مواقع فراہم کرتی ہے ، اور کارکردگی کی سطح پہلے ہی اسی طرح کے ، غیر فیکٹرڈ ماڈلز کی سطح سے قریب ہے۔ سب سے اہم بات یہ ہے کہ ، دوسرے جدید تجزیہ ماڈلز کے برعکس ، فیکٹرڈ ماڈل نے ایک انتہائی موثر تجزیہ الگورتھم کی فراہمی کی ، جو موثر ، درست استنباط کو ممکن بناتا ہے۔

8f76334bd276a2b92bd79203774f292318f42dc6

یہ کاغذ ایک L کے سائز کا تحقیقات کی طرف سے کھلایا ایک سرکلر سینگ اینٹینا کے ساتھ نمٹنے کے. 50 اومیگا سماکشیی کیبل سے ملنے والے براڈبینڈ کے لئے ڈیزائن کا عمل ، اور محوری تناسب اور فائدہ میں اینٹینا کی کارکردگی پیش کی گئی ہے۔ اس کاغذ کے تخروپن کے نتائج Ansoft HFSS 9.2 کا استعمال کرتے ہوئے حاصل کیا گیا تھا

41c987b8a7e916d56fed2ea7311397e0f2286f3b

روایتی نقطہ نظر کے برعکس جو نیٹ ورک کی سطح پر کوانٹائزیشن پر توجہ مرکوز کرتے ہیں ، اس کام میں ہم ٹینسر کی سطح پر کوانٹائزیشن اثر کو کم سے کم کرنے کی تجویز کرتے ہیں۔ ہم کم صحت سے متعلق نیٹ ورکس میں کوانٹائزیشن شور اور کٹائی کی خرابی کے درمیان تجارت کا تجزیہ کرتے ہیں. ہم مختلف ٹینسرز کے اعدادوشمار کی نشاندہی کرتے ہیں، اور کلپنگ کی وجہ سے اوسط مربع غلطی خرابی کے لئے عین مطابق اظہار حاصل کرتے ہیں. ان اظہار کو بہتر بنانے کے ذریعے، ہم معیاری کوانٹائزیشن کے منصوبوں پر نمایاں بہتری دکھاتے ہیں جو عام طور پر کٹائی سے بچنے کے لئے. مثال کے طور پر، صرف درست کلپنگ اقدار کو منتخب کرکے، 40٪ سے زائد درستگی کو بہتر بنانے کے لئے VGG16-BN کی مقدار میں 4 بٹس کی درستگی حاصل کی جاتی ہے. ہمارے نتائج کو تربیت اور استنباط وقت دونوں میں اعصابی نیٹ ورکس کی مقدار کے لئے بہت سے ایپلی کیشنز ہیں. ایک فوری درخواست نیورل نیٹ ورک کو کم صحت سے متعلق تیز کرنے والے کو وقت کے ساتھ ٹھیک ٹننگ یا مکمل ڈیٹا سیٹ کی دستیابی کے بغیر تیزی سے تعیناتی کے لئے ہے.

1bde4205a9f1395390c451a37f9014c8bea32a8a

رینج امیجز میں مطلوبہ اشیاء کو پہچاننا اور ان کا پتہ لگانا روبوٹک ہیرا پھیری اور نیویگیشن کے لئے اہم کردار ادا کرتا ہے۔ اگرچہ اس کا مستقل مطالعہ کیا گیا ہے ، لیکن یہ اب بھی ایک چیلنجنگ کام ہے جو بندش اور گندگی کے ساتھ مناظر کے لئے ہے۔

242caa8e04b73f56a8d4adae36028cc176364540

ہم ووٹنگ پر مبنی پوزیشن تخمینہ الگورتھم تجویز کرتے ہیں جو 3D سینسرز پر لاگو ہوتا ہے، جو بہت سے روبوٹکس، کمپیوٹر ویژن، اور گیمنگ ایپلی کیشنز میں اپنے 2D ہم منصبوں کی جگہ تیزی سے لے رہے ہیں۔ حال ہی میں یہ دکھایا گیا ہے کہ ایک جوڑے کی طرف سے مبنی 3D پوائنٹس، جو عام طور پر اشیاء کی سطح پر پوائنٹس ہیں، ایک ووٹنگ فریم ورک میں تیز رفتار اور مضبوط پوزیشن کا اندازہ لگانے کے قابل بناتا ہے. اگرچہ واقف سطح کے نکات کافی منحنی تبدیلیوں والی اشیاء کے لئے امتیازی ہیں ، لیکن وہ بہت سے صنعتی اور حقیقی دنیا کی اشیاء کے لئے کافی کمپیکٹ اور امتیازی نہیں ہیں جو زیادہ تر فلیٹ ہیں۔ چونکہ 2D رجسٹریشن میں کناروں کا کلیدی کردار ہے ، 3D میں گہرائی کی رکاوٹیں اہم ہیں۔ اس مقالے میں، ہم تحقیق اور پوزیشن تخمینہ الگورتھم کے ایک خاندان کو تیار کرتے ہیں جو اس حد کی معلومات کو بہتر طور پر استحصال کرتے ہیں. اس کے علاوہ، ہم دو دیگر بنیادیات استعمال کرتے ہیں: ہدایات اور سرحدی لائن حصوں کے ساتھ سرحدی پوائنٹس. ہمارے تجربات سے پتہ چلتا ہے کہ یہ احتیاط سے منتخب شدہ پرائمری زیادہ معلومات کو کمپیکٹ طریقے سے انکوڈ کرتے ہیں اور اس طرح صنعتی حصوں کی ایک وسیع کلاس کے لئے اعلی درستگی فراہم کرتے ہیں اور تیز تر حساب کتاب کو قابل بناتے ہیں۔ ہم نے ایک عملی روبوٹ ٹن-پک اپ نظام کا مظاہرہ کیا ہے جس میں تجویز کردہ الگورتھم اور تھری ڈی سینسر استعمال کیا گیا ہے۔

5df318e4aac5313124571ecc7e186cba9e84a264

سرکاری موبائل ایپ مارکیٹوں میں بار بار ہونے والی میلویئر کی بڑھتی ہوئی تعداد اختتامی صارفین کی ذاتی اور حساس معلومات کی رازداری اور رازداری کے لئے ایک اعلی سیکیورٹی خطرہ ہے۔ تعلیمی اور صنعتی شعبوں میں سیکیورٹی کے محققین اور انجینئرز کے لیے اختتامی صارف کے آلات کو مخالف ایپس کے شکار ہونے سے بچانا ایک تکنیکی اور تحقیقی چیلنج ہے۔ ایپ مارکیٹوں میں سیکیورٹی کے طریقوں اور تجزیہ چیک کے باوجود ، میلویئر دفاع کے ذریعے گھس جاتا ہے اور صارف کے آلات کو متاثر کرتا ہے۔ میلویئر کے ارتقاء نے اسے نفیس اور متحرک طور پر بدلتے ہوئے سافٹ ویئر کو دیکھا ہے جو عام طور پر جائز ایپس کی طرح چھپایا جاتا ہے۔ انتہائی اعلی درجے کی فرار تکنیکوں کا استعمال ، جیسے خفیہ کوڈ ، دھندلاپن اور متحرک کوڈ اپ ڈیٹ وغیرہ ، نئے میلویئر میں پائے جانے والے عام طریقوں ہیں۔ متحرک کوڈ اپ ڈیٹس کے فرار استعمال کے ساتھ ، ایک میلویئر ایک اچھے ایپ کا بہانہ بناتا ہے تجزیہ چیک کو نظرانداز کرتا ہے اور صارف کے آلے پر انسٹال ہونے پر ہی اس کی بدنیتی پر مبنی فعالیت کو ظاہر کرتا ہے۔ یہ مقالہ اینڈرائیڈ ایپس میں متحرک کوڈ اپ ڈیٹس کے استعمال اور استعمال کے طریقہ کار پر مکمل مطالعہ فراہم کرتا ہے۔ اس کے علاوہ، ہم ایک ہائبرڈ تجزیہ نقطہ نظر، StaDART، جس میں متحرک کوڈ اپ ڈیٹس کی موجودگی میں ایپس کا تجزیہ کرنے کے لئے جامد تجزیہ تکنیک کی موروثی خامیوں کو ڈھکنے کے لئے جامد اور متحرک تجزیہ interleaves تجویز. حقیقی دنیا کی ایپس پر ہمارے تشخیص کے نتائج StaDART کی تاثیر کا مظاہرہ کرتے ہیں۔ تاہم، عام طور پر متحرک تجزیہ، اور اس معاملے کے لئے ہائبرڈ تجزیہ بھی، ایپ کے رویے کو فروغ دینے کا مسئلہ لاتا ہے جو خود کار طریقے سے تجزیہ کے اوزار کے لئے ایک غیر معمولی چیلنج ہے. اس مقصد کے لئے، ہم ایک پیچھے کی طرف سے کاٹنے کی بنیاد پر ھدف بنائے گئے انٹر اجزاء کوڈ راستوں پر عملدرآمد کی تکنیک، ٹی آئی سی سی کی تجویز کرتے ہیں. ٹی آئی سی سی ایپ میں ہدف کے نقطہ سے شروع ہونے والے کوڈ کے راستوں کو نکالنے کے لئے بیک بیک سلائسنگ میکانزم کا فائدہ اٹھاتا ہے۔ یہ ایک نظام انحصار گراف کا استعمال کرتا ہے کوڈ کے راستوں کو نکالنے کے لئے جس میں انٹر اجزاء مواصلات شامل ہیں. نکالا کوڈ راستوں پھر حساس متحرک رویے پر قبضہ کرنے، متحرک کوڈ اپ ڈیٹس اور دھندلاپن کو حل کرنے کے لئے ایپ کے تناظر کے اندر اندر آلات اور پھانسی دے رہے ہیں. ٹی آئی سی سی کے ہمارے جائزے سے پتہ چلتا ہے کہ اسے اینڈروئیڈ ایپس میں انٹرکومپوننٹ کوڈ راستوں کے ہدف پر عمل درآمد کے لئے موثر طریقے سے استعمال کیا جاسکتا ہے۔ اس کے علاوہ، اب بھی مخالفین صارف آلات تک پہنچنے کے امکان کو خارج نہیں کرتے، ہم ایک فون پر API ہک تجویز

5ed4b57999d2a6c28c66341179e2888c9ca96a25

اس مضمون میں، ہم ایجنٹوں کی ترقی کے مقصد کی طرف کام کرتے ہیں جو پیچیدہ دنیا میں کام کرنا سیکھ سکتے ہیں. ہم ایک ممکنہ، رشتہ دار منصوبہ بندی کے قاعدہ کی نمائندگی تیار کرتے ہیں جو کمپیکٹ ماڈل شور، غیر متعین کارروائی کے اثرات، اور ظاہر کرتے ہیں کہ اس طرح کے قواعد کو مؤثر طریقے سے سیکھا جا سکتا ہے. سادہ منصوبہ بندی کے شعبوں میں تجربات اور حقیقت پسندانہ طبیعیات کے ساتھ ایک 3D تخروپن بلاکس دنیا کے ذریعے، ہم اس سیکھنے الگورتھم ایجنٹوں کو مؤثر طریقے سے دنیا کی حرکیات ماڈل کرنے کی اجازت دیتا ہے کہ ظاہر.

55c769b5829ca88ba940e0050497f4956c233445

بصری اوڈومیٹری کو گہرائی کی معلومات سے بڑھایا جاسکتا ہے جیسے آر جی بی-ڈی کیمروں کے ذریعہ فراہم کردہ ، یا کیمروں سے وابستہ لیڈرز سے۔ تاہم، اس طرح کی گہرائی کی معلومات سینسر کی طرف سے محدود ہوسکتی ہے، بصری تصاویر میں بڑے علاقوں کو چھوڑ کر جہاں گہرائی دستیاب نہیں ہے. یہاں، ہم کیمرے کی تحریک کی وصولی میں گہرائی کا استعمال کرنے کے لئے ایک طریقہ تجویز کرتے ہیں، یہاں تک کہ اگر کم دستیاب ہو. اس کے علاوہ، طریقہ کار پہلے سے اندازہ شدہ تحریک کا استعمال کرتے ہوئے تحریک سے ساخت کی طرف سے گہرائی کا استعمال کرتا ہے، اور نمایاں بصری خصوصیات جس کے لئے گہرائی دستیاب نہیں ہے. لہذا ، یہ طریقہ آر جی بی ڈی بصری اوڈومیٹری کو بڑے پیمانے پر ، کھلی ماحول تک بڑھا سکتا ہے جہاں گہرائی اکثر کافی حاصل نہیں کی جاسکتی ہے۔ ہمارے طریقہ کار کا بنیادی ایک بنڈل ایڈجسٹمنٹ مرحلہ ہے جو بیچ کی اصلاح میں تصاویر کے ایک سلسلے کو پروسیسنگ کرکے متوازی طور پر تحریک کے تخمینوں کو بہتر بناتا ہے۔ ہم نے اپنے طریقہ کار کا جائزہ تین سینسر سیٹ اپ میں لیا ہے، ایک RGB-D کیمرے کا استعمال کرتے ہوئے، اور دو کیمرے اور 3D لیڈار کے مجموعے کا استعمال کرتے ہوئے. ہمارے طریقہ کار کو سینسنگ موڈالٹی سے قطع نظر KITTI اوڈومیٹری بینچ مارک پر # 4 درجہ دیا گیا ہے - اسٹیریو بصری اوڈومیٹری طریقوں کے مقابلے میں جو مثلث کے ذریعہ گہرائی کو بازیافت کرتے ہیں۔ نتیجے میں اوسط پوزیشن کی غلطی 1.14٪ سفر کی دوری ہے.

0c668ee24d58ecca165f788d40765e79ed615471

9cccd211c9208f790d71fa5b3499d8f827744aa0

تعلیمی ڈیٹا مائننگ کے ذریعے مختلف تعلیمی پر مبنی مسائل حل کیے جاتے ہیں ، جو ڈیٹا مائننگ کی سب سے زیادہ عام ایپلی کیشنز ہیں۔ اس مقالے کا ایک اہم مقصد ای ڈی ایم پر کئے گئے حالیہ کام کا مطالعہ کرنا اور ان کی خوبیوں اور خرابیوں کا تجزیہ کرنا ہے۔ اس مقالے میں سروے شدہ مضامین میں استعمال ہونے والے مختلف ڈیٹا مائننگ طریقوں اور تکنیکوں کے مجموعی نتائج پر بھی روشنی ڈالی گئی ہے ، اور اس طرح محققین کو ای ڈی ایم پر مستقبل کی سمتوں پر مشورہ دیا گیا ہے۔ اس کے علاوہ، مستقبل کی تحقیق کے لئے سب سے زیادہ قابل اعتماد الگورتھم کا مشاہدہ کرنے کے لئے، کچھ درجہ بندی اور کلسٹرنگ الگورتھم کا اندازہ کرنے کے لئے ایک تجربہ بھی کیا گیا تھا.

197a7fc2f8d57d93727b348851b59b34ce990afd

ایس آر آئی ایل ایم C ++ لائبریریوں ، قابل عمل پروگراموں اور مددگار اسکرپٹس کا ایک مجموعہ ہے جو تقریر کی شناخت اور دیگر ایپلی کیشنز کے لئے شماریاتی زبان کے ماڈل کی تیاری اور تجربات دونوں کی اجازت دینے کے لئے ڈیزائن کیا گیا ہے۔ SRILM غیر تجارتی مقاصد کے لئے آزادانہ طور پر دستیاب ہے. ٹول کٹ این گرام کے اعدادوشمار پر مبنی مختلف قسم کے زبان ماڈل کی اقسام کی تخلیق اور تشخیص کے ساتھ ساتھ متعدد متعلقہ کاموں ، جیسے شماریاتی ٹیگنگ اور این بہترین فہرستوں اور لفظ کی جالیوں کی ہیرا پھیری کی حمایت کرتا ہے۔ اس کاغذ میں ٹول کٹ کی فعالیت کا خلاصہ کیا گیا ہے اور اس کے ڈیزائن اور نفاذ پر تبادلہ خیال کیا گیا ہے ، جس میں تیزی سے پروٹو ٹائپنگ ، دوبارہ استعمال اور ٹولز کے امتزاج کی آسانی پر روشنی ڈالی گئی ہے۔

12f661171799cbd899e1ff4ae0a7e2170c3d547b

شماریاتی زبان کے ماڈل تقریر کی شناخت اور دیگر زبان کی ٹیکنالوجی کے مقصد کے لئے مختلف قدرتی زبان کے مظاہر کی تقسیم کا اندازہ لگاتے ہیں. چونکہ 1980 میں پہلا اہم ماڈل تجویز کیا گیا تھا، فن کی حالت کو بہتر بنانے کے لئے بہت سے کوششیں کی گئی ہیں. ہم ان کا جائزہ لیتے ہیں، چند امید افزا سمتوں کی طرف اشارہ کرتے ہیں، اور اعداد و شمار کے ساتھ لسانی نظریات کے انضمام کے لئے بیسیئن نقطہ نظر کے لئے بحث کرتے ہیں.

395f4b41578c3ff5139ddcf9e90eb60801b50394

سی ایم یو شماریاتی زبان ماڈلنگ ٹول کٹ کو بیگرام اور ٹرائیگرام زبان ماڈل کی تعمیر اور جانچ کی سہولت کے لئے دوبارہ کرایہ پر لیا گیا تھا۔ یہ فی الحال 200 سے زیادہ ممالک میں تعلیمی حکومت اور صنعتی لیبارٹریوں میں استعمال میں ہے۔ یہ کاغذ ٹول کٹ کا ایک نیا ورژن پیش کرتا ہے۔ ہم ٹول کٹ میں لاگو روایتی زبان ماڈلنگ ٹکنالوجی کی خاکہ پیش کرتے ہیں اور اس اضافی کارکردگی اور فعالیت کی وضاحت کرتے ہیں جو نیا ٹول کٹ اس کام کے لئے سابقہ سافٹ ویئر کے مقابلے میں فراہم کرتا ہے۔ آخر میں ہم ایک سادہ زبان ماڈل کی تعمیر اور جانچ میں ٹول کٹ کے استعمال کا جائزہ لیتے ہیں۔

0b8f4edf1a7b4d19d47d419f41cde432b9708ab7

ہم سلکان سے بھرے مربوط ویو گائیڈز کی تیاری کے لئے ایک ٹکنالوجی پیش کرتے ہیں جس سے کم نقصان والے اعلی کارکردگی والے ملی میٹر ویو غیر فعال اجزاء اور اعلی فائدہ والے سرنی اینٹینا کی حقیقت کو ممکن بنایا جاسکتا ہے ، اس طرح انتہائی مربوط ملی میٹر ویو سسٹم کی حقیقت کو آسان بنایا جاسکتا ہے۔ مجوزہ ٹیکنالوجی اعلی ہندسی درستگی اور مسلسل دھاتی طرف دیواروں کے ساتھ مستطیل waveguides ضم کرنے کے لئے ایلومینیم دھات کاری اقدامات کے ساتھ گہری رد عمل آئن-etching (DRIE) تکنیک کا استعمال کرتا ہے. مربوط مستطیل ویو گائیڈز کی پیمائش کے نتائج کی اطلاع دی گئی ہے کہ 105 گیگا ہرٹز پر 0. 15 ڈی بی ایل / ایل جی کے نقصانات کی نمائش کی گئی ہے۔ اس کے علاوہ، الٹرا وائڈ بینڈ کوپلانار سے ویو گائیڈ منتقلی کے ساتھ 0.6 ڈی بی داخل ہونے والے نقصان کے ساتھ 105 گیگاہرٹج اور واپسی کے نقصان سے 80 سے 110 گیگاہرٹج سے 15 ڈی بی سے بہتر بیان کیا گیا ہے. ایک فریکوئنسی اسکیننگ سلاٹڈ ویو گائیڈ آرری اینٹینا کے ڈیزائن ، انضمام اور ماپا کارکردگی کی اطلاع دی گئی ہے ، جس میں 23 گیگا ہرٹز کے بینڈ میں 82 ° کی ماپنے والی بیم اسٹیئرنگ کی صلاحیت اور 96 گیگا ہرٹز پر 8.5 ° کی آدھی طاقت بیم چوڑائی (HPBW) حاصل کی گئی ہے۔ آخر میں ، کم لاگت ملی میٹر ویو سسٹم لیول انضمام کی سہولت کے ل this اس ٹکنالوجی کی صلاحیت کو ظاہر کرنے کے لئے ، امیجنگ ریڈار ایپلی کیشنز کے لئے ایک فریکوئینسی ماڈیولڈ مسلسل لہر (ایف ایم سی ڈبلیو) ٹرانسمیٹر وصول آئی سی کو براہ راست مربوط صف پر فلیپ چپ لگایا جاتا ہے اور تجرباتی طور پر خصوصیات کی جاتی ہے۔

31864e13a9b3473ebb07b4f991f0ae3363517244

یہ کاغذ کنارے کا پتہ لگانے کے لئے ایک کمپیوٹیشنل نقطہ نظر کی وضاحت کرتا ہے. نقطہ نظر کی کامیابی کنارے پوائنٹس کے حساب کے لئے اہداف کی ایک جامع سیٹ کی تعریف پر منحصر ہے. ان اہداف کو حل کی شکل کے بارے میں کم سے کم مفروضے کرتے ہوئے ڈیٹیکٹر کے مطلوبہ رویے کو محدود کرنے کے لئے کافی عین مطابق ہونا ضروری ہے۔ ہم کناروں کی ایک کلاس کے لئے پتہ لگانے اور مقامیت کے معیار کی وضاحت کرتے ہیں ، اور آپریٹر کے امپیلس رسپانس پر فنکشنل کے طور پر ان معیارات کے لئے ریاضی کی شکلیں پیش کرتے ہیں۔ ایک تیسرا معیار اس کے بعد شامل کیا جاتا ہے کہ اس بات کا یقین کرنے کے لئے کہ ڈیٹیکٹر صرف ایک کنارے پر صرف ایک جواب ہے. ہم عددی اصلاح میں معیار کا استعمال کرتے ہیں کئی عام تصویر کی خصوصیات کے لئے ڈٹیکٹر حاصل کرنے کے لئے، قدم کناروں سمیت. مرحلے کے کناروں پر تجزیہ کی مہارت پر، ہم یہ دیکھتے ہیں کہ پتہ لگانے اور مقام کی کارکردگی کے درمیان ایک قدرتی غیر یقینی اصول ہے، جو دو اہم مقاصد ہیں. اس اصول کے ساتھ ہم ایک ہی آپریٹر شکل حاصل کرتے ہیں جو کسی بھی پیمانے پر زیادہ سے زیادہ ہے. زیادہ سے زیادہ ڈیٹیکٹر میں ایک سادہ قریب عمل درآمد ہے جس میں کناروں کو گاوسیان ہموار تصویر کے گریڈینٹ کی مقدار میں زیادہ سے زیادہ نشان لگا دیا جاتا ہے۔ ہم اس سادہ ڈیٹیکٹر کو کئی چوڑائیوں کے آپریٹرز کا استعمال کرتے ہوئے بڑھا دیتے ہیں تاکہ تصویر میں سگنل-شور کے مختلف تناسب کا مقابلہ کیا جا سکے۔ ہم ایک عام طریقہ پیش کرتے ہیں، خصوصیت کی ترکیب کہا جاتا ہے، مختلف پیمانوں پر آپریٹرز سے معلومات کے ٹھیک سے بھاری انضمام کے لئے. آخر میں ہم قدم کنارے ڈیٹیکٹر کی کارکردگی کافی بہتر ہے کہ آپریٹر نقطہ پھیلاؤ تقریب کنارے کے ساتھ ساتھ توسیع کر رہا ہے کہ دکھاتے ہیں.

b41c45b2ca0c38a4514f0779395ebdf3d34cecc0

7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e

چہرے پیچیدہ، کثیر جہتی، معنی خیز بصری محرکات کی نمائندگی کرتے ہیں اور چہرے کی شناخت کے لئے کمپیوٹیشنل ماڈل تیار کرنا مشکل ہے [42]. ہم ایک ہائبرڈ نیورل نیٹ ورک حل پیش کرتے ہیں جو دوسرے طریقوں کے ساتھ موافق ہے. یہ نظام مقامی تصویر نمونے لینے، ایک خود منظم نقشہ نیورل نیٹ ورک، اور ایک کنولول نیورل نیٹ ورک کو یکجا کرتا ہے. خود منظم نقشہ ایک ٹوپولوجیکل جگہ میں تصویر کے نمونے کی مقدار فراہم کرتا ہے جہاں ان پٹ جو اصل جگہ میں قریب ہیں وہ آؤٹ پٹ کی جگہ میں بھی قریب ہیں ، اس طرح تصویر کے نمونے میں معمولی تبدیلیوں کو جہتی ریڈکشن اور عدم استحکام فراہم کرتے ہیں ، اور کنولولی نیورل نیٹ ورک ترجمے ، گردش ، پیمانے اور اخترتی کے لئے جزوی عدم استحکام فراہم کرتا ہے۔ کنوولول نیٹ ورک کام پرتوں کے درجہ بندی سیٹ میں کامیابی سے بڑے خصوصیات کو نکالتا ہے۔ ہم خود منظم نقشے کی جگہ Karhunen - Loève تبدیل کا استعمال کرتے ہوئے نتائج پیش کرتے ہیں، اور ایک کثیر پرت perceptron کے بجائے convolutional نیٹ ورک. Karhunen-Loève تبدیل تقریبا طور پر اچھی طرح سے کام کرتا ہے (5.3٪ غلطی کے مقابلے میں 3.8٪). ملٹی لیئر پرسپٹرون بہت خراب کارکردگی کا مظاہرہ کرتا ہے (40٪ غلطی کے مقابلے میں 3.8٪). یہ طریقہ تیزی سے درجہ بندی کرنے کی صلاحیت رکھتا ہے، صرف تیز رفتار، تقریبا معمول اور پری پروسیسنگ کی ضرورت ہوتی ہے، اور مسلسل ڈیٹا بیس پر خود کی طرف سے نقطہ نظر [42] کے مقابلے میں بہتر درجہ بندی کی کارکردگی کا مظاہرہ کرتا ہے. 5 امیج فی شخص کے ساتھ تجویز کردہ طریقہ کار اور eigenfaces نتیجے میں 3.8٪ اور 10.5٪ غلطی بالترتیب. ریکنیسر اس کی پیداوار میں اعتماد کا ایک پیمانہ فراہم کرتا ہے اور درجہ بندی کی غلطی صفر کے قریب ہوتی ہے جب صرف 10٪ مثالوں کو مسترد کرتے ہیں۔ ہم نے 40 افراد کی 400 تصاویر کا ڈیٹا بیس استعمال کیا ہے جس میں اظہار، پوز اور چہرے کی تفصیلات میں کافی حد تک تغیر پایا جاتا ہے۔ ہم کمپیوٹیشنل پیچیدگی کا تجزیہ کرتے ہیں اور اس بات پر تبادلہ خیال کرتے ہیں کہ تربیت یافتہ شناخت کنندہ میں نئی کلاسیں کیسے شامل کی جاسکتی ہیں۔

5dd9dc47c4acc9ea3e597751194db52119398ac6

شفٹ رجسٹر ایک قسم کا ترتیب وار منطقی سرکٹ ہے جو زیادہ تر ڈیجیٹل ڈیٹا کو اسٹور کرنے یا نظام کی سیکیورٹی کو بہتر بنانے کے لئے ریڈیو فریکوئنسی شناخت (آر ایف آئی ڈی) ایپلی کیشنز میں بائنری نمبروں کی شکل میں ڈیٹا کی منتقلی کے لئے استعمال ہوتا ہے۔ اس مضمون میں ایک طاقت سے موثر تبدیلی کا رجسٹر استعمال کرتے ہوئے ایک نئے فلپ فلاپ کے ساتھ ایک مبہم نبض سے شروع ہونے والی ساخت پیش کی گئی ہے۔ مجوزہ فلیپ فلاپ اعلی کارکردگی اور کم طاقت کی خصوصیات ہے. یہ پانچ ٹرانزسٹرز کی طرف سے لاگو ایک نمونے لینے سرکٹ، اضافہ اور زوال راستوں کے لئے ایک C-عنصر، اور ایک کیپر مرحلے پر مشتمل ہے. چار گھڑی ٹرانزسٹرز کو ایک ساتھ مل کر منتقلی کی حالت کی تکنیک کے ساتھ انجام دینے سے رفتار میں اضافہ کیا جاتا ہے۔ تخروپن کے نتیجے میں تصدیق ہوتی ہے کہ مجوزہ ٹوپولوجی میں بالترتیب 22 μm2 چپ کے رقبے پر محیط متوازی ان - متوازی آؤٹ (پی آئی پی او) اور سیریل ان - سیریل آؤٹ (ایس آئی ایس او) شفٹ رجسٹر کے لئے کم سے کم مقدار میں 30.1997 اور 22.7071 نیوکٹ بجلی استعمال ہوتی ہے۔ مجموعی ڈیزائن میں صرف 16 ٹرانجسٹرز شامل ہیں اور اس میں 130 این ایم تکمیلی میٹل آکسائڈ سیمی کنڈکٹر (سی ایم او ایس) ٹیکنالوجی میں 1.2 وی بجلی کی فراہمی کے ساتھ نقالی کی گئی ہے۔

d76beb59a23c01c9bec1940c4cec1ca26e00480a

ایئر فورس ریسرچ لیبارٹری نے دو دماغ کمپیوٹر انٹرفیس (بی سی آئی) کو نافذ کیا ہے اور اس کا جائزہ لیا ہے جو مستحکم حالت میں بصری طور پر پیدا ہونے والے ردعمل کو جسمانی ڈیوائس یا کمپیوٹر پروگرام کو چلانے کے لئے کنٹرول سگنل میں ترجمہ کرتا ہے۔ ایک نقطہ نظر میں، آپریٹرز دماغ کے جواب کو خود کو منظم کرتے ہیں؛ دوسرا نقطہ نظر متعدد حوصلہ افزائی ردعمل کا استعمال کرتا ہے.

8a65dc637d39c14323dccd5cbcc08eed2553880e

اس مضمون میں جنوبی افریقہ میں ضلعی انتظامیہ کی حمایت کے لئے صحت کے انفارمیشن سسٹم تیار کرنے کے لئے جاری ایکشن ریسرچ پروجیکٹ کے ابتدائی دور (1994-2001) کی وضاحت کی گئی ہے۔ اپارتھائیڈ کے بعد جنوبی افریقہ میں صحت کے شعبے کی تعمیر نو صحت کی خدمات کی فراہمی میں مساوات کے لئے جدوجہد اور صحت کے اضلاع پر مبنی ایک غیر مرکزی ڈھانچے کی تعمیر. انفارمیشن سسٹم (آئی ایس) کی ترقی کے لحاظ سے ، اس اصلاحاتی عمل کا ترجمہ صحت کے اعداد و شمار کے معیاری بنانے میں ہوتا ہے جس میں مقامی کنٹرول اور انفارمیشن ہینڈلنگ کے انضمام کو بڑھاوا دے کر نئے جنوبی افریقہ کے اہداف کو درج کیا جاتا ہے۔ ہم عمل کی تحقیق کے لئے ہمارے نقطہ نظر کی وضاحت اور کیس مواد کا تجزیہ کرنے میں اداکار نیٹ ورک اور structuration نظریات سے تصورات کا استعمال. آئی ایس کی ترقی کے عمل کی تفصیلی وضاحت اور تجزیہ میں، ہم معیاری اور مقامی استحکام (مقامی) کو متوازن کرنے کی ضرورت پر توجہ مرکوز کرتے ہیں؛ معیاری طور پر غیر معمولی اداکاروں کی ایک صف کی نیچے سے اوپر کی سیدھ میں دیکھا جاتا ہے. انفارمیشن سسٹم کے ایک سماجی نظام کے ماڈل پر تعمیر، ہم نے ترقی یافتہ اور استعمال کیا جاتا ہے جس کے ڈیزائن کی حکمت عملی تصوراتی عمل کی کھیتی کے طور پر جس کے ذریعے ان اداکاروں کو ترجمہ اور ان کے مفادات کو سیدھا کر رہے ہیں. ہم عالمی اور مقامی ڈیٹا سیٹ کے ایک ماڈیولر درجہ بندی کو ایک فریم ورک کے طور پر تیار کرتے ہیں جس کے اندر اندر معیاری اور مقامی کاری کے درمیان کشیدگی کو سمجھا اور حل کیا جا سکتا ہے. آخر میں، ہم دوسرے ممالک میں تحقیق کے نتائج کی ممکنہ مطابقت پر تبادلہ خیال کرتے ہیں.

600434c6255c160b53ad26912c1c0b96f0d48ce6

رینڈم فارسٹ ایک کمپیوٹیشنل موثر تکنیک ہے جو بڑے ڈیٹا سیٹ پر تیزی سے کام کر سکتی ہے۔ یہ مختلف ڈومینز میں بہت سے حالیہ تحقیقی منصوبوں اور حقیقی دنیا کی ایپلی کیشنز میں استعمال کیا گیا ہے. تاہم ، متعلقہ ادب میں تقریبا کوئی ہدایات فراہم نہیں کی گئیں کہ بے ترتیب جنگل کی تشکیل کے لئے کتنے درختوں کا استعمال کیا جانا چاہئے۔ یہاں رپورٹ کردہ تحقیق کا تجزیہ کیا جاتا ہے کہ آیا رینڈم فارسٹ کے اندر درختوں کی زیادہ سے زیادہ تعداد موجود ہے ، یعنی ، ایک حد جس سے درختوں کی تعداد میں اضافہ کرنے سے کارکردگی میں کوئی اہم فائدہ نہیں ہوگا ، اور صرف کمپیوٹیشنل لاگت میں اضافہ ہوگا۔ ہمارے اہم نتائج یہ ہیں: درختوں کی تعداد میں اضافہ ہونے کا مطلب یہ نہیں ہے کہ جنگل کی کارکردگی پچھلے جنگلات (کم درخت) سے نمایاں طور پر بہتر ہے ، اور درختوں کی تعداد کو دوگنا کرنا بے معنی ہے۔ یہ بھی ممکن ہے کہ ایک حد ہے جس کے اوپر کوئی اہم فائدہ نہیں ہے، جب تک کہ ایک بہت بڑا کمپیوٹنگ ماحول دستیاب نہیں ہے. اس کے علاوہ، کسی بھی جنگل میں درختوں کی تعداد دوگنی کرنے پر AUC حاصل کرنے کے لئے ایک تجرباتی تعلق پایا گیا تھا. مزید برآں ، جیسے جیسے درختوں کی تعداد بڑھتی ہے ، صفات کا پورا مجموعہ بے ترتیب جنگل کے اندر استعمال ہوتا ہے ، جو بائیو میڈیکل ڈومین میں دلچسپ نہیں ہوسکتا ہے۔ اس کے علاوہ، ڈیٹا سیٹ کثافت کی بنیاد پر میٹرکس یہاں تجویز کردہ شاید فیصلے درختوں پر وی سی طول و عرض کے کچھ پہلوؤں پر قبضہ اور کم کثافت ڈیٹا سیٹ بڑی صلاحیت مشینوں کی ضرورت ہو سکتی ہے جبکہ اس کے برعکس بھی سچ لگ رہا ہے.

4cbadc5f4afe9ac178fd14a6875ef1956a528313

حالیہ برسوں میں ٹیکنالوجی میں ہونے والی ترقی نے چھوٹے سینسر نوڈس کو انٹرنیٹ کے باقی حصوں کے ساتھ وائرلیس مواصلات کا موقع فراہم کیا ہے۔ اس کامیابی کے ساتھ ہی آئی پی سے چلنے والے وائرلیس سینسر نیٹ ورکس (آئی پی-ڈبلیو ایس این) کو محفوظ بنانے کا سوال سامنے آیا اور تب سے یہ ایک اہم تحقیقی موضوع رہا ہے۔ اس مقالے میں ہم نے کنٹیک آپریٹنگ سسٹم کے لئے پہلے سے مشترکہ کلید شفر سوٹ (TLS PSK WITH AES 128 CCM 8) کا استعمال کرتے ہوئے TLS اور DTLS پروٹوکول کے ہمارے نفاذ پر تبادلہ خیال کیا. Contiki OS کی طرف سے حمایت کی پروٹوکول کے سیٹ پر ایک نیا پروٹوکول شامل کرنے کے علاوہ، اس منصوبے ہمیں ٹرانسپورٹ پرت سیکورٹی اور پری مشترکہ کلیدی مینجمنٹ سکیموں IP-WSNs کے لئے مناسب ہیں کا اندازہ کرنے کی اجازت دیتا ہے.

0ab99aa04e3a8340a7552355fb547374a5604b24

بہت سے تشخیصی کاموں کو غیر معمولیات کا پتہ لگانے اور وقت کے ساتھ پیمائش اور تبدیلیوں کی مقدار کی پیمائش کرنے کے لئے ابتدائی تلاش کے عمل کی ضرورت ہوتی ہے. کمپیوٹرائزڈ ٹولز ، خاص طور پر امیج تجزیہ اور مشین لرننگ ، تشخیص کو بہتر بنانے کے لئے کلیدی صلاحیت رکھتے ہیں ، ان نتائج کی نشاندہی کی سہولت فراہم کرتے ہیں جن کے علاج کی ضرورت ہوتی ہے اور ماہر کے کام کے بہاؤ کی حمایت کرنا۔ ان ٹولز میں سے ، گہری سیکھنے تیزی سے جدید ترین بنیاد ثابت ہو رہی ہے ، جس کی وجہ سے درستگی میں بہتری آئی ہے۔ اس نے ڈیٹا تجزیہ میں نئی حدود بھی کھول دی ہیں جو پہلے کبھی نہیں دیکھی گئی تھی۔ D ای ای پی سیکھنا عام اعداد و شمار کے تجزیہ میں بڑھتی ہوئی رجحان ہے اور اسے 2013 کی 10 اہم ٹیکنالوجیوں میں سے ایک قرار دیا گیا ہے۔ [1] گہری سیکھنے مصنوعی نیورل نیٹ ورکس کی بہتری ہے، جس میں زیادہ تہوں پر مشتمل ہے جو اعداد و شمار سے زیادہ سطح کی تجرید اور بہتر پیش گوئی کی اجازت دیتا ہے [2]. آج تک ، یہ عام امیجنگ اور کمپیوٹر ویژن ڈومینز میں مشین لرننگ کے معروف آلے کے طور پر ابھر رہا ہے۔ خاص طور پر، کنولول نیورل نیٹ ورکس (سی این این) کمپیوٹر ویژن کے کاموں کی ایک وسیع رینج کے لئے طاقتور اوزار ثابت ہوئے ہیں. گہرے سی این اینز خود بخود خام اعداد و شمار (مثال کے طور پر ، تصاویر) سے حاصل کردہ درمیانی سطح اور اعلی سطح کے تجرید کو سیکھتے ہیں۔ حالیہ نتائج سے پتہ چلتا ہے کہ سی این این سے نکالا عام ڈیسکٹر قدرتی تصاویر میں آبجیکٹ کی شناخت اور مقام پر انتہائی موثر ہیں۔ دنیا بھر میں طبی تصویری تجزیہ گروپ تیزی سے میدان میں داخل ہو رہے ہیں اور سی این این اور دیگر گہری سیکھنے کے طریقوں کو وسیع پیمانے پر ایپلی کیشنز پر لاگو کر رہے ہیں۔ امید افزا نتائج سامنے آ رہے ہیں طبی امیجنگ میں ، کسی بیماری کی درست تشخیص اور / یا تشخیص کا انحصار امیج حصول اور امیج کی ترجمانی دونوں پر ہوتا ہے۔ حالیہ برسوں میں تصویری حصول میں کافی حد تک بہتری آئی ہے ، آلات تیزی سے اعداد و شمار حاصل کرتے ہیں اور قرارداد میں اضافہ کرتے ہیں۔ تاہم، تصویر کی تشریح کے عمل کو حال ہی میں کمپیوٹر ٹیکنالوجی سے فائدہ اٹھانا شروع ہوا ہے. طبی تصاویر کی زیادہ تر تشریحات ڈاکٹروں کے ذریعہ کی جاتی ہیں۔ تاہم ، انسانوں کے ذریعہ تصویری تشریح اس کی ذاتیت ، ترجمانوں میں بڑی تغیرات اور تھکاوٹ کی وجہ سے محدود ہے۔

5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70

بغیر نگرانی کی تصویری ترجمہ ، جس کا مقصد تصاویر کے دو آزاد سیٹوں کا ترجمہ کرنا ہے ، جوڑے والے ڈیٹا کے بغیر صحیح مماثلتوں کی دریافت میں چیلنج ہے۔ موجودہ کام جنریٹو ایڈورسیریل نیٹ ورکس (جی اے این) پر تعمیر کرتے ہیں تاکہ ترجمہ شدہ تصاویر کی تقسیم کو ہدف سیٹ کی تقسیم سے الگ نہ کیا جاسکے۔ تاہم، اس طرح سیٹ کی سطح کی پابندیاں مثال کی سطح کے خطوط نہیں سیکھ سکتے ہیں (مثال کے طور پر. اعتراض کی تبدیلی کے کام میں سیدھے معنوی حصے). یہ حد اکثر غلط مثبت نتائج (مثال کے طور پر. جیومیٹری یا معنوی دستاویزات) ، اور مزید موڈ کے خاتمے کے مسئلے کی طرف جاتا ہے. مذکورہ بالا مسائل کو حل کرنے کے لئے ، ہم ڈیپ اٹینشن گان (ڈی اے-گان) کے ذریعہ مثال کی سطح پر تصویری ترجمہ کے لئے ایک نیا فریم ورک تجویز کرتے ہیں۔ اس طرح کے ڈیزائن سے ڈی اے-جی اے این کو دو سیٹوں سے نمونے ترجمہ کرنے کے کام کو انتہائی منظم latent space میں ترجمہ کرنے کے معاملات میں توڑنے کے قابل بناتا ہے۔ خاص طور پر، ہم مشترکہ طور پر ایک گہری توجہ انکوڈر سیکھتے ہیں، اور مثال کے طور پر مثال کے طور پر درج ذیل مثالوں پر شرکت کے ذریعے دریافت کیا جا سکتا ہے. لہذا، پابندیاں سیٹ کی سطح اور مثال کی سطح پر دونوں کا استحصال کیا جا سکتا ہے. کئی ریاستی آرٹ کے خلاف موازنہ ہمارے نقطہ نظر کی برتری کا مظاہرہ کرتے ہیں، اور وسیع اطلاق کی صلاحیت، مثال کے طور پر، پوزیشن morphing، ڈیٹا اضافہ، وغیرہ، ڈومین ترجمہ مسئلہ کے مارجن دھکا.1

f1526054914997591ffdb8cd523bea219ce7a26e

اس سال مارچ میں، امریکی شماریاتی ایسوسی ایشن (اے ایس اے) نے پی ویلیو کے درست استعمال پر ایک بیان شائع کیا، اس بڑھتی ہوئی تشویش کے جواب میں کہ پی ویلیو عام طور پر غلط استعمال اور غلط تشریح کی جاتی ہے۔ ہمارا مقصد یہ ہے کہ اے ایس اے کی طرف سے دی گئی ان انتباہات کو ایسی زبان میں ترجمہ کیا جائے جو کلینیشن اور محققین کے لئے اعدادوشمار میں گہری پس منظر کے بغیر آسانی سے سمجھا جائے۔ اس کے علاوہ، ہم پی-قیمتوں کی حدود کو واضح کرنے کا ارادہ رکھتے ہیں، یہاں تک کہ جب استعمال کیا جاتا ہے اور صحیح طریقے سے تشریح کی جاتی ہے، اور دو حال ہی میں رپورٹ کردہ مطالعہ کے طور پر استعمال کرتے ہوئے مطالعہ کے نتائج کے کلینیکل مطابقت پر زیادہ توجہ دینا. ہم اس بات پر زور دیتے ہیں کہ پی-ویلیوز کو اکثر غلط سمجھا جاتا ہے۔ ایک عام غلطی یہ کہنا ہے کہ P <0.05 کا مطلب ہے کہ صفر کا مفروضہ غلط ہے ، اور P ≥0.05 کا مطلب ہے کہ صفر کا مفروضہ درست ہے۔ 0.05 کی پی ویلیو کی صحیح تشریح یہ ہے کہ اگر نل مفروضہ واقعی درست تھا تو ، اسی طرح کے نمونے میں مطالعہ کو دہرانے پر 5٪ اوقات میں ایک ہی یا زیادہ انتہائی نتیجہ سامنے آئے گا۔ دوسرے الفاظ میں، پی ویلیو صفر مفروضے کو دیئے گئے اعداد و شمار کے امکانات کے بارے میں بتاتا ہے اور اس کے ارد گرد نہیں. پی ویلیو سے متعلق ایک ممکنہ متبادل اعتماد کا وقفہ (سی آئی) ہے۔ یہ ایک اثر کی شدت اور غیر درستگی جس کے ساتھ اس اثر کا اندازہ لگایا گیا تھا کے بارے میں مزید معلومات فراہم کرتا ہے. تاہم، پی-ویلیوز کی جگہ لینے اور سائنسی نتائج کی غلط تشریح کو روکنے کے لئے کوئی جادو گولی نہیں ہے. سائنسدانوں اور قارئین دونوں کو اپنے آپ کو اعداد و شمار کے ٹیسٹ، پی-قیمتوں اور سی آئی کی صحیح، واضح تشریح کے ساتھ واقف ہونا چاہئے.

50ca90bc847694a7a2d9a291f0d903a15e408481

ہم انسانی اشاروں کی شناخت کے لئے ایک عام نقطہ نظر کی تجویز کرتے ہیں جو متعدد ڈیٹا طریقوں پر مبنی ہے جیسے گہرائی ویڈیو ، بیان شدہ پوز اور تقریر۔ ہمارے نظام میں، ہر اشارہ بڑے پیمانے پر جسمانی حرکت اور مقامی لطیف حرکتوں جیسے ہاتھ کی جوڑ توڑ میں تحلیل ہوتا ہے۔ متعدد پیمانوں پر سیکھنے کا خیال وقتی جہت پر بھی لاگو ہوتا ہے ، اس طرح کہ اشارہ کو مخصوص حرکت کی تحریکوں ، یا متحرک پوزوں کے ایک سیٹ کے طور پر سمجھا جاتا ہے۔ ہر موڈلٹی کو پہلے الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ الگ آخر میں، ہم بڑے پیمانے پر وقتی انحصار، ڈیٹا فیوژن اور بالآخر اشارہ درجہ بندی ماڈلنگ کے لئے ایک بار بار چلنے والے نیورل نیٹ ورک کا استعمال کرتے ہیں. 2013 کے چیلنج پر ملٹی موڈل اشارہ کی شناخت کے ڈیٹا سیٹ پر ہمارے تجربات نے یہ ظاہر کیا ہے کہ متعدد جگہ اور وقتی پیمانوں پر متعدد طریقوں کا استعمال کرنے سے کارکردگی میں نمایاں اضافہ ہوتا ہے جس سے ماڈل کو انفرادی درجہ بندی کرنے والوں کی غلطیوں کے ساتھ ساتھ الگ الگ چینلز میں شور کی تلافی کرنے کی اجازت ملتی ہے۔

586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6

ہم غیر نگرانی کے طریقہ کار کو پیش کرتے ہیں جو کہ چھوٹی تبدیلیوں اور مسخوں کے لئے غیر متغیر ہیں. نتیجے میں خصوصیت نکالنے والے میں متعدد کنوولوشن فلٹرز ہوتے ہیں ، اس کے بعد ایک خصوصیت کو جمع کرنے والی پرت ہوتی ہے جو ملحقہ ونڈوز کے اندر ہر فلٹر آؤٹ پٹ کی زیادہ سے زیادہ گنتی کرتی ہے ، اور ایک نقطہ وار سیگمائڈ غیر لکیری ہے۔ پہلی سطح سے خصوصیات کے پیچ پر ایک ہی الگورتھم کی تربیت کے ذریعہ بڑی اور زیادہ غیر متغیر خصوصیات کی دوسری سطح حاصل کی جاتی ہے۔ ان خصوصیات پر ایک نگرانی کی درجہ بندی کی تربیت MNIST پر 0.64٪ غلطی اور 54٪ اوسط شناخت کی شرح پر کیلٹیک 101 پر 30 تربیت کے نمونے فی زمرہ دیتا ہے. اگرچہ نتیجہ خیز فن تعمیر کنوولوشنل نیٹ ورکس کی طرح ہے ، لیکن پرتوں کے لحاظ سے غیر نگرانی والے تربیتی طریقہ کار سے زیادہ پیرامیٹرائزیشن کے مسائل کو دور کیا جاتا ہے جو خالصتا supervised نگرانی والے سیکھنے کے طریقہ کار کو پریشان کرتے ہیں ، اور بہت کم لیبل والے تربیتی نمونے کے ساتھ اچھی کارکردگی کا مظاہرہ کرتے ہیں۔

80bcfbb1a30149e636ff1a08aeb715dad6dd9285

دو اعلی کارکردگی کا کا بینڈ پاور یمپلیفائر ایم ایم آئی سی کا ڈیزائن اور کارکردگی 0.15μm GaN HEMT پروسیس ٹیکنالوجی کا استعمال کرتے ہوئے پیش کی گئی ہے۔ 3 مرحلے متوازن یمپلیفائر کے لئے ماپا ان فکسچر مسلسل لہر (CW) کے نتائج 11 گیگاہرٹج پر 30W آؤٹ پٹ پاور اور 30 فیصد پاور ایڈیڈ کارکردگی (PAE) کا مظاہرہ کرتے ہیں. تین مرحلے کے سنگل ختم ہونے والے ڈیزائن نے 6W سے زیادہ آؤٹ پٹ پاور اور 34٪ PAE تک پیدا کیا. متوازن اور ایک ہی ختم MMICs کے لئے مرچ کا سائز 3.24 × 3.60mm2 اور 1.74 × 3.24mm2 بالترتیب ہے.

284de726e700a6c52f9f8fb9f3de4d4b0ff778bb

بار بار چلنے والے نیورل نیٹ ورک (آر این این) قدرتی طور پر تقریر کی شناخت کے لئے موزوں ہیں کیونکہ ان کی متحرک طور پر بدلتی ہوئی وقتی معلومات کو استعمال کرنے کی صلاحیت ہے۔ گہرے RNNs کو مختلف وقت کی granularities میں وقتی تعلقات ماڈل کرنے کے قابل ہونے کی دلیل دی گئی ہے ، لیکن غائب ہونے والے تدریجی مسائل کا شکار ہیں۔ اس کاغذ میں، ہم نے اس مسئلے کو کم کرنے کے لئے، گرڈ LSTM بلاکس کا استعمال کرتے ہوئے اسٹیک طویل مختصر مدت میموری (LSTM) RNNs کو بڑھا دیا ہے جو نہ صرف وقت کی طول و عرض کے ساتھ ساتھ حساب کتاب کو تشکیل دیتے ہیں، بلکہ گہرائی کی طول و عرض بھی. اس کے علاوہ، ہم گہرائی طول و عرض پر ترجیح دیتے ہیں تاکہ گہرائی کی طول و عرض کو زیادہ تازہ ترین معلومات فراہم کی جا سکے، کیونکہ اس سے پیداوار درجہ بندی کے لئے استعمال کی جائے گی. ہم اس ماڈل کو ترجیح گرڈ LSTM (pGLSTM) کہتے ہیں. چار بڑے ڈیٹا سیٹوں (AMI، HKUST، GALE، اور MGB) پر وسیع تجربات سے پتہ چلتا ہے کہ pGLSTM متبادل گہرے LSTM ماڈلز کو بہتر بناتا ہے، 4٪ سے 7٪ کے رشتہ دار بہتری کے ساتھ اسٹیکڈ LSTM کو شکست دیتا ہے، اور تمام ڈیٹا سیٹوں پر یونی ڈائریکشنل ماڈل کے درمیان نئے معیار حاصل کرتا ہے.