_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | ମେସିନ ଲର୍ଣ୍ଣିଂ ମଡେଲଗୁଡ଼ିକ କାହିଁକି ସେହିଭଳି ବ୍ୟବହାର କରୁଛନ୍ତି ତାହା ବୁଝିବା ଦ୍ୱାରା ଉଭୟ ସିଷ୍ଟମ ଡିଜାଇନର୍ ଏବଂ ଶେଷ ବ୍ୟବହାରକାରୀଙ୍କୁ ଅନେକ ଉପାୟରେ ସଶକ୍ତ କରିଥାଏ: ମଡେଲ ଚୟନ, ଫିଚର ଇଞ୍ଜିନିୟରିଂ, ପୂର୍ବାନୁମାନ ଉପରେ ବିଶ୍ୱାସ କରିବା ଏବଂ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏବଂ ଅଧିକ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ୟୁଜର୍ ଇଣ୍ଟରଫେସ୍ରେ । ତେଣୁ, ମେସିନ ଶିକ୍ଷଣରେ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟତା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଚିନ୍ତାଧାରା ପାଲଟିଛି, ଏବଂ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ମଡେଲ କ୍ଷେତ୍ରରେ କାର୍ଯ୍ୟ ନୂତନ ଆଗ୍ରହ ପାଇଲା । କେତେକ ପ୍ରୟୋଗରେ, ଏହିପରି ମଡେଲଗୁଡିକ ଅଣ-ଅନୁବାଦଯୋଗ୍ୟ ମଡେଲଗୁଡିକ ପରି ସଠିକ୍ ଅଟେ, ଏବଂ ତେଣୁ ସେମାନଙ୍କର ସ୍ୱଚ୍ଛତା ପାଇଁ ପସନ୍ଦ କରାଯାଏ । ଏପରିକି ଯେତେବେଳେ ସେମାନେ ସଠିକ ହୋଇନଥାନ୍ତି, ସେତେବେଳେ ମଧ୍ୟ ସେମାନେ ପସନ୍ଦ କରାଯାଇପାରନ୍ତି ଯେତେବେଳେ ବ୍ୟାଖ୍ୟା କରିବାର କ୍ଷମତା ସର୍ବୋଚ୍ଚ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ହୋଇଥାଏ । ତେବେ, ମେସିନ ଲର୍ଣ୍ଣିଂକୁ କେବଳ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ମଡେଲରେ ସୀମିତ ରଖିବା ଏକ ଗୁରୁତର ପ୍ରତିବନ୍ଧକ । ଏହି ଲେଖାରେ ଆମେ ମଡେଲ-ଅଜ୍ଞାତ ପଦ୍ଧତି ବ୍ୟବହାର କରି ମେସିନ ଶିକ୍ଷଣ ପୂର୍ବାନୁମାନକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ଯୁକ୍ତି ବାଢ଼ୁଛୁ । ମେସିନ ଲର୍ଣ୍ଣିଂ ମଡେଲକୁ ବ୍ଲାକବକ୍ସ ଫଙ୍କସନ ଭାବରେ ବ୍ୟବହାର କରି, ଏହି ପଦ୍ଧତିଗୁଡିକ ମଡେଲ, ବ୍ୟାଖ୍ୟା ଏବଂ ପ୍ରତିନିଧିତ୍ୱ ଚୟନରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନମନୀୟତା ପ୍ରଦାନ କରିଥାଏ, ବିଭିନ୍ନ ପ୍ରକାରର ଉପଭୋକ୍ତା ଏବଂ ମଡେଲଗୁଡିକ ପାଇଁ ଡିବଗିଂ, ତୁଳନା ଏବଂ ଇଣ୍ଟରଫେସ୍ ଉନ୍ନତ କରିଥାଏ । ଆମେ ଏହିପରି ପଦ୍ଧତିଗୁଡିକ ପାଇଁ ମୁଖ୍ୟ ଆହ୍ୱାନଗୁଡିକର ମଧ୍ୟ ବର୍ଣ୍ଣନା କରିଛୁ, ଏବଂ ନିକଟରେ ପ୍ରବର୍ତ୍ତିତ ମଡେଲ-ଅଜ୍ଞାତ ବ୍ୟାଖ୍ୟା ପଦ୍ଧତି (LIME) ର ସମୀକ୍ଷା କରିଛୁ ଯାହା ଏହି ଆହ୍ୱାନଗୁଡିକର ସମାଧାନ କରିଥାଏ । |
546add32740ac350dda44bab06f56d4e206622ab | ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କଗୁଡ଼ିକ ପ୍ରତିଛବି ଶ୍ରେଣୀକରଣରେ ପ୍ରଭାବଶାଳୀ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ହାସଲ କରିଛନ୍ତି, କିନ୍ତୁ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବରେ ବିରୋଧାଭାସଜନିତ ବିଶୃଙ୍ଖଳା ସମ୍ବନ୍ଧରେ ଅସ୍ଥିର ହୋଇପାରେ, ଅର୍ଥାତ୍ ଇନପୁଟ୍ ପ୍ରତିଛବିରେ ସର୍ବନିମ୍ନ ପରିବର୍ତ୍ତନ ଯାହା ନେଟୱାର୍କକୁ ଭୁଲ ଶ୍ରେଣୀଭୁକ୍ତ କରିଥାଏ । ସ୍ୱୟଂ ଚାଳିତ କାର ପାଇଁ ସମ୍ଭାବ୍ୟ ପ୍ରୟୋଗ ସହିତ, ଧାରଣ ମଡ୍ୟୁଲ ଏବଂ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ନିୟନ୍ତ୍ରକ ସହିତ, ଏହା ସେମାନଙ୍କର ନିରାପତ୍ତା ବିଷୟରେ ଚିନ୍ତା ସୃଷ୍ଟି କରେ । ଆମେ ସନ୍ତୋଷଜନକ ମଡ୍ୟୁଲୋ ତତ୍ତ୍ୱ (ଏସଏମଟି) ଉପରେ ଆଧାରିତ ଫିଡ ଫରୱାର୍ଡ ବହୁସ୍ତରୀୟ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ପାଇଁ ଏକ ନୂତନ ସ୍ୱୟଂଚାଳିତ ଯାଞ୍ଚ ଢାଞ୍ଚା ବିକଶିତ କରୁଛୁ । ଆମେ ପ୍ରତିଛବି ପରିଚାଳନା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ, ଯେପରିକି ସ୍କ୍ରାଚ୍ କିମ୍ବା କ୍ୟାମେରା କୋଣ କିମ୍ବା ଆଲୋକ ପରିସ୍ଥିତିରେ ପରିବର୍ତ୍ତନ, ଏବଂ ପ୍ରତିଛବି ବର୍ଗୀକରଣ ନିଷ୍ପତ୍ତି ପାଇଁ ନିରାପତ୍ତାକୁ ବର୍ଗୀକରଣର ଅସ୍ଥିରତା ଅନୁଯାୟୀ ମୂଳ ପ୍ରତିଛବିର ପରିଚାଳନା ସମ୍ବନ୍ଧରେ ଏକ ଅଞ୍ଚଳରେ ପ୍ରତିଛବିଗୁଡିକର ନିକଟବର୍ତ୍ତୀ । ଆମେ ଏହି ଅଞ୍ଚଳରେ ବିସ୍ତୃତ ଭାବେ ଅନୁସନ୍ଧାନ କରିପାରୁଛୁ, ଡିସକ୍ରିଟାଇଜେସନ ବ୍ୟବହାର କରି, ଏବଂ ବିଶ୍ଳେଷଣ ସ୍ତର ପରେ ସ୍ତର ବିସ୍ତାର କରିପାରୁଛୁ । ଆମର ପଦ୍ଧତି ସିଧାସଳଖ ନେଟୱର୍କ କୋଡ ସହିତ କାର୍ଯ୍ୟ କରେ ଏବଂ ବର୍ତ୍ତମାନର ପଦ୍ଧତିଗୁଡିକର ବିପରୀତରେ, ଏହା ନିଶ୍ଚିତ କରିପାରେ ଯେ ବିରୋଧାଭାସୀ ଉଦାହରଣଗୁଡିକ, ଯଦି ସେଗୁଡିକ ଅଛି, ତେବେ ଦିଆଯାଇଥିବା ଅଞ୍ଚଳ ଏବଂ ହସ୍ତକ୍ଷେପ ପରିବାର ପାଇଁ ମିଳିଥାଏ । ଯଦି କୌଣସି ପ୍ରତିକୂଳ ଉଦାହରଣ ମିଳିଯାଏ, ତେବେ ଏହାକୁ ମାନବ ପରୀକ୍ଷକମାନଙ୍କୁ ଦେଖାଯାଇପାରିବ ଏବଂ/କିମ୍ବା ନେଟୱାର୍କକୁ ସଠିକ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଆମେ Z3 ବ୍ୟବହାର କରି ଏହି କୌଶଳଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରୁଛୁ ଏବଂ ନିୟମିତ ଏବଂ ଗଭୀର ଶିକ୍ଷଣ ନେଟୱାର୍କ ସମେତ ଅତ୍ୟାଧୁନିକ ନେଟୱାର୍କରେ ସେଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । ଆମେ ମଧ୍ୟ ବର୍ତ୍ତମାନର କୌଶଳ ସହିତ ତୁଳନା କରି ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ଉଦାହରଣ ଖୋଜିବା ଏବଂ ନେଟୱାର୍କର ଦୃଢ଼ତା ଆକଳନ କରିବା । |
8db9df2eadea654f128c1887722c677c708e8a47 | ଏହା ମଧ୍ୟ ସମ୍ପ୍ରତି ଧ୍ୟାନ ମଡେଲ ଉପରେ କରାଯାଇଥିବା କାର୍ଯ୍ୟକୁ ଏକୀକୃତ କରେ ଯାହାଦ୍ୱାରା ଉପଯୁକ୍ତ ସୂଚନା ଉପରେ ଧ୍ୟାନ ଦିଆଯାଏ, ଯାହାଦ୍ୱାରା ଇମ୍ବେଡ ହାର୍ଡୱେରରେ ନିୟୋଜନ ପାଇଁ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ଜଟିଳତା ହ୍ରାସ ପାଇଥାଏ । ଏହି ଫ୍ରେମୱାର୍କକୁ TORCS ନାମକ ଏକ ଓପନ ସୋର୍ସ 3D କାର ରେସିଂ ସିମୁଲେଟରରେ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ଆମର ସିମୁଲେସନ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଜଟିଳ ସଡ଼କ ବକ୍ରତା ଏବଂ ଅନ୍ୟ ଯାନଗୁଡ଼ିକର ସରଳ ପାରସ୍ପରିକ କ୍ରିୟାକଳାପ ପରିପ୍ରେକ୍ଷୀରେ ସ୍ୱୟଂଚାଳିତ ପରିଚାଳନା ଶିଖିବା । ଏକ ରୋବଟ କାର ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚାଲେ, ଏହା ହେଉଛି ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସର ଏକ ଦୀର୍ଘକାଳୀନ ଲକ୍ଷ୍ୟ । ଯାନବାହନ ଚଳାଇବା ଏକ ଏପରି କାର୍ଯ୍ୟ ଯାହା ପାଇଁ ଜଣେ ମାନବ ଚାଳକଙ୍କ ଠାରୁ ଉଚ୍ଚ ସ୍ତରର କୌଶଳ, ଧ୍ୟାନ ଏବଂ ଅଭିଜ୍ଞତା ଆବଶ୍ୟକ ହୋଇଥାଏ । ଯଦିଓ କମ୍ପ୍ୟୁଟର ମନୁଷ୍ୟ ଅପେକ୍ଷା ଅଧିକ ଧ୍ୟାନ ଏବଂ ଧ୍ୟାନ ଦେଇପାରେ, କିନ୍ତୁ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ପାଇଁ ଏକ ସ୍ତରର ବୁଦ୍ଧି ଆବଶ୍ୟକ ହୋଇଥାଏ ଯାହା ଏ ପର୍ଯ୍ୟନ୍ତ ଏଆଇ ଏଜେଣ୍ଟମାନଙ୍କ ଦ୍ୱାରା ହାସଲ କରାଯାଇଥିବା ବୁଦ୍ଧିମତାକୁ ଅତିକ୍ରମ କରିଥାଏ । ସ୍ୱୟଂ ଚାଳିତ ଡ୍ରାଇଭିଂ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବା ପାଇଁ ଆବଶ୍ୟକ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ 3ଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇପାରେ, ଯେପରିକି ଚିତ୍ର 1ରେ ଦର୍ଶାଯାଇଛି: ଏହାର ଉଦାହରଣ ହେଉଛି ପଥଚାରୀ ଚିହ୍ନଟ, ଟ୍ରାଫିକ ଚିହ୍ନ ଚିହ୍ନଟ ଇତ୍ୟାଦି । ଯଦିଓ ଏହା ସାଧାରଣ ନୁହେଁ, ଡିପ୍ ଲର୍ଣ୍ଣିଂ (DL) ଆଲଗୋରିଦମଗୁଡିକର ଅଗ୍ରଗତି ଯୋଗୁଁ ଆଜିକାଲି ଚିହ୍ନଟ କରିବା ଏକ ସରଳ କାର୍ଯ୍ୟ, ଯାହା ଅନେକ ବସ୍ତୁ ଚିହ୍ନଟ ଏବଂ ବର୍ଗୀକରଣ ସମସ୍ୟାରେ ମାନବ ସ୍ତରୀୟ ଚିହ୍ନଟ କିମ୍ବା ତା ଠାରୁ ଉପର ସ୍ତରରେ ପହଞ୍ଚିଛି । [1] [2] ଗଭୀର ଶିକ୍ଷଣ ମଡେଲଗୁଡିକ କଞ୍ଚା ଇନପୁଟ୍ ତଥ୍ୟରୁ ଜଟିଳ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବାରେ ସକ୍ଷମ, ହସ୍ତନିର୍ମିତ ବୈଶିଷ୍ଟ୍ୟର ଆବଶ୍ୟକତାକୁ ଛାଡି [୧୫][୨][୭] । ଏହି ଦୃଷ୍ଟିରୁ, କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ବୋଧହୁଏ ସବୁଠାରୁ ସଫଳ ଗଭୀର ଶିକ୍ଷଣ ମଡେଲ ଅଟେ, ଏବଂ ଆଲେକ୍ସନେଟ୍ [8] ପରଠାରୁ ପ୍ରତିଟି ଇମେଜ୍ ନେଟ୍ ଚ୍ୟାଲେଞ୍ଜରେ ବିଜୟୀ ପ୍ରତିଯୋଗିତାର ଆଧାର ଗଠନ କରିଛି । ଏହି ସଫଳତା ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ପାଇଁ ଲେନ୍ ଏବଂ ଯାନ ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ମଧ୍ୟ ପରିଲକ୍ଷିତ ହୋଇଛି । 2) ପୂର୍ବାନୁମାନ: ସ୍ୱୟଂକ୍ରିୟ ଚାଳନା କରୁଥିବା ଏଜେଣ୍ଟ ପାଇଁ ଏହାର ପରିବେଶକୁ ଚିହ୍ନିବା ଯଥେଷ୍ଟ ନୁହେଁ; ଏହା ମଧ୍ୟ ଆଭ୍ୟନ୍ତରୀଣ ମଡେଲ ନିର୍ମାଣ କରିବାକୁ ସମର୍ଥ ହେବା ଉଚିତ ଯାହା ପରିବେଶର ଭବିଷ୍ୟତ ଅବସ୍ଥାକୁ ପୂର୍ବାନୁମାନ କରେ । ଏହି ଶ୍ରେଣୀର ସମସ୍ୟାଗୁଡ଼ିକର ଉଦାହରଣ ହେଉଛି ପରିବେଶର ଏକ ମାନଚିତ୍ର ତିଆରି କରିବା କିମ୍ବା କୌଣସି ବସ୍ତୁକୁ ଟ୍ରାକ୍ କରିବା । ଭବିଷ୍ୟତକୁ ଅନୁମାନ କରିବା ପାଇଁ ଅତୀତର ସୂଚନାକୁ ଏକୀକୃତ କରିବା ଜରୁରୀ । ଏହିପରି, ଏହି ଶ୍ରେଣୀର ସମସ୍ୟା ପାଇଁ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଆରଏନଏନ) ଜରୁରୀ ଅଟେ । ଦୀର୍ଘ-ଅଳ୍ପ ଅବଧି ସ୍ମୃତି (LSTM) ନେଟୱର୍କ [5] ହେଉଛି RNN ର ଏପରି ଏକ ଶ୍ରେଣୀ ଯାହା ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଦୃଶ୍ୟ ଲେବଲିଂ ସିଷ୍ଟମରେ ବ୍ୟବହୃତ ହୋଇଛି । ନିକଟ ଅତୀତରେ, ଡିପଟ୍ରାକିଂ ମଡେଲରେ ଅବଜେକ୍ଟ ଟ୍ରାକିଂ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ RNNs ମଧ୍ୟ ବ୍ୟବହୃତ ହୋଇଛି । 3) ଯୋଜନା: ଏକ ଦକ୍ଷ ମଡେଲର ସୃଷ୍ଟି ଯାହା ଚିହ୍ନଟ ଏବଂ ଭବିଷ୍ୟବାଣୀକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯାହା ଭବିଷ୍ୟତରେ ଡ୍ରାଇଭିଂ କ୍ରିୟାସମୂହର କ୍ରମକୁ ଯୋଜନା କରେ ଯାହା ଯାନକୁ ସଫଳତାର ସହିତ ନେଭିଗେଟ୍ କରିବାକୁ ସକ୍ଷମ କରିବ _ ଯୋଜନା କରିବା ହେଉଛି ତିନିଟି ମଧ୍ୟରୁ ସବୁଠାରୁ କଠିନ କାର୍ଯ୍ୟ । ଏହି ମଡେଲର ପରିବେଶକୁ ବୁଝିବା (ଜାଣିବା) ଏବଂ ଏହାର ଗତିଶୀଳତାକୁ (ଭବିଷ୍ୟତକୁ ପୂର୍ବାନୁମାନ କରିବା) ଏପରି ଭାବରେ ସମନ୍ୱିତ କରିବା ହେଉଛି କଷ୍ଟକର ଯେ ଏହା ଭବିଷ୍ୟତ କାର୍ଯ୍ୟ ଯୋଜନା କରିବାକୁ ସକ୍ଷମ କରେ ଯାହା ଦ୍ବାରା ଏହା ଅବାଞ୍ଛିତ ପରିସ୍ଥିତିକୁ ଏଡ଼ାଇଥାଏ (ଦଣ୍ଡ) ଏବଂ ସୁରକ୍ଷିତ ଭାବରେ ଏହାର ଗନ୍ତବ୍ୟସ୍ଥଳକୁ ଯାଇଥାଏ (ପ୍ରଶଂସା) । ଚିତ୍ର ୧ଃ ଉଚ୍ଚ ସ୍ତରର ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ କାର୍ଯ୍ୟଗୁଡ଼ିକ ରିଆନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ) ର ଫ୍ରେମୱାର୍କ [୧୭][୨୦] ଦୀର୍ଘ ସମୟ ଧରି ନିୟନ୍ତ୍ରଣ କାର୍ଯ୍ୟଗୁଡ଼ିକରେ ବ୍ୟବହୃତ ହୋଇଛି । [୯] ରେ RL ଓ DL ର ମିଶ୍ରଣ ମାନବ ସ୍ତରୀୟ ନିୟନ୍ତ୍ରଣ ହାସଲ କରିବା ପାଇଁ ସବୁଠାରୁ ଅଧିକ ଆଶାଜନକ ଉପାୟ ବୋଲି ଦର୍ଶାଯାଇଛି । [୧୨] ଏବଂ [୧୧]ରେ, ଏହି ମାନବ ସ୍ତରୀୟ ନିୟନ୍ତ୍ରଣକୁ ଆଟାରୀ ଗେମ୍ସରେ ଡିପ୍ କ୍ୟୁ ନେଟୱାର୍କ (DQN) ମଡେଲ ବ୍ୟବହାର କରି ପ୍ରଦର୍ଶିତ କରାଯାଇଥିଲା, ଯେଉଁଥିରେ RL ଯୋଜନା ପାଇଁ ଦାୟୀ ଥିବାବେଳେ DL ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷଣ ପାଇଁ ଦାୟୀ ଅଟେ । ପରେ ଆର୍ଏନ୍ଏନ୍ଗୁଡ଼ିକୁ ମିଶ୍ରଣରେ ସାମିଲ କରାଯାଇଥିଲା, ଯାହାଦ୍ୱାରା ଆଂଶିକ ଭାବେ ଅନୁଧ୍ୟାନଯୋଗ୍ୟ ପରିସ୍ଥିତିକୁ ବିଚାରକୁ ନିଆଯାଇପାରିବ । ସ୍ୱୟଂଚାଳିତ ଚାଳନା ପାଇଁ ସୂଚନା ଆଦାନପ୍ରଦାନର ଆବଶ୍ୟକତା ରହିଛି । 02 53 2v 1 [ st at .M L ] 8 A pr 2 01 7 ବହୁ ସଂଖ୍ୟକ ସେନସରରୁ ମିଳିଥିବା ସୂଚନା । ସେଥିରୁ କିଛି କମ ଆକାରର, ଯେପରିକି ଲିଡାର, ଅନ୍ୟଗୁଡ଼ିକ ଉଚ୍ଚ ଆକାରର, ଯେପରିକି କ୍ୟାମେରା । ତେବେ ଏହି ଉଦାହରଣରେ ଏହା ଉଲ୍ଲେଖଯୋଗ୍ୟ ଯେ, ଯଦିଓ ଅଶୋଧିତ କ୍ୟାମେରା ଚିତ୍ର ଉଚ୍ଚ ଆକାରର ହୋଇଥାଏ, ସ୍ୱୟଂ ଚାଳିତ ଚାଳନା କାର୍ଯ୍ୟ ହାସଲ କରିବା ପାଇଁ ଆବଶ୍ୟକ ଉପଯୋଗୀ ସୂଚନା ବହୁତ କମ୍ ଆକାରର ହୋଇଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ଦୃଶ୍ୟର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶ ଯାହା ଡ୍ରାଇଭିଂ ନିଷ୍ପତ୍ତିକୁ ପ୍ରଭାବିତ କରିଥାଏ ତାହା କେବଳ ଚଳନ୍ତା ଯାନ, ଆଗକୁ ରାସ୍ତା ଉପରେ ମୁକ୍ତ ସ୍ଥାନ, କବର ସ୍ଥାନ ଇତ୍ୟାଦିରେ ସୀମିତ । ଏପରିକି ଯାନବାହାନର ସୂକ୍ଷ୍ମ ବିବରଣୀ ମଧ୍ୟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନୁହେଁ, କାରଣ ସମସ୍ୟା ପାଇଁ କେବଳ ସେମାନଙ୍କର ଭୌଗଳିକ ଅବସ୍ଥାନ ପ୍ରକୃତରେ ଆବଶ୍ୟକ । ତେଣୁ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ପାଇଁ ସ୍ମୃତି ବ୍ୟାଣ୍ଡୱିଡଥ୍ ବହୁତ କମ୍ । ଯଦି ଏହି ପ୍ରାସଙ୍ଗିକ ସୂଚନାକୁ ବାହାର କରାଯାଇପାରିବ, ଅନ୍ୟ ଅଦରକାରୀ ଅଂଶଗୁଡ଼ିକୁ ବାହାର କରିଦିଆଯିବ, ତେବେ ଏହା ସ୍ୱୟଂକ୍ରିୟ ଚାଳନା ପ୍ରଣାଳୀର ସଠିକତା ଏବଂ ଦକ୍ଷତା ଉଭୟରେ ଉନ୍ନତି ଆଣିବ । ଏହାଦ୍ୱାରା ସିଷ୍ଟମର ଗଣନା ଏବଂ ସ୍ମୃତି ଆବଶ୍ୟକତା ହ୍ରାସ ପାଇବ, ଯାହା ସ୍ୱୟଂକ୍ରିୟ ଚାଳନା ନିୟନ୍ତ୍ରଣ ୟୁନିଟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରୁଥିବା ଏମ୍ବେଡ ସିଷ୍ଟମ ଉପରେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ପ୍ରତିବନ୍ଧକ ଅଟେ । ସୂଚନା ସାରଣୀ ପାଇଁ ଧ୍ୟାନ ମଡେଲ ଏକ ପ୍ରାକୃତିକ ଫିଟ୍ ଅଟେ । ନିକଟରେ, ଏହି ମଡେଲଗୁଡିକ ସଫଳତାର ସହିତ [23] ଏବଂ [10] ରେ ପ୍ରତିଛବି ଚିହ୍ନଟ ପାଇଁ ନିୟୋଜିତ କରାଯାଇଥିଲା, ଯେଉଁଥିରେ RL କୁ RNNs ସହିତ ମିଶ୍ରଣ କରାଯାଇଥିଲା ପ୍ରତିଛବିର ଅଂଶଗୁଡିକ ପାଇବା ପାଇଁ । ଏହି ମଡେଲଗୁଡିକ ସହଜରେ ବିସ୍ତାରିତ ଏବଂ ଡିକ୍ୟୁଏନ୍ [11] ଏବଂ ଡିପ୍ ରିକର୍ଭଣ୍ଟ କ୍ୟୁ ନେଟୱାର୍କ (ଡିଆରକ୍ୟୁଏନ୍) [4] ମଡେଲ ସହିତ ଏକୀକୃତ ହୋଇଥାଏ । ଏହି ସମନ୍ୱୟ [୧୬]ରେ କରାଯାଇଥିଲା । ଧ୍ୟାନ ମଡେଲର ସଫଳତା ଆମକୁ ସ୍ୱୟଂ ଚାଳିତ ଡ୍ରାଇଭିଂ କରିବା ପାଇଁ କଞ୍ଚା ସେନ୍ସର ସୂଚନାରୁ ନିମ୍ନ ସ୍ତରର ସୂଚନା ବାହାର କରିବା ପାଇଁ ପ୍ରସ୍ତାବିତ କରିବାକୁ ବାଧ୍ୟ କରୁଛି । ଏହି କାଗଜରେ ଆମେ ଏକ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ମଡେଲ ପାଇଁ ଏକ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା କଞ୍ଚା ସେନସର ଇନପୁଟ ଏବଂ ଆଉଟପୁଟ ଡ୍ରାଇଭିଂ କାର୍ଯ୍ୟ ଗ୍ରହଣ କରେ । ଏହି ମଡେଲ ଆଂଶିକ ଭାବେ ଅନୁଧ୍ୟାନଯୋଗ୍ୟ ପରିସ୍ଥିତିକୁ ସମ୍ଭାଳିବାରେ ସକ୍ଷମ । ଏଥିସହିତ ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ, ଆଧୁନିକ ଆଲୋକପାତ ମଡେଲରେ ସାମ୍ପ୍ରତିକ ପ୍ରଗତିକୁ ସାମିଲ କରି ଗ୍ରହଣ କରାଯାଇଥିବା ସେନସର ତଥ୍ୟରୁ କେବଳ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ବାହାର କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଏହା ରିଅଲ ଟାଇମ୍ ଏମ୍ବ୍ରେଡ଼ ସିଷ୍ଟମ ପାଇଁ ଉପଯୁକ୍ତ ହୋଇପାରିବ । ଏହି କାଗଜରେ ମୁଖ୍ୟତଃ: 1) ଗଭୀର ସୁଦୃଢ଼ ଶିକ୍ଷଣର ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିର ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରିବା ଏବଂ 2) ଗଭୀର ସୁଦୃଢ଼ ଶିକ୍ଷଣ ବ୍ୟବହାର କରି ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂକୁ ସମାପ୍ତ କରିବା ପାଇଁ ଏକ ଢାଞ୍ଚା ପ୍ରସ୍ତୁତ କରିବା । ଏହି ପତ୍ରର ଅବଶିଷ୍ଟ ଭାଗକୁ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରାଯାଇଛି । ପ୍ରଥମ ଭାଗରେ ଡିପ ରିନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଉପରେ ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି । ଏହି କାଗଜର ଦ୍ୱିତୀୟ ଭାଗରେ ପ୍ରସ୍ତାବିତ ଢାଞ୍ଚା ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଗଭୀର ସୁଦୃଢ଼ ଶିକ୍ଷଣରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିକୁ ଏକୀକୃତ କରାଯାଇଛି । ଶେଷରେ, ଆମେ ଭବିଷ୍ୟତ କାର୍ଯ୍ୟ ପାଇଁ ନିର୍ଦ୍ଦେଶାବଳୀ ଉପସ୍ଥାପନ କରିଛୁ । ରିଫରସେସ୍ ଲର୍ଣ୍ଣିଂର ସମୀକ୍ଷା ରିଫରସେସ୍ ଲର୍ଣ୍ଣିଂର ଏକ ବ୍ୟାପକ ସମୀକ୍ଷା ପାଇଁ ଦୟାକରି ରିଚ୍ ସୁଟନ୍ଙ୍କ ପାଠ୍ୟପୁସ୍ତକର ଦ୍ୱିତୀୟ ସଂସ୍କରଣ [୧୮] କୁ ଦେଖନ୍ତୁ । ଏହି ବିଭାଗରେ ଆମେ କେତେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟର ସଂକ୍ଷିପ୍ତ ସମୀକ୍ଷା କରିଛୁ । [17] ରେ ଏକ ମଡେଲ ଭାବରେ ରିନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଫ୍ରେମୱାର୍କ ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା ଯାହା ଏକ ଏଜେଣ୍ଟ ଅନୁସରଣ କରିପାରିବ (ନିର୍ଦ୍ଦିଷ୍ଟ ଅବସ୍ଥାରେ ଗ୍ରହଣ କରିବାକୁ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟ), ଯେପରି ମୋଟ ସଂଗୃହିତ ପୁରସ୍କାର ସର୍ବାଧିକ ହୁଏ ଯେତେବେଳେ ଏଜେଣ୍ଟ ବର୍ତ୍ତମାନର ସେହି ନୀତି ଅନୁସରଣ କରେ ଏବଂ ଏକ ଟର୍ମିନାଲ ଅବସ୍ଥା ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚେ। ଆରଏଲ ପାରାଡିଗମ ଡ୍ରାଇଭିଂ ପାଇଁ ପ୍ରେରଣା ହେଉଛି ଏକ ବହୁ-ଏଜେଣ୍ଟ ପାରସ୍ପରିକ ସମସ୍ୟା । ଜଣେ ମାନବ ଡ୍ରାଇଭର ଭାବରେ, ଭାରୀ ଟ୍ରାଫିକରେ ଲେନ୍ ପରିବର୍ତ୍ତନ କରିବା ଅପେକ୍ଷା ଅନ୍ୟ କାର ସହିତ କୌଣସି ପ୍ରକାର ଯୋଗାଯୋଗ ନକରି ଲେନ୍ ମଧ୍ୟରେ ରହିବା ବହୁତ ସହଜ । ଅନ୍ୟ ଚାଳକମାନଙ୍କ ଆଚରଣରେ ଅନିଶ୍ଚିତତା କାରଣରୁ ଏହା ଅଧିକ କଷ୍ଟକର ହୋଇଥାଏ । ପରସ୍ପର ସହ ସଂଶ୍ଳିଷ୍ଟ ଯାନର ସଂଖ୍ୟା, ସେମାନଙ୍କର ଜ୍ୟାମିତିଗତ ସଂରଚନା ଏବଂ ଡ୍ରାଇଭରଙ୍କ ଆଚରଣରେ ବଡ଼ ପରିବର୍ତ୍ତନ ହୋଇପାରେ ଏବଂ ସମସ୍ତ ପରିସ୍ଥିତିକୁ ବିସ୍ତୃତ ଭାବେ କଭର କରି ଏକ ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ଡାଟାସେଟର ଡିଜାଇନ୍ କରିବା ଏକ ଆହ୍ୱାନ । ମାନବ ଚାଳକମାନେ ଅନଲାଇନ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂର କିଛି ପ୍ରକାର ବ୍ୟବହାର କରି ଅନ୍ୟ ଚାଳକଙ୍କ ଆଚରଣକୁ ବୁଝନ୍ତି ଯେପରିକି ସେମାନେ ପ୍ରତିରକ୍ଷାଶୀଳ କିମ୍ୱା ଆକ୍ରମଣାତ୍ମକ, ଅଭିଜ୍ଞ କିମ୍ୱା ଅଭିଜ୍ଞତାହୀନ ଇତ୍ୟାଦି । ଏହା ବିଶେଷ କରି ସେହି ପରିସ୍ଥିତିରେ ଉପଯୋଗୀ ହୋଇଥାଏ ଯେଉଁଠାରେ ଆଲୋଚନା ଆବଶ୍ୟକ ହୋଇଥାଏ, ଯଥା ଏକ ରାଉଣ୍ଡଅପକୁ ପ୍ରବେଶ କରିବା, ଟ୍ରାଫିକ୍ ଲାଇଟ୍ ବିନା ନାବିକ ଯାନର ଜଙ୍କସନ୍, ପ୍ରବଳ ଟ୍ରାଫିକ୍ ସମୟରେ ଲେନ୍ ପରିବର୍ତ୍ତନ ଇତ୍ୟାଦି । ସ୍ୱୟଂଚାଳିତ ଚାଳନାରେ ମୁଖ୍ୟ ଆହ୍ୱାନ ହେଉଛି କୋଣର ପରିସ୍ଥିତିକୁ ମୁକାବିଲା କରିବା ଯାହା ମଣିଷ ଚାଳକ ପାଇଁ ମଧ୍ୟ ଅପ୍ରତ୍ୟାଶିତ, ଯେପରିକି ଜିପିଏସ୍ ବିନା ଅଜଣା ଅଞ୍ଚଳରେ ହଜିଯିବା କିମ୍ବା ବନ୍ୟା କିମ୍ବା ଭୂମିରେ ଏକ ସିଙ୍କହୋଲ୍ ଦେଖାଯିବା ଭଳି ବିପର୍ଯ୍ୟୟ ପରିସ୍ଥିତିର ମୁକାବିଲା କରିବା । ଆରଏଲ ପାରାଡିଗମ ଅଜଣା ଅଞ୍ଚଳର ମଡେଲ ପ୍ରସ୍ତୁତ କରିଥାଏ ଏବଂ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରି ନିଜସ୍ୱ ଅଭିଜ୍ଞତାରୁ ଶିକ୍ଷା ଲାଭ କରିଥାଏ । ଏହା ସହିତ, ଆରଏଲ ଅଣ-ବିଭାଜନୀୟ ମୂଲ୍ୟ ଫଳନକୁ ସମ୍ଭାଳିବାରେ ସକ୍ଷମ ହୋଇପାରେ ଯାହା ତଦାରଖ କରାଯାଇଥିବା ଶିକ୍ଷଣ ସମସ୍ୟା ପାଇଁ ଆହ୍ୱାନ ସୃଷ୍ଟି କରିପାରେ । ବର୍ତ୍ତମାନ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ପାଇଁ ଷ୍ଟାଣ୍ଡାର୍ଡ ଆଭିମୁଖ୍ୟ ହେଉଛି ସିଷ୍ଟମକୁ ପୃଥକ ଉପ-ପ୍ରଶ୍ନରେ ବିଚ୍ଛିନ୍ନ କରିବା, ସାଧାରଣତଃ ସୁପରଭାଇଜଡ୍-ଲର୍ଣ୍ଣିଂ-ଲାଇକ୍ ଓବଜେକ୍ଟ ଡିଟେକ୍ସନ୍, ଭିଜୁଆଲ୍ ଓଡୋମେଟ୍ରି ଇତ୍ୟାଦି ଏବଂ ତାପରେ ପୂର୍ବବର୍ତ୍ତୀ ପଦକ୍ଷେପଗୁଡ଼ିକର ସମସ୍ତ ଫଳାଫଳକୁ ମିଶ୍ରଣ କରିବା ପାଇଁ ଏକ ପୋଷ୍ଟ ପ୍ରୋସେସିଂ ସ୍ତର ଅଛି । ଏହି ଆଭିମୁଖ୍ୟରେ ଦୁଇଟି ମୁଖ୍ୟ ସମସ୍ୟା ରହିଛି: ପ୍ରଥମତଃ, ଯେଉଁ ଉପ-ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ସମାଧାନ ହେଉଛି ତାହା ସ୍ୱୟଂଚାଳିତ ଚାଳନାଠାରୁ ଅଧିକ କଷ୍ଟକର ହୋଇପାରେ । ଉଦାହରଣ ସ୍ୱରୂପ, ଜଣେ ବସ୍ତୁ ଚିହ୍ନଟକୁ ଅର୍ଥନୈତିକ ବିଭାଜନ ଦ୍ୱାରା ସମାଧାନ କରିପାରେ ଯାହା ଉଭୟ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଏବଂ ଅନାବଶ୍ୟକ ଅଟେ । ମାନବ ଚାଳକମାନେ ଗାଡ଼ି ଚଳାଇବା ସମୟରେ ସମସ୍ତ ଦୃଶ୍ୟମାନ ବସ୍ତୁକୁ ଚିହ୍ନଟ କରି ଶ୍ରେଣୀଭୁକ୍ତ କରନ୍ତି ନାହିଁ, କେବଳ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବସ୍ତୁଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରି ଶ୍ରେଣୀଭୁକ୍ତ କରନ୍ତି । ଦ୍ୱିତୀୟତଃ, ପୃଥକ ଉପ-ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ମିଳିତ ପ୍ରୟୋଗ ଦ୍ୱାରା କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ସମ୍ଭବ ନୁହେଁ । ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂକୁ ଏକ ଶକ୍ତିଶାଳୀ ଏଆଇ ପାରାଡିଗମ ଭାବରେ ବିବେଚନା କରାଯାଏ ଯାହା ପରିବେଶ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟା ମାଧ୍ୟମରେ ମେସିନକୁ ଶିକ୍ଷା ଦେବା ଏବଂ ସେମାନଙ୍କର ଭୁଲରୁ ଶିଖିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । ଏହାର ଉପଯୋଗୀତା ସତ୍ତ୍ୱେ, ଏହାକୁ ଏପର୍ଯ୍ୟନ୍ତ ଅଟୋମୋବାଇଲ ପ୍ରୟୋଗରେ ସଫଳତାର ସହ ପ୍ରୟୋଗ କରାଯାଇ ନାହିଁ । ଆଟାରୀ ଗେମ୍ ଏବଂ ଗୁଗୁଲ ଡିପମାଇଣ୍ଡ ଦ୍ୱାରା ଗୋର ସଫଳ ପ୍ରଦର୍ଶନ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇ ଆମେ ଗଭୀର ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷଣ ବ୍ୟବହାର କରି ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ପାଇଁ ଏକ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହା ବିଶେଷ ଭାବେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଅନ୍ୟ ଯାନ, ପଥଚାରୀ ଏବଂ ରାସ୍ତା ନିର୍ମାଣ କାର୍ଯ୍ୟ ସହିତ ପରିବେଶ ସହିତ ଦୃଢ଼ ପାରସ୍ପରିକ କ୍ରିୟା କାରଣରୁ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂକୁ ଏକ ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ସମସ୍ୟା ଭାବରେ ଉପସ୍ଥାପନ କରିବା କଷ୍ଟକର । ସ୍ୱୟଂ ଚାଳିତ ଡ୍ରାଇଭିଂ ପାଇଁ ଏହା ଏକ ନୂତନ ଗବେଷଣା କ୍ଷେତ୍ର ହୋଇଥିବାରୁ ଆମେ ଗଭୀର ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂର ସଂକ୍ଷିପ୍ତ ବିବରଣୀ ପ୍ରଦାନ କରିବା ପରେ ଆମର ପ୍ରସ୍ତାବିତ ଢାଞ୍ଚା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବୁ । ସୂଚନା ଏକୀକରଣ ପାଇଁ ଏହା ରିକର୍ଭାଣ୍ଟ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ, ଯାହା କାରକୁ ଆଂଶିକ ଭାବରେ ପର୍ଯ୍ୟବେକ୍ଷଣଯୋଗ୍ୟ ପରିସ୍ଥିତିକୁ ପରିଚାଳନା କରିବାକୁ ସକ୍ଷମ କରେ । |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | ଏହି ରିପୋର୍ଟରେ ଏଆଇର ଦୁଷ୍ଟ ଉଦ୍ଦେଶ୍ୟରେ ବ୍ୟବହାର ଦ୍ୱାରା ସୁରକ୍ଷା ପ୍ରତି ଆସୁଥିବା ସମ୍ଭାବ୍ୟ ବିପଦକୁ ନେଇ ସର୍ଭେ କରାଯାଇଛି ଏବଂ ଏହି ବିପଦକୁ ଭଲ ଭାବେ ପୂର୍ବାନୁମାନ କରିବା, ରୋକିବା ଏବଂ ହ୍ରାସ କରିବା ପାଇଁ ଉପାୟ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଡିଜିଟାଲ, ଭୌତିକ ଏବଂ ରାଜନୈତିକ କ୍ଷେତ୍ରରେ ଧମକ ପରିଦୃଶ୍ୟରେ ଏଆଇ କିପରି ପ୍ରଭାବ ପକାଇପାରେ ତାହାର ବିଶ୍ଳେଷଣ କରିବା ପରେ ଆମେ ଏଆଇ ଗବେଷକ ଏବଂ ଅନ୍ୟାନ୍ୟ ଅଂଶୀଦାରମାନଙ୍କ ପାଇଁ ଚାରୋଟି ଉଚ୍ଚସ୍ତରୀୟ ସୁପାରିଶ କରିଛୁ । ଆମେ ମଧ୍ୟ ଅଧିକ ଗବେଷଣା ପାଇଁ ଅନେକ ଆଶାନୁରୂପ କ୍ଷେତ୍ରର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ପ୍ରତିରକ୍ଷା ପୋର୍ଟଫୋଲିଓକୁ ବିସ୍ତାର କରିପାରେ, କିମ୍ବା ଆକ୍ରମଣକୁ କମ୍ ପ୍ରଭାବଶାଳୀ କିମ୍ବା କାର୍ଯ୍ୟକାରୀ କରିବା କଷ୍ଟକର କରିପାରେ । ଶେଷରେ, ଆମେ ଆଲୋଚନା କରୁଛୁ, କିନ୍ତୁ ନିର୍ଣ୍ଣାୟକ ଭାବରେ ସମାଧାନ କରୁନାହୁଁ, ଆକ୍ରମଣକାରୀ ଏବଂ ପ୍ରତିରକ୍ଷକମାନଙ୍କର ଦୀର୍ଘକାଳୀନ ସନ୍ତୁଳନ । |
b5a047dffc3d70dce19de61257605dfc8c69535c | ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କଗୁଡ଼ିକ ଜଟିଳ, ବାସ୍ତବ ଦୁନିଆର ସମସ୍ୟାଗୁଡ଼ିକର ମୁକାବିଲା ପାଇଁ ଏକ ବ୍ୟାପକ ଭାବେ ବ୍ୟବହୃତ ଏବଂ ପ୍ରଭାବଶାଳୀ ମାଧ୍ୟମ ଭାବରେ ଉଭା ହୋଇଛି । କିନ୍ତୁ ସୁରକ୍ଷା ଦୃଷ୍ଟିରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବ୍ୟବସ୍ଥାରେ ଏହାକୁ ପ୍ରୟୋଗ କରିବାରେ ଏକ ପ୍ରମୁଖ ପ୍ରତିବନ୍ଧକ ହେଉଛି ଏହାର ବ୍ୟବହାର ସମ୍ପର୍କରେ ଆନୁଷ୍ଠାନିକ ଗ୍ୟାରେଣ୍ଟି ପ୍ରଦାନ କରିବାରେ ବହୁତ ଅସୁବିଧା । ଆମେ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କର ଗୁଣବତ୍ତା ଯାଞ୍ଚ କରିବା ପାଇଁ ଏକ ନୂତନ, ମାପଯୋଗ୍ୟ ଏବଂ ଦକ୍ଷ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛୁ (କିମ୍ବା ପ୍ରତି-ଉଦାହରଣ ପ୍ରଦାନ କରୁଛୁ) । ଏହି କୌଶଳ ସିମ୍ପ୍ଲେକ୍ସ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ, ଯାହାକି ଅଣ-ବୋମରା ସଂଶୋଧିତ ରେଖୀ ଏକକ (ReLU) ସକ୍ରିୟକରଣ କାର୍ଯ୍ୟକୁ ପରିଚାଳନା କରିବା ପାଇଁ ବିସ୍ତାରିତ, ଯାହା ଅନେକ ଆଧୁନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ଅଟେ । ଯାଞ୍ଚ ପ୍ରକ୍ରିୟା ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ନେଇ ହୋଇଥାଏ, କୌଣସି ସରଳୀକରଣ ଅନୁମାନ ବିନା । ଆମେ ଆମର କୌଶଳକୁ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ମାନବବିହୀନ ବିମାନ ପାଇଁ ବାୟୁରେ ଥିବା ଧକ୍କା ଏଡ଼ାଇବା ପ୍ରଣାଳୀର ଏକ ନେଟୱାର୍କ ପ୍ରୋଟୋଟାଇପରେ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ । ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଆମର କୌଶଳ ସଫଳତାର ସହିତ ନେଟୱାର୍କର ଗୁଣାବଳୀକୁ ପ୍ରମାଣିତ କରିପାରିବ ଯାହା ବର୍ତ୍ତମାନର ପଦ୍ଧତି ବ୍ୟବହାର କରି ଯାଞ୍ଚ କରାଯାଇଥିବା ବୃହତ୍ତମ ନେଟୱାର୍କଠାରୁ ଏକ ଆକାରରେ ବଡ଼ । |
b4bd9fab8439da4939a980a950838d1299a9b030 | ବ୍ୟବହାରର ସମ୍ପୂର୍ଣ୍ଣ ସର୍ତ୍ତାବଳୀ: http://pubsonline.informs.org/page/terms-and-conditions ଏହି ଲେଖାଟି କେବଳ ଗବେଷଣା, ଶିକ୍ଷାଦାନ ଏବଂ/କିମ୍ବା ବ୍ୟକ୍ତିଗତ ଅଧ୍ୟୟନ ଉଦ୍ଦେଶ୍ୟରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ପ୍ରକାଶକଙ୍କ ସ୍ବତନ୍ତ୍ର ଅନୁମୋଦନ ବିନା ବାଣିଜ୍ୟିକ ବ୍ୟବହାର କିମ୍ବା ବ୍ୟବସ୍ଥିତ ଡାଉନଲୋଡ୍ (ରୋବଟ୍ କିମ୍ବା ଅନ୍ୟାନ୍ୟ ସ୍ୱୟଂଚାଳିତ ପ୍ରକ୍ରିୟା ଦ୍ୱାରା) ନିଷେଧ, ଯଦି ଅନ୍ୟଥା ଉଲ୍ଲେଖ କରାଯାଇନାହିଁ । ଅଧିକ ସୂଚନା ପାଇଁ, permissions@informs.org ସହ ଯୋଗାଯୋଗ କରନ୍ତୁ । ପ୍ରକାଶକ ଏହି ଲେଖାର ସଠିକତା, ପୂର୍ଣ୍ଣତା, ବ୍ୟବସାୟିକ ଯୋଗ୍ୟତା, କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଉପଯୋଗୀତା କିମ୍ବା ଉଲ୍ଲଂଘନ ନ ହେବାର ଗ୍ୟାରେଣ୍ଟି କିମ୍ବା ଗ୍ୟାରେଣ୍ଟି ପ୍ରଦାନ କରନ୍ତି ନାହିଁ । ଏହି ଆର୍ଟିକିଲରେ ଉତ୍ପାଦ କିମ୍ବା ପ୍ରକାଶନଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କିମ୍ବା ସେଗୁଡ଼ିକର ଉଲ୍ଲେଖ କିମ୍ବା କୌଣସି ବିଜ୍ଞାପନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା, ସେହି ଉତ୍ପାଦ, ପ୍ରକାଶନ କିମ୍ବା ସେବା ବିଷୟରେ କରାଯାଇଥିବା ଦାବିଗୁଡିକର ଗ୍ୟାରେଣ୍ଟି, ଅନୁମୋଦନ କିମ୍ବା ସମର୍ଥନ ସୃଷ୍ଟି କରେ ନାହିଁ କିମ୍ବା ସୂଚାଏ ନାହିଁ । © 1990 ଇନଫର୍ମସ |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | ସ୍ୱୟଂଚାଳିତ ଚାଳନା ଦ୍ୱାରା ଚାଳକଙ୍କୁ ସୁବିଧା ଏବଂ ସୁରକ୍ଷା ପ୍ରଦାନ କରିବାର କ୍ଷମତା ରହିଛି । ସ୍ୱୟଂଚାଳିତ ଚାଳନାକୁ ଆମ ବର୍ତ୍ତମାନର ଟ୍ରାଫିକ ବ୍ୟବସ୍ଥାରେ ସାମିଲ କରିବା ସମୟରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗ ହେଉଛି ସ୍ୱୟଂଚାଳିତ ଯାନକୁ ବାସ୍ତବିକ ମାନବ ଚାଳକ ଭଳି ପ୍ରତିକ୍ରିୟା କରିବାକୁ ସକ୍ଷମ କରିବା । ଭବିଷ୍ୟତରେ ସ୍ୱୟଂଚାଳିତ ଯାନ ମାନବ ଚାଳକ ଭଳି କାର୍ଯ୍ୟ କରିବ ବୋଲି ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଏହି ଦସ୍ତାବିଜରେ ଏକ ଯାନ ଗତି ଯୋଜନା ମଡେଲ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଯାହା ବାସ୍ତବ ସଙ୍କେତଯୁକ୍ତ ଅନ୍ତରାଗରେ ଟ୍ରାଫିକ୍ ପରିବେଶର ଆକଳନ ଆଧାରରେ ଡ୍ରାଇଭରମାନେ କିପରି ଯାନକୁ ନିୟନ୍ତ୍ରଣ କରନ୍ତି ତାହା ପ୍ରତିନିଧିତ୍ୱ କରିପାରିବ । ପ୍ରସ୍ତାବିତ ଗତି ଯୋଜନା ମଡେଲରେ ପଥଚାରୀଙ୍କ ଉଦ୍ଦେଶ୍ୟ ଚିହ୍ନଟ, ଗ୍ୟାପ୍ ଚିହ୍ନଟ ଏବଂ ଯାନର ଗତିଶୀଳ ନିୟନ୍ତ୍ରଣର କାର୍ଯ୍ୟ ରହିଛି । ବାସ୍ତବିକ ଟ୍ରାଫିକ ପରିବେଶରୁ ସଂଗୃହିତ ତଥ୍ୟର ବିଶ୍ଳେଷଣ ଆଧାରରେ ଏହି ତିନୋଟି କାର୍ଯ୍ୟ କରାଯାଇଛି । ଶେଷରେ, ଏହି କାଗଜରେ, ଆମେ ଯେଉଁ ମଡେଲ ପ୍ରସ୍ତୁତ କରିଛୁ, ତାହା ବାସ୍ତବିକ ପଥଚାରୀ ଓ ଡ୍ରାଇଭରଙ୍କ ସହ ତୁଳନା କରି ଏହି ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତା ଦର୍ଶାଇଛୁ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲ ପାଦଚଲା ରାସ୍ତାରେ ପଥ ଅତିକ୍ରମ କରିବା ପାଇଁ 85% ଚିହ୍ନଟ ହାର ହାସଲ କରିପାରିବ । ଏହା ବ୍ୟତୀତ ପ୍ରସ୍ତାବିତ ମୋଶନ ପ୍ଲାନିଂ ମଡେଲ ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ ଯାନ ଏବଂ ବାସ୍ତବିକ ମାନବ ଚାଳିତ ଯାନ ମଧ୍ୟ ଅନ୍ତରାଗ ଗ୍ରହଣୀୟତା ଦୃଷ୍ଟିରୁ ଅତ୍ୟନ୍ତ ସମାନ । |
061356704ec86334dbbc073985375fe13cd39088 | ଏହି କାର୍ଯ୍ୟରେ ଆମେ ବଡ଼ ଆକାରର ପ୍ରତିଛବି ଚିହ୍ନଟ ସେଟିଂରେ ଏହାର ସଠିକତା ଉପରେ କନଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ଗଭୀରତାର ପ୍ରଭାବ ଅନୁସନ୍ଧାନ କରୁଛୁ । ଆମର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି ବୃଦ୍ଧି ପାଉଥିବା ଗଭୀରତାର ନେଟୱାର୍କର ଏକ ବିସ୍ତୃତ ମୂଲ୍ୟାଙ୍କନ, ଯାହା ଦର୍ଶାଏ ଯେ 16-19 ଓଜନ ସ୍ତରକୁ ଗଭୀରତା ବଢ଼ାଇ ପୂର୍ବ-କଳା ବିନ୍ୟାସଗୁଡ଼ିକରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉନ୍ନତି ହାସଲ କରାଯାଇପାରିବ । ଏହି ଫଳାଫଳ ଆମ ଇମେଜନେଟ ଚ୍ୟାଲେଞ୍ଜ ୨୦୧୪ର ଆଧାର ଥିଲା, ଯେଉଁଠାରେ ଆମ ଦଳ ଯଥାକ୍ରମେ ସ୍ଥାନୀୟକରଣ ଏବଂ ଶ୍ରେଣୀକରଣ ଟ୍ରାକରେ ପ୍ରଥମ ଏବଂ ଦ୍ୱିତୀୟ ସ୍ଥାନ ହାସଲ କରିଥିଲା । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ଆମର ଉପସ୍ଥାପନା ଅନ୍ୟ ଡାଟାସେଟକୁ ଭଲ ଭାବରେ ସାଧାରଣ କରିଥାଏ, ଯେଉଁଠାରେ ଆମେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ହାସଲ କରିଥାଉ । ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ଆମେ କମ୍ପ୍ୟୁଟର ଭିଜନରେ ଗଭୀର ଭିଜୁଆଲ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର ଉପରେ ଅଧିକ ଗବେଷଣାକୁ ସହଜ କରିବା ପାଇଁ ସର୍ବସାଧାରଣଙ୍କ ପାଇଁ ଆମର ଦୁଇଟି ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟକାରୀ କନଭନେଟ୍ ମଡେଲ ଉପଲବ୍ଧ କରାଇଛୁ । |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | ଆମେ ଏକ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାର କୋଡ ନାମ ଇନସେପସନ୍ ଯାହା ଇମେଜନେଟ୍ ବୃହତ-ମାପାକ୍ଷୀ ଭିଜୁଆଲ୍ ରେକଗନିସନ୍ ଚ୍ୟାଲେଞ୍ଜ 2014 (ILSVRC14) ରେ ବର୍ଗୀକରଣ ଏବଂ ଚିହ୍ନଟ ପାଇଁ ନୂତନ କଳାର ସ୍ଥିତି ହାସଲ କରେ । ଏହି ଆର୍ଚେଟକଚରର ମୁଖ୍ୟ ବିଶେଷତ୍ୱ ହେଉଛି ନେଟୱର୍କ ଭିତରେ କମ୍ପ୍ୟୁଟିଂ ସମ୍ବଳର ଉନ୍ନତ ଉପଯୋଗ । ଏକ ଯତ୍ନର ସହିତ ପ୍ରସ୍ତୁତ ଡିଜାଇନ ଦ୍ୱାରା, ଆମେ ନେଟୱାର୍କର ଗଭୀରତା ଏବଂ ପ୍ରସ୍ଥକୁ ବୃଦ୍ଧି କରିଛୁ, ଯେତେବେଳେ କି ଗଣନା ବଜେଟକୁ ସ୍ଥିର ରଖିଛୁ । ଗୁଣବତ୍ତା ବୃଦ୍ଧି ପାଇଁ, ସ୍ଥାପତ୍ୟ ନିଷ୍ପତ୍ତି ହେବ୍ବିୟାନ ସିଦ୍ଧାନ୍ତ ଏବଂ ବହୁ-ମାପ ପ୍ରକ୍ରିୟାକରଣର ଅନ୍ତର୍ଦୃଷ୍ଟି ଉପରେ ଆଧାରିତ ଥିଲା । ILSVRC14 ପାଇଁ ଆମର ଉପସ୍ଥାପନାରେ ବ୍ୟବହୃତ ଏକ ବିଶେଷ ଅବତାରକୁ GoogLeNet କୁହାଯାଏ, 22 ସ୍ତର ବିଶିଷ୍ଟ ଗଭୀର ନେଟୱାର୍କ, ଯାହାର ଗୁଣବତ୍ତା ବର୍ଗୀକରଣ ଏବଂ ଚିହ୍ନଟ ପରିପ୍ରେକ୍ଷୀରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ । |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | ଗଭୀର ସ୍ନାୟୁ ନେଟୱର୍କ ପ୍ରଶିକ୍ଷଣ କରିବା ଜଟିଳ କାରଣ ପ୍ରଶିକ୍ଷଣ ସମୟରେ ପ୍ରତ୍ୟେକ ସ୍ତରର ଇନପୁଟଗୁଡିକର ବଣ୍ଟନ ପରିବର୍ତ୍ତନ ହୁଏ, ଯେହେତୁ ପୂର୍ବ ସ୍ତରର ପାରାମିଟରଗୁଡିକ ପରିବର୍ତ୍ତନ ହୁଏ । ଏହାଦ୍ୱାରା ପ୍ରଶିକ୍ଷଣର ଗତି କମ୍ ହୋଇଥାଏ, ଏଥିପାଇଁ କମ୍ ଶିକ୍ଷଣ ହାର ଏବଂ ପାରାମିଟରର ଯତ୍ନର ସହିତ ଆରମ୍ଭ କରିବା ଆବଶ୍ୟକ ହୋଇଥାଏ । ଆମେ ଏହି ଘଟଣାକୁ ଆଭ୍ୟନ୍ତରୀଣ କୋଭାରିଏଟ୍ ସିଫ୍ଟ ବୋଲି କହିଥାଉ, ଏବଂ ସ୍ତର ଇନପୁଟକୁ ସାଧାରଣ କରି ସମସ୍ୟାର ସମାଧାନ କରିଥାଉ । ଆମର ପଦ୍ଧତି ଏହାର ଶକ୍ତିକୁ ନର୍ମାଲାଇଜେସନକୁ ମଡେଲ ଆର୍କିଟେକଚରର ଏକ ଅଂଶ କରିବା ଏବଂ ପ୍ରତ୍ୟେକ ତାଲିମ ମିନି-ବ୍ୟାଚ୍ ପାଇଁ ନର୍ମାଲାଇଜେସନ କରିବାରୁ ପାଇଥାଏ । ବ୍ୟାଚ୍ ନର୍ମାଲାଇଜେସନ୍ ଆମକୁ ଅଧିକ ଶିକ୍ଷଣ ହାର ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ପ୍ରାରମ୍ଭିକରଣ ବିଷୟରେ କମ୍ ସତର୍କ ରହିବାକୁ ଦେଇଥାଏ, ଏବଂ କେତେକ କ୍ଷେତ୍ରରେ ଡ୍ରପଆଉଟ୍ ର ଆବଶ୍ୟକତାକୁ ଦୂର କରିଥାଏ । ଅତ୍ୟାଧୁନିକ ଚିତ୍ର ବର୍ଗୀକରଣ ମଡେଲରେ ପ୍ରୟୋଗ କରାଯାଇ ବ୍ୟାଚ୍ ନର୍ମାଲାଇଜେସନ୍ 14 ଗୁଣ କମ୍ ତାଲିମ ପଦକ୍ଷେପ ସହିତ ସମାନ ସଠିକତା ହାସଲ କରିଥାଏ ଏବଂ ମୂଳ ମଡେଲକୁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମାର୍ଜିନରେ ପରାସ୍ତ କରିଥାଏ । ବ୍ୟାଚ୍-ନର୍ମାଲାଇଜ୍ ନେଟୱାର୍କର ଏକ ସମୂହ ବ୍ୟବହାର କରି, ଆମେ ଇମେଜ୍ ନେଟ୍ ବର୍ଗୀକରଣରେ ସର୍ବୋତ୍ତମ ପ୍ରକାଶିତ ଫଳାଫଳକୁ ଉନ୍ନତ କରିଛୁଃ 4.82% ଟପ୍-୫ ପରୀକ୍ଷଣ ତ୍ରୁଟି ହାସଲ କରି, ମାନବ ରେଟରଙ୍କ ସଠିକତାକୁ ଅତିକ୍ରମ କରିଛୁ। |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | ଏହି କାଗଜରେ ଏକ ଅଲ୍ଟ୍ରା-ୱାଇଡବ୍ୟାଣ୍ଡ (UWB) ଶକ୍ତି ବିଭାଜକକୁ ଡିଜାଇନ କରାଯାଇଛି । ଏହି ଶକ୍ତି ବିଭାଜକର ୟୁଡବ୍ଲୁବି କାର୍ଯ୍ୟଦକ୍ଷତା ଏକ କୋଣାତ୍ମକ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଲାଇନ୍ ବ୍ୟବହାର କରି ପ୍ରାପ୍ତ ହୁଏ ଯାହା ଏକ୍ସପୋନ୍ସିଏଲ୍ ଏବଂ ଏଲିପ୍ଟିକ୍ ବିଭାଗରେ ଗଠିତ _ ଏହି ପ୍ଲାଟଫର୍ମର ପାର୍ଲଲ ମାଇକ୍ରୋ-ଜେନେଟିକ ଆଲଗୋରିଦମ (ପିଏମଜିଏ) ଏବଂ ସିଏସଟି ମାଇକ୍ରୋୱେଭ ଷ୍ଟୁଡିଓକୁ ଏକ ସ୍ୱୟଂଚାଳିତ ସମାନ୍ତରାଳ ଡିଜାଇନ ପ୍ରକ୍ରିୟା ହାସଲ କରିବା ପାଇଁ ମିଶ୍ରଣ କରାଯାଇଛି । ଏହି ପଦ୍ଧତି ୟୁଡବ୍ଲୁବି ଶକ୍ତି ବିଭାଜକକୁ ଅନୁକୂଳ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ । ଏହି ଅପ୍ଟିମାଇଜଡ ପାୱାର ଡିଭାଇଡର ତିଆରି ଏବଂ ମାପ କରାଯାଏ । ମାପ ଫଳାଫଳରେ ସଂଲଗ୍ନ ସଂଯୋଗର କ୍ଷୟକ୍ଷତି କମ୍, ଉତ୍ତମ ପ୍ରତ୍ୟାବର୍ତ୍ତନ କ୍ଷୟକ୍ଷତି ଏବଂ ସମଗ୍ର ୟୁଡବ୍ଲୁବି (୩.୧-୧୦.୬ ଗିଗାହର୍ଜ) ରେ ଥିବା ଆଉଟପୁଟ୍ ପୋର୍ଟ ମଧ୍ୟରେ ଉଚ୍ଚ ବିଚ୍ଛିନ୍ନତା ଦର୍ଶାଯାଇଛି । |
2532d0567c8334e4cadf282a73ffe399c1c32476 | ପ୍ରଦର୍ଶନ ମାପକ ହେଉଛି ପ୍ରାପ୍ତ ପୁରସ୍କାରର ସମଷ୍ଟି । ଉଦାହରଣ ସ୍ୱରୂପ, ଯେତେବେଳେ ଏକ ବମ୍ବେ ମହୁମାଛି ଖାଦ୍ୟ ଖୋଜେ, ପ୍ରତ୍ୟେକ ସମୟର ପଦକ୍ଷେପ ପାଇଁ ପୁରସ୍କାର ଫଙ୍କସନ୍ ଉଡ଼ାଯାଇଥିବା ଦୂରତା (ନକାରାତ୍ମକ ଭାବରେ ଓଜନିତ) ଏବଂ ଗ୍ରହଣ କରାଯାଇଥିବା ମହୁମାଛିର କିଛି ସମ୍ମିଶ୍ରଣ ହୋଇପାରେ । ମାର୍କୋଭ୍ ନିଷ୍ପତ୍ତି ପ୍ରକ୍ରିୟା (ଏମ୍ଡିପି) ର ସମାଧାନ ପାଇଁ ରିଏନ୍ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ୍) ପଦ୍ଧତିଗୁଡ଼ିକ ମୁଖ୍ୟତଃ ଅନଲାଇନ୍ ଆଲଗୋରିଦମ ଅଟେ । ଏକ ଏମଡିପି ପୁରସ୍କାର ଫଙ୍କସନ ଏବଂ ଏକ ମଡେଲ ଦ୍ୱାରା ପରିଭାଷିତ ହୋଇଥାଏ, ଅର୍ଥାତ୍ ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ କାର୍ଯ୍ୟ ଉପରେ ନିର୍ଭରଶୀଳ ଅବସ୍ଥା ପରିବର୍ତ୍ତନ ସମ୍ଭାବନା । ଆର୍ଏଲ୍ ଆଲଗୋରିଦମ ମଡେଲ ଆଧାରିତ ହୋଇପାରେ, ଯେଉଁଠାରେ ଏଜେଣ୍ଟ ଏକ ମଡେଲ ଶିଖିଥାଏ, କିମ୍ବା ମଡେଲ-ଫ୍ରି-ଯଥା, କ୍ୟୁ-ଲର୍ଣ୍ଣିଂ ଉଦାହରଣ ୱାଟକିନ୍ସଃ ୧୯୮୯, ଯାହା କେବଳ ଏକ ଫଙ୍କସନ୍ କ୍ୟୁ (s) ଶିଖିଥାଏ, a) ରାଜ୍ୟ s ରେ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିବାର ଦୀର୍ଘକାଳୀନ ମୂଲ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ କରିଥାଏ ଏବଂ ଏହା ପରେ ସର୍ବୋତ୍ତମ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । ସଫଳତା ସତ୍ତ୍ୱେ, RL ପଦ୍ଧତିଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଲକ୍ଷ୍ୟଯୋଗ୍ୟ MDPs କୁ ସୀମିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକ ଅବସ୍ଥାରେ ସେନସର ଇନପୁଟ୍ ଅବସ୍ଥାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ଅଟେ । ବାସ୍ତବ ଦୁନିଆରେ, ଆମେ ପ୍ରାୟତଃ ଆଂଶିକ ଭାବେ ଲକ୍ଷ୍ୟ କରାଯାଇପାରୁଥିବା ଏମଡିପି (ପିଓଏମଡିପି) କୁ ନେଇ କାମ କରିବାକୁ ପଡ଼େ । ଆଷ୍ଟ୍ରୋମ (୧୯୬୫) ପ୍ରମାଣ କରିଥିଲେ ଯେ ପିଓଏମଡିପିରେ ସର୍ବୋତ୍ତମ ନିଷ୍ପତ୍ତି ସମୟର ପ୍ରତ୍ୟେକ ସମୟରେ ବିଶ୍ବାସ ରାଜ୍ୟ b ଉପରେ ନିର୍ଭର କରେ, ଅର୍ଥାତ୍ ସମସ୍ତ ସମ୍ଭାବ୍ୟ ପ୍ରକୃତ ରାଜ୍ୟ ଉପରେ ପଶ୍ଚାତବର୍ତ୍ତୀ ସମ୍ଭାବ୍ୟ ବଣ୍ଟନ, ଆଜି ପର୍ଯ୍ୟନ୍ତ ସମସ୍ତ ପ୍ରମାଣ ଦିଆଯାଇଥାଏ । ପରେ V ଓ Q ଫଙ୍କସନ s ବଦଳରେ b ର ଫଙ୍କସନ ହୋଇଯାଏ । ପାର ଓ ରସେଲ (୧୯୯୫) ଏକ ସରଳ POMDP RL ଆଲଗୋରିଦମକୁ ବର୍ଣ୍ଣନା କରିଛନ୍ତି । କୌଣସି ଗୋଟିଏ ପଦ୍ଧତିର ସ୍ଥିତିରେ ଅଧିକ ସଂଖ୍ୟକ ସ୍ଥିତି ପରିବର୍ତ୍ତନକାରୀ ଏବଂ ଦୀର୍ଘକାଳୀନ କାଳୀନ ନିର୍ଭରଶୀଳତା ଥିବା ସ୍ଥିତିରେ ବୃଦ୍ଧି ହେବାର ସମ୍ଭାବନା ନାହିଁ । ମଡେଲକୁ ସଂକ୍ଷିପ୍ତ ଭାବେ ପ୍ରତିନିଧିତ୍ୱ କରିବାର ଏକ ଉପାୟ ଆବଶ୍ୟକ ଏବଂ ମଡେଲ ଏବଂ ପ୍ରତ୍ୟେକ ନୂତନ ପର୍ଯ୍ୟବେକ୍ଷଣକୁ ଦୃଷ୍ଟିରେ ରଖି ବିଶ୍ବାସ ସ୍ଥିତିକୁ ଦକ୍ଷତାର ସହିତ ଅପଡେଟ୍ କରିବା । ଡାଇନାମିକ୍ ବେଜିଆନ ନେଟୱାର୍କ (ଡିନ୍ ଏବଂ କାନାଜାୱା, 1989) ରେ କିଛି ଆବଶ୍ୟକୀୟ ଗୁଣ ଥିବା ପରି ମନେହୁଏ; ବିଶେଷକରି, କଲ୍ମାନ ଫିଲ୍ଟର ଏବଂ ଲୁକ୍କାୟିତ ମାର୍କୋଭ୍ ମଡେଲ ପରି ଅନ୍ୟ ପଦ୍ଧତି ଅପେକ୍ଷା ସେମାନଙ୍କର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଲାଭ ଅଛି । ଚିତ୍ର 1 ରେ ପ୍ରଦର୍ଶିତ ଆମର ମୂଳ ଆର୍ଚେଟେକ୍ଚର, ନୂତନ ସେନସର ସୂଚନା ଆସିବା ପରେ ବିଶ୍ୱାସ ସ୍ଥିତିକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ଏବଂ ଅପଡେଟ୍ କରିବା ପାଇଁ DBNs ବ୍ୟବହାର କରେ । b ପାଇଁ ଏକ ପ୍ରତିନିଧିତ୍ୱ ଦିଆଯାଇଥିବା ବେଳେ, ପୁରସ୍କାର ସଂକେତକୁ Q-କାର୍ଯ୍ୟ ଶିଖିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯାହାକି କିଛି black-box function approximator ଦ୍ବାରା ପ୍ରତିନିଧିତ୍ୱ ହୋଇଥାଏ ଯେପରିକି ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ । ଯଦି ଆମେ ହାଇବ୍ରିଡ୍ (ବି- ଏହି ଆଲୋଚନାରେ ଏକ ଶିକ୍ଷଣ ଏଜେଣ୍ଟ ପାଇଁ ଏକ ସରଳ "ମୂଳ ସ୍ତରୀୟ ସ୍ଥାପତ୍ୟ" ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହା ଷ୍ଟୋକାଷ୍ଟିକ୍, ଆଂଶିକ ଭାବରେ ପର୍ଯ୍ୟବେକ୍ଷଣଯୋଗ୍ୟ ପରିବେଶକୁ ପରିଚାଳନା କରିପାରିବ । ଏହି ସ୍ଥାପତ୍ୟରେ ଆକାରାତ୍ମକ ଶିକ୍ଷଣ ସହିତ କାଳୀୟ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ଗ୍ରାଫିକାଲ ମଡେଲ ଭାବରେ ଦର୍ଶାଇବା ପାଇଁ ଏକ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଛି । ମୁଁ ସେନ୍ସୋରୀ ଇନପୁଟରୁ ଏପରି ପ୍ରତିନିଧିତ୍ବର ପାରାମିଟର ଏବଂ ସଂରଚନାକୁ ଲିମିଂ କରିବା ପାଇଁ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା କରିବି, ଏବଂ ପଶ୍ଚାତବର୍ତ୍ତୀ ସମ୍ଭାବ୍ୟତା ଗଣନା ପାଇଁ । ଆମେ ସମ୍ପୂର୍ଣ୍ଣ ଏଜେଣ୍ଟକୁ ପରୀକ୍ଷା କରିବା ପୂର୍ବରୁ କିଛି ଖୋଲା ସମସ୍ୟା ରହିଛି; ଯେତେବେଳେ ଆମେ ଏହାକୁ ବୃଦ୍ଧି କରିବା ବିଷୟରେ ବିଚାର କରୁଛୁ ସେତେବେଳେ ଆହୁରି ଅଧିକ ସମସ୍ୟା ସୃଷ୍ଟି ହୋଇଥାଏ । ଏହି ଆଲୋଚନାରେ ଦ୍ୱିତୀୟ ବିଷୟ ହେଉଛି, କ ଣ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ପଶୁ ଓ ମଣିଷର ଶିକ୍ଷଣ ପାଇଁ ଏକ ଉତ୍ତମ ମଡେଲ ହୋଇ ପାରିବ? ଏହି ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ପାଇଁ ଆମକୁ ବିପରୀତ ଦୃଢୀକରଣ ଶିକ୍ଷଣ କରିବାକୁ ହେବ: ଲକ୍ଷ୍ୟ କରାଯାଇଥିବା ଆଚରଣକୁ ଦେଖି, କେଉଁ ପୁରସ୍କାର ସଂକେତ, ଯଦି କିଛି ଅଛି, ତାହା ଅନୁକୂଳିତ ହେଉଛି? ଏହା COLT, UAI, ଏବଂ ML ସମୁଦାୟ ପାଇଁ ଏକ ଅତ୍ୟନ୍ତ ଆକର୍ଷଣୀୟ ସମସ୍ୟା ପରି ମନେହୁଏ, ଏବଂ ମାର୍କୋଭ୍ ନିଷ୍ପତ୍ତି ପ୍ରକ୍ରିୟା ର ଢାଞ୍ଚାଗତ ଆକଳନ ଶୀର୍ଷକ ଅନ୍ତର୍ଗତ ଅର୍ଥନୀତିକରେ ଏହା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । 1 ଅନିଶ୍ଚିତ ପରିବେଶରେ ଶିକ୍ଷା ଲାଭ କରିବା - ଏଆଇ ହେଉଛି ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟମାନଙ୍କ ନିର୍ମାଣ, ଅର୍ଥାତ୍, ପରିବେଶରେ ପ୍ରଭାବଶାଳୀ ଭାବରେ (କିଛି କାର୍ଯ୍ୟଦକ୍ଷତା ମାପ ଅନୁଯାୟୀ) ସିଷ୍ଟମଗୁଡିକ ଯାହା ବୁଦ୍ଧିମାନ ଏବଂ କାର୍ଯ୍ୟ କରେ । ମୁଁ ଅନ୍ୟ ସ୍ଥାନରେ ଯୁକ୍ତି କରିଛି ଯେ ଅଧିକାଂଶ ଏଆଇ ଗବେଷଣା ସ୍ଥିତିକ, ନିର୍ଣ୍ଣାୟକ, ପୃଥକ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ପର୍ଯ୍ୟବେକ୍ଷଣଯୋଗ୍ୟ ପରିବେଶ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ବାସ୍ତବ ଦୁନିଆରେ ଯେପରି ପରିବେଶ ଗତିଶୀଳ, ସ୍ଥାୟୀ, ନିରନ୍ତର ଏବଂ ଆଂଶିକ ଭାବେ ଦୃଶ୍ୟମାନ ହୋଇଥାଏ, ସେତେବେଳେ କ ଣ କରାଯିବା ଉଚିତ? ଏହି କାଗଜରେ NSF @I-9634215), ONR (N00014-97-l-0941) ଏବଂ AR0 (DAAH04-96-1-0341) ଦ୍ୱାରା ସମର୍ଥିତ ବିଭିନ୍ନ ଗବେଷଣା ପ୍ରୟାସ ଉପରେ ଆଧାରିତ । ବ୍ୟକ୍ତିଗତ କିମ୍ବା ଶ୍ରେଣୀଗୃହରେ ବ୍ୟବହାର ପାଇଁ ଏହି କାମର ସମସ୍ତ କିମ୍ବା କିଛି ଅଂଶର ଡିଜିଟାଲ କିମ୍ବା କପିର କପି କରିବା ପାଇଁ ବିନା କୌଣସି ଶୁଳ୍କରେ ଅନୁମତି ପ୍ରଦାନ କରାଯାଇଛି, ଯଦି କପିର କପି ପ୍ରଲିଟ କିମ୍ବା ବ୍ୟବସାୟିକ ଲାଭ ପାଇଁ କରାଯାଇନାହିଁ ଏବଂ କପିରେ ଏହି ନୋଟିସ ଏବଂ ପ୍ରଥମ ପୃଷ୍ଠାରେ ସମ୍ପୂର୍ଣ୍ଣ ଉଦ୍ଧୃତି ଲେଖା ହୋଇଛି । ନକଲ କରିବା ପାଇଁ ଅନ୍ୟଥା । ପୁନଃ ପ୍ରକାଶନ, ସର୍ଭରରେ ପୋଷ୍ଟ କରିବା କିମ୍ବା ସୂଚୀକୁ ପୁନଃ ବିତରଣ କରିବା ପାଇଁ, ପୂର୍ବ ନିର୍ଦ୍ଦିଷ୍ଟ ଅନୁମତି ଏବଂ/କିମ୍ବା ଏକ ଦେୟ ଆବଶ୍ୟକ ହୋଇଥାଏ । COLT 98 Madison WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 ବିଗତ ବର୍ଷମାନଙ୍କରେ, ସୁଦୃଢ଼ ଶିକ୍ଷଣ (ନ୍ୟୁରୋଡାଇନାମିକ ପ୍ରୋଗ୍ରାମିଂ ମଧ୍ୟ କୁହାଯାଏ) ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଉପକରଣ ନିର୍ମାଣ କରିବାର ଏକ ପଦ୍ଧତି ଭାବରେ ଦ୍ରୁତ ଅଗ୍ରଗତି କରିଛି (ସଟନ, 1988; କୈଲବଲିଙ୍ଗ ଏଟ ଅଲ, 1996; ବର୍ଟସେକାସ୍ ଏବଂ ଟିସିସିକଲିସ୍, 1996) । ମୂଳ ଧାରଣା ହେଉଛି ଯେ ପ୍ରଦର୍ଶନ ମାପକକୁ ଏଜେଣ୍ଟ ପାଇଁ ଉପଲବ୍ଧ କରାଇଥାଏ, ଯାହା ଏକ ପୁରସ୍କାର ଫଙ୍କସନ୍ ରୂପରେ ଥାଏ, ଯାହା ଏଜେଣ୍ଟ ଦେଇଥିବା ପ୍ରତ୍ୟେକ ସ୍ଥିତି ପାଇଁ ପୁରସ୍କାରକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିଥାଏ । |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | ଏହି ଦସ୍ତାବିଜରେ ମାଇକ୍ରୋ ଇଲେକ୍ଟ୍ରୋ-ମେକାନିକାଲ ସିଷ୍ଟମ (ଏମଇଏମଏସ) ଉପରେ ଆଧାରିତ ରେଡିଓ ଫ୍ରିକ୍ୱେନ୍ସି (ଆରଏଫ) ଟେକ୍ନୋଲୋଜିର ଏକ ନୂତନ କ୍ଷେତ୍ର ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ଆର୍ଏଫ୍ ଏମ୍ଇଏମଏସ୍ ନୂତନ ଉପକରଣ ଏବଂ ଉପାଦାନର ଏକ ଶ୍ରେଣୀ ପ୍ରଦାନ କରେ ଯାହା ପାରମ୍ପରିକ (ସାଧାରଣତଃ ସେମିକଣ୍ଡକ୍ଟର) ଉପକରଣ ତୁଳନାରେ ଉନ୍ନତ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରେ ଏବଂ ନୂତନ ସିଷ୍ଟମ୍ କ୍ଷମତାକୁ ସକ୍ଷମ କରେ । ଏହାବ୍ୟତୀତ, ଏମଇଏମଏସ ଉପକରଣଗୁଡ଼ିକର ଡିଜାଇନ ଏବଂ ନିର୍ମାଣ ବହୁତ ବଡ଼ ଆକାରର ସମନ୍ୱୟ ସହିତ ସମାନ କୌଶଳ ଦ୍ୱାରା କରାଯାଇଥାଏ ଏବଂ ପାରମ୍ପରିକ ବ୍ୟାଚ୍ ପ୍ରକ୍ରିୟାକରଣ ପଦ୍ଧତି ଦ୍ୱାରା ଏହା ନିର୍ମାଣ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ, ଏକମାତ୍ର ଉପକରଣ ଯାହା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ତାହା ହେଉଛି ଇଲେକ୍ଟ୍ରୋଷ୍ଟାଟିକ୍ ମାଇକ୍ରୋସ୍ୱିଚ୍- ବୋଧହୁଏ ଆଦର୍ଶ RF-MEMS ଉପକରଣ । ଏହାର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା କାରଣରୁ ମାଇକ୍ରୋସ୍ୱିଚ୍ ରେଡିଓ ଫ୍ରଣ୍ଟ-ଏଣ୍ଡ, କଣ୍ଡେସଟର ବ୍ୟାଙ୍କ ଏବଂ ଟାଇମ୍ ଡେଲି ନେଟୱାର୍କ ସମେତ ଅନେକ ପ୍ରଚଳିତ ସର୍କିଟ୍ ଏବଂ ସିଷ୍ଟମରେ ବିକଶିତ ହେଉଛି । ଉଚ୍ଚତର କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ଅତି ନିମ୍ନ ଶକ୍ତିର କ୍ଷରଣ ଏବଂ ବୃହତ ଆକାରର ସମନ୍ୱୟ ମଧ୍ୟ ନୂତନ ସିଷ୍ଟମ କାର୍ଯ୍ୟକାରିତାକୁ ମଧ୍ୟ ଅନୁମତି ଦେବ । ଏଠାରେ ଦୁଇଟି ସମ୍ଭାବ୍ୟତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ତାହା ହେଉଛି କ୍ୱାସି-ଅପ୍ଟିକାଲ ବିମ୍ ଷ୍ଟିଅରିଂ ଏବଂ ବୈଦ୍ୟୁତିକ ରୂପରେ ପୁନଃନିର୍ଦ୍ଧାରିତ ଆଣ୍ଟେନା । |
9d5f36b92ac155fccdae6730660ab44d46ad501a | ବିପଦ ସମକକ୍ଷତା ହେଉଛି ବିବିଧତା ସମ୍ପନ୍ନ ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ ପାଇଁ ବ୍ୟବହୃତ ଏକ ଆବଣ୍ଟନ ପଦ୍ଧତି ଯାହା କୌଣସି ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣର କୌଣସି ଅନୁମାନ ଉପରେ ନିର୍ଭର କରେ ନାହିଁ, ଯାହାଦ୍ୱାରା ବିପଦ ପରିଚାଳନାକୁ ରଣନୀତିର କେନ୍ଦ୍ରରେ ରଖାଯାଇଥାଏ । ଏହା ବର୍ଣ୍ଣନା କରେ ଯେ ୨୦୦୮ରେ ବିଶ୍ୱ ଆର୍ଥିକ ସଙ୍କଟ ପରେ କାହିଁକି ରିସ୍କ ପାର୍ଟିଟି ଏକ ଲୋକପ୍ରିୟ ନିବେଶ ମଡେଲ ହୋଇଗଲା । ତେବେ ରିସ୍କ ପାର୍ଟିଟି ଉପରେ ମଧ୍ୟ ସମାଲୋଚନା କରାଯାଇଛି କାରଣ ଏହା ପୋର୍ଟଫୋଲିଓ ପ୍ରଦର୍ଶନ ଅପେକ୍ଷା ରିସ୍କ କେନ୍ଦ୍ରୀକରଣ ପରିଚାଳନା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଏବଂ ତେଣୁ ଏହାକୁ ସକ୍ରିୟ ପରିଚାଳନା ଅପେକ୍ଷା ନିଷ୍କ୍ରିୟ ପରିଚାଳନା ନିକଟତର ବୋଲି ବିବେଚନା କରାଯାଏ । ଏହି ଆର୍ଟିକିଲରେ ଆମେ ଦେଖାଇବୁ କିଭଳି ଆଶାନୁରୂପ ରିଟର୍ଣ୍ଣର ଅନୁମାନକୁ ରିସ୍କ ପ୍ୟାରିଟି ପୋର୍ଟଫୋଲିଓରେ ସାମିଲ କରାଯାଇପାରିବ । ଏଥିପାଇଁ ଆମେ ଏକ ସାଧାରଣ ବିପଦ ମାପଦଣ୍ଡ ଉପରେ ବିଚାର କରୁଛୁ ଯେଉଁଥିରେ ପୋର୍ଟଫୋଲିଓର ରିଟର୍ଣ୍ଣ ଓ ଅସ୍ଥିରତା ଉଭୟକୁ ବିଚାରକୁ ନିଆଯାଇଥାଏ । ତେବେ, ପ୍ରଦର୍ଶନ ଓ ଅସ୍ଥିରତା ଅବଦାନ ମଧ୍ୟରେ ଥିବା ତାରତମ୍ୟ କିଛି ଅସୁବିଧା ସୃଷ୍ଟି କରିଥାଏ, ଯେତେବେଳେ କି ବିପଦ ବଜେଟ ସମସ୍ୟା ସ୍ପଷ୍ଟ ଭାବରେ ପରିଭାଷିତ ହେବା ଆବଶ୍ୟକ । ଏହିପରି ରିସ୍କ ବଜେଟ ପୋର୍ଟଫୋଲିଓର ଥିଓରିଟିକାଲ ପ୍ରପର୍ଟିଜ ବାହାର କରିବା ପରେ ଆମେ ଏହି ନୂଆ ମଡେଲକୁ ଆକ୍ଟିଭ୍ ଆଲୋକେସନ ଉପରେ ପ୍ରୟୋଗ କରିଥାଉ । ପ୍ରଥମତଃ, ଆମେ ଦୀର୍ଘକାଳୀନ ନିବେଶ ନୀତି ଏବଂ ରଣନୀତିକ ସମ୍ପତ୍ତି ଆବଣ୍ଟନର ନିର୍ଦ୍ଧାରଣ ଉପରେ ବିଚାର କରୁଛୁ । ଏହା ପରେ ଆମେ ଗତିଶୀଳ ଆବଣ୍ଟନ ଉପରେ ବିଚାର କରିବା ଏବଂ ଆଶାନୁରୂପ ରିଟର୍ଣ୍ଣ ଉପରେ ନିର୍ଭର କରୁଥିବା ରିସ୍କ ପାର୍ଟିଟି ଫଣ୍ଡ କିପରି ନିର୍ମାଣ କରାଯିବ ତାହା ଦେଖାଇବୁ । |
006df3db364f2a6d7cc23f46d22cc63081dd70db | ଏକ ଆଡହକ ନେଟୱର୍କ ହେଉଛି କୌଣସି ସ୍ଥାପିତ ଭିତ୍ତିଭୂମି କିମ୍ବା କେନ୍ଦ୍ରୀକୃତ ପ୍ରଶାସନର ସହାୟତା ବିନା ଏକ ଅସ୍ଥାୟୀ ନେଟୱର୍କ ଗଠନ କରୁଥିବା ୱାୟାରଲେସ ମୋବାଇଲ ହୋଷ୍ଟର ଏକ ସଂଗ୍ରହ । ଏଭଳି ପରିସ୍ଥିତିରେ, ପ୍ରତ୍ୟେକ ମୋବାଇଲ ହୋଷ୍ଟର ୱାୟାରଲେସ୍ ଟ୍ରାନ୍ସମିସନର ସୀମିତ ପରିସର ହେତୁ ଏକ ପ୍ୟାକେଟକୁ ଏହାର ଗନ୍ତବ୍ୟସ୍ଥଳକୁ ପଠାଇବା ପାଇଁ ଅନ୍ୟ ହୋଷ୍ଟର ସାହାଯ୍ୟ ଲୋଡିବା ଆବଶ୍ୟକ ହୋଇପାରେ । ଏହି କାଗଜରେ ଆଡହକ ନେଟୱର୍କରେ ରୁଟିଙ୍ଗ ପାଇଁ ଏକ ପ୍ରୋଟୋକଲ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଡାଇନାମିକ୍ ସୋର୍ସ ରୁଟିଙ୍ଗ ବ୍ୟବହାର କରିଥାଏ । ପ୍ରୋଟୋକଲ ରୁଟିଙ୍ଗ ପରିବର୍ତ୍ତନକୁ ଶୀଘ୍ର ଅନୁକୂଳ କରିଥାଏ ଯେତେବେଳେ ହୋଷ୍ଟର ଗତି ବାରମ୍ବାର ହୋଇଥାଏ, ତଥାପି କମ୍ ସମୟରେ ହୋଷ୍ଟର ଗତି କମ୍ ସମୟରେ ଅଳ୍ପ କିମ୍ବା କୌଣସି ଓଭରହେଡ ଆବଶ୍ୟକ ହୁଏ । ଏକ ଆଡହକ ନେଟୱର୍କରେ କାର୍ଯ୍ୟ କରୁଥିବା ମୋବାଇଲ ହୋଷ୍ଟର ପ୍ୟାକେଟ ସ୍ତରୀୟ ସିମୁଲେସନରୁ ମିଳିଥିବା ଫଳାଫଳ ଆଧାରରେ, ପ୍ରୋଟୋକଲ ବିଭିନ୍ନ ପରିବେଶ ପରିସ୍ଥିତିରେ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ ଯେପରିକି ହୋଷ୍ଟର ଘନତା ଏବଂ ଗତି ହାର । ସର୍ବାଧିକ ଗତିର ହୋଷ୍ଟକୁ ଛାଡ଼ି ଦେଲେ ଅନ୍ୟ ସମସ୍ତ ସିମୁଲେସନ ପାଇଁ ପ୍ରୋଟୋକଲର ଓଭରହେଡ୍ ବହୁତ କମ୍ ରହିଛି, ଯାହାକି ୨୪ଟି ମୋବାଇଲ ହୋଷ୍ଟ ନେଟୱର୍କରେ ମଧ୍ୟମ ଗତିର ଡାଟା ପ୍ୟାକେଟର ମାତ୍ର ୧% । ସମସ୍ତ କ୍ଷେତ୍ରରେ, ବ୍ୟବହୃତ ମାର୍ଗ ଏବଂ ସର୍ବୋତ୍ତମ ମାର୍ଗର ଲମ୍ବ ମଧ୍ୟରେ ଲମ୍ବରେ ପାର୍ଥକ୍ୟ ଅଳ୍ପ ଅଟେ, ଏବଂ ଅଧିକାଂଶ କ୍ଷେତ୍ରରେ, ମାର୍ଗର ଲମ୍ବ ସର୍ବୋତ୍ତମ ଠାରୁ ହାରାହାରି 1.01 ଗୁଣକ ମଧ୍ୟରେ ରହିଥାଏ । |
25a26b86f4a2ebca2b154effbaf894aef690c03c | ନିକଟରେ, ନିରୀକ୍ଷଣ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପ୍ରତି ବିଶେଷ ଆଗ୍ରହ ଦେଖାଦେଇଛି ଯାହା ପାଠ୍ୟ ଶିକ୍ଷଣ କାର୍ଯ୍ୟ ପାଇଁ ଲେବଲ୍ ଏବଂ ଅଣଲେବଲ୍ ତଥ୍ୟକୁ ମିଶ୍ରଣ କରେ । ସହ-ଶିକ୍ଷଣ ସେଟିଂ [1] ତଥ୍ୟ ସେଟ୍ ପାଇଁ ପ୍ରଯୁଜ୍ୟ ଯେଉଁଠାରେ ସେମାନଙ୍କର ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଦୁଇଟି ବିଚ୍ଛିନ୍ନ ସେଟରେ ପ୍ରାକୃତିକ ବିଚ୍ଛିନ୍ନତା ଅଛି । ଆମେ ଦେଖାଇଛୁ ଯେ ଲେବଲ ଏବଂ ଅନଲେବଲ ତଥ୍ୟରୁ ଶିଖିବା ସମୟରେ, ଆଲଗୋରିଦମଗୁଡ଼ିକ ସ୍ପଷ୍ଟ ଭାବରେ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ଏକ ପ୍ରାକୃତିକ ସ୍ୱାଧୀନ ବିଭାଜନକୁ ଉନ୍ମୁକ୍ତ କରି ଆଲଗୋରିଦମଗୁଡ଼ିକୁ ଅତିକ୍ରମ କରିଥା ନ୍ତି ଯାହା କରନ୍ତି ନାହିଁ । ଯେତେବେଳେ ପ୍ରାକୃତିକ ବିଭାଜନ ନଥାଏ, ସେତେବେଳେ ଏକ ବୈଶିଷ୍ଟ୍ୟ ବିଭାଜନ ପ୍ରସ୍ତୁତ କରୁଥିବା ସହ-ପ୍ରଶିକ୍ଷଣ ଆଲଗୋରିଦମ ବିଭାଜନ ବ୍ୟବହାର ନକରି ଆଲଗୋରିଦମକୁ ଅତିକ୍ରମ କରିପାରେ । ଏହି ଫଳାଫଳଗୁଡିକ ବୁଝିବାରେ ସାହାଯ୍ୟ କରେ ଯେ କାହିଁକି ସହ-ଶିକ୍ଷଣ ଆଲଗୋରିଦମଗୁଡିକ ଉଭୟ ପ୍ରକୃତିରେ ଭେଦଭାବପୂର୍ଣ୍ଣ ଏବଂ ସେମାନଙ୍କର ଅନ୍ତର୍ନିହିତ ଶ୍ରେଣୀଭୁକ୍ତକାରୀଙ୍କ ଅନୁମାନ ପାଇଁ ଦୃଢ ଅଟେ । |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ (ଆଇଓଟି) ର ବ୍ୟାପକ ପ୍ରୟୋଗ ଦେଖିବାକୁ ମିଳିଛି ଏବଂ ଏହା ପ୍ରତ୍ୟେକ କ୍ଷେତ୍ରରେ ଉପଲବ୍ଧ ହେଉଛି । ଉପକରଣଗୁଡ଼ିକ ମଧ୍ୟରେ ସୁରକ୍ଷିତ ଯୋଗାଯୋଗକୁ ସକ୍ଷମ କରିବା ପାଇଁ ପ୍ରାମାଣିକତା ଏବଂ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ହେଉଛି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟକାରିତା । IoT ନେଟୱାର୍କରେ ନିମ୍ନ ଶକ୍ତି ଉପକରଣର ଗତିଶୀଳତା, ଗତିଶୀଳ ନେଟୱାର୍କ ଟପୋଲୋଜି ଏବଂ ଦୁର୍ବଳ ଭୌତିକ ସୁରକ୍ଷା ସୁରକ୍ଷା ପାଇଁ ସମ୍ଭାବ୍ୟ ଉତ୍ସ ଅଟେ । ଏହା ଏକ ଉତ୍ସ ସୀମିତ ଏବଂ ବଣ୍ଟିତ ଆଇଓଟି ପରିବେଶରେ ପ୍ରମାଣୀକରଣ ଏବଂ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ଆକ୍ରମଣ ପ୍ରତିରୋଧୀ ଏବଂ ହାଲୁକା କରିବା ପାଇଁ ପ୍ରତିଶ୍ରୁତି ଦେଉଛି । ଏହି ଦସ୍ତାବିଜରେ ପରିଚୟ ପ୍ରମାଣୀକରଣ ଏବଂ କ୍ଷମତା ଆଧାରିତ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ (ଆଇଏସିଏସି) ମଡେଲ ସହିତ ପ୍ରୋଟୋକଲ ମୂଲ୍ୟାଙ୍କନ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରାଯାଇଛି । ମ୍ୟାନ-ଇନ୍-ଦ ମିଡିଲ୍, ରିପ୍ଲେ ଏବଂ ସେବା (ଡୋସ୍) ର ଆକ୍ରମଣରୁ ଆଇଓଟିକୁ ସୁରକ୍ଷା ଦେବା ପାଇଁ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ପାଇଁ କ୍ଷମତା ଧାରଣା ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି । ଏହି ମଡେଲର ନୂତନତ୍ୱ ହେଉଛି ଏହା ଆଇଓଟି ଡିଭାଇସ ପାଇଁ ପ୍ରମାଣୀକରଣ ଏବଂ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣର ଏକ ସମନ୍ୱିତ ଆଭିମୁଖ୍ୟ ଉପସ୍ଥାପନ କରେ । ଆମର ଏହି ନିଷ୍କର୍ଷକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଅନ୍ୟାନ୍ୟ ସମ୍ବନ୍ଧିତ ଅଧ୍ୟୟନର ଫଳାଫଳକୁ ମଧ୍ୟ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଶେଷରେ, ସୁରକ୍ଷା ପ୍ରୋଟୋକଲ ଯାଞ୍ଚ ଉପକରଣ ବ୍ୟବହାର କରି ପ୍ରସ୍ତାବିତ ପ୍ରୋଟୋକଲର ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି ଏବଂ ଯାଞ୍ଚ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ IACAC ଉପରେ ଉଲ୍ଲିଖିତ ଆକ୍ରମଣ ବିରୁଦ୍ଧରେ ସୁରକ୍ଷିତ ଅଟେ । ଏହି କାଗଜରେ ପ୍ରୋଟୋକଲର କାର୍ଯ୍ୟଦକ୍ଷତା ବିଶ୍ଳେଷଣ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ୧, ୩୦୯-୩୪୮. c © 2013 ନଦୀ ପ୍ରକାଶନ ସଂସ୍ଥା । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. 310 ପି.ଏନ୍. ମହଲଲ ଓ ଅନ୍ୟମାନେ ବର୍ତ୍ତମାନର ସମାଧାନ ଆହୁରି ମଧ୍ୟ, ଏହି କାଗଜରେ ଆଇଓଟି କ୍ଷେତ୍ରରେ ଥିବା ଆହ୍ୱାନଗୁଡ଼ିକ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଆଇଓଟି ନେଟୱାର୍କଗୁଡ଼ିକର ବାସ୍ତବ ଦୃଶ୍ୟ ପ୍ରଦାନ କରିବା ପାଇଁ ବ୍ୟବହାର ମାମଲାରେ ସୁରକ୍ଷା ଆକ୍ରମଣର ମଡେଲିଂ କରାଯାଇଛି । |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | ଆମେ ଏଠାରେ ଏକ ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିଜର୍ (SA) ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଅନଲାଇନ୍ ପାଠ୍ୟ ଦଲିଲରୁ ଏକ ବିଷୟ ବିଷୟରେ ଭାବନା (କିମ୍ବା ମତ) ବାହାର କରିଥାଏ । ଗୋଟିଏ ବିଷୟ ଉପରେ ସମ୍ପୂର୍ଣ୍ଣ ଦସ୍ତାବିଜର ଭାବନାକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପରିବର୍ତ୍ତେ, ଏସଏ ସମସ୍ତ ପ୍ରସଙ୍ଗକୁ ଚିହ୍ନଟ କରିଥାଏ ଏବଂ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (ଏନଏଲପି) କୌଶଳ ବ୍ୟବହାର କରି ପ୍ରତ୍ୟେକ ପ୍ରସଙ୍ଗରେ ଭାବନାକୁ ନିର୍ଣ୍ଣୟ କରିଥାଏ । ଆମର ଭାବନା ବିଶ୍ଳେଷଣରେ 1) ଏକ ବିଷୟ ନିର୍ଦ୍ଦିଷ୍ଟ ବୈଶିଷ୍ଟ୍ୟ ଶବ୍ଦ ଉତ୍ତୋଳନ, 2) ଭାବନା ଉତ୍ତୋଳନ, ଏବଂ 3) ସମ୍ପର୍କ ବିଶ୍ଳେଷଣ ଦ୍ୱାରା (ବିଷୟ, ଭାବନା) ସମ୍ପର୍କ ଅନ୍ତର୍ଭୁକ୍ତ । ଏସଏ ବିଶ୍ଳେଷଣ ପାଇଁ ଦୁଇଟି ଭାଷାଗତ ସମ୍ବଳ ବ୍ୟବହାର କରିଥାଏ: ଭାବନା ଶବ୍ଦକୋଷ ଏବଂ ଭାବନା ମଡେଲ ଡାଟାବେସ୍ । ଅନ୍ଲାଇନ୍ ଉତ୍ପାଦ ସମୀକ୍ଷା ଲେଖା (ଡିଜିଟାଲ୍ କ୍ୟାମେରା ଓ ମ୍ୟୁଜିକ୍ ସମୀକ୍ଷା) ଏବଂ ସାଧାରଣ ୱେବ୍ ପୃଷ୍ଠା ଓ ସମ୍ବାଦ ଆଦିରେ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତା ଯାଞ୍ଚ କରାଯାଇଥିଲା । |
59d9160780bf3eac8c621983a36ff332a3497219 | ସ୍ୱୟଂଚାଳିତ ଭାବନା ବିଶ୍ଳେଷଣର ଅନେକ ପଦ୍ଧତି ସେମାନଙ୍କର ପୂର୍ବ ଧ୍ରୁବତା (ଯାହାକୁ ଅର୍ଥନୈତିକ ଦିଗଦର୍ଶନ ମଧ୍ୟ କୁହାଯାଏ) ସହିତ ଚିହ୍ନିତ ଶବ୍ଦଗୁଡ଼ିକର ଏକ ବଡ଼ ଶବ୍ଦକୋଷ ସହିତ ଆରମ୍ଭ ହୁଏ । କିନ୍ତୁ, ଯେଉଁ ବାକ୍ୟରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଶବ୍ଦ ଦେଖାଯାଏ ତାହାର ପ୍ରସଙ୍ଗଗତ ଧ୍ରୁବତା ସେହି ଶବ୍ଦର ପୂର୍ବ ଧ୍ରୁବତାଠାରୁ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ ହୋଇପାରେ । ସକାରାତ୍ମକ ଶବ୍ଦଗୁଡ଼ିକ ନକାରାତ୍ମକ ଭାବନାକୁ ବ୍ୟକ୍ତ କରୁଥିବା ବାକ୍ୟରେ ବ୍ୟବହୃତ ହୁଏ, କିମ୍ବା ବିପରୀତ ଭାବରେ । ଏହା ସହିତ, ଅନେକ ସମୟରେ ଯେଉଁ ଶବ୍ଦଗୁଡ଼ିକ ସକାରାତ୍ମକ କିମ୍ବା ନକାରାତ୍ମକ ହୋଇଥାଏ ସେଗୁଡ଼ିକର ପ୍ରସଙ୍ଗ ନିତାନ୍ତ ନିରପେକ୍ଷ ହୋଇଥାଏ, ଅର୍ଥାତ୍ ସେଗୁଡ଼ିକ କୌଣସି ଭାବନାକୁ ବ୍ୟକ୍ତ କରିବା ପାଇଁ ମଧ୍ୟ ବ୍ୟବହୃତ ହୋଇନଥାଏ । ଏହି କାର୍ଯ୍ୟର ଲକ୍ଷ୍ୟ ହେଉଛି ପୂର୍ବବର୍ତ୍ତୀ ଏବଂ ପ୍ରସଙ୍ଗଗତ ଧ୍ରୁବତା ମଧ୍ୟରେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଅନ୍ତର କରିବା, ଏହି କାର୍ଯ୍ୟ ପାଇଁ କେଉଁ ବୈଶିଷ୍ଟ୍ୟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତାହା ବୁଝିବା ଉପରେ ଧ୍ୟାନ ଦେଇ। କାରଣ ସମସ୍ୟାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ ହେଉଛି ଚିହ୍ନଟ କରିବା ଯେତେବେଳେ ଧ୍ରୁବୀୟ ଶବ୍ଦଗୁଡ଼ିକ ନିରପେକ୍ଷ ପ୍ରସଙ୍ଗରେ ବ୍ୟବହୃତ ହେଉଛି, ନିରପେକ୍ଷ ଏବଂ ଧ୍ରୁବୀୟ ଉଦାହରଣ ମଧ୍ୟରେ ଭେଦଭାବ ପାଇଁ ବିଶେଷତ୍ୱଗୁଡ଼ିକ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ, ଏବଂ ସକରାତ୍ମକ ଏବଂ ନକାରାତ୍ମକ ପ୍ରସଙ୍ଗଗତ ଧ୍ରୁବତା ମଧ୍ୟରେ ଭେଦଭାବ ପାଇଁ ବିଶେଷତ୍ୱଗୁଡ଼ିକ ମଧ୍ୟ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ । ମୂଲ୍ୟାୟନରେ ଏକାଧିକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମଗୁଡିକରେ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ । ଗୋଟିଏ ବ୍ୟତୀତ ଅନ୍ୟ ସମସ୍ତ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପାଇଁ, ସମସ୍ତ ବୈଶିଷ୍ଟ୍ୟର ମିଶ୍ରଣ ଏକତ୍ର ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରେ । ମୂଲ୍ୟାଙ୍କନର ଅନ୍ୟ ଏକ ଦିଗ ହେଉଛି ଯେ, ନିରପେକ୍ଷ ଉଦାହରଣର ଉପସ୍ଥିତି କିପରି ସକାରାତ୍ମକ ଓ ନକାରାତ୍ମକ ଧ୍ରୁବତା ମଧ୍ୟରେ ଅନ୍ତର କରିବା ପାଇଁ ବିଶେଷତ୍ୱର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଭାବିତ କରିଥାଏ । ଏହି ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ନିରପେକ୍ଷ ଉଦାହରଣର ଉପସ୍ଥିତି ଏହି ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବହୁତ ହ୍ରାସ କରିଥାଏ, ଏବଂ ସମସ୍ତ ଧ୍ରୁବତା ଶ୍ରେଣୀରେ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବାର ସର୍ବୋତ୍ତମ ଉପାୟ ହେଉଛି ଏକ ଉଦାହରଣ ନିରପେକ୍ଷ ହେଲେ ଚିହ୍ନଟ କରିବାର ସିଷ୍ଟମର କ୍ଷମତାକୁ ଉନ୍ନତ କରିବା । |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | ଏହି ପତ୍ରିକାରେ ଆମେ ଏକ କେସ ଷ୍ଟଡିର ବର୍ଣ୍ଣନା କରୁଛୁ ଯେଉଁଥିରେ ବାକ୍ୟ ସ୍ତରୀୟ ଶ୍ରେଣୀକରଣର ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଯେଉଁଥିରେ ଟ୍ୟାଗିଂ ନିର୍ଦ୍ଦେଶାବଳୀ ବିକଶିତ କରାଯାଇଛି ଏବଂ ୱାଲ ଷ୍ଟ୍ରିଟ ଜର୍ଣ୍ଣାଲର ବାକ୍ୟଗୁଡିକୁ ବ୍ୟକ୍ତିଗତ କିମ୍ବା ଉଦ୍ଦେଶ୍ୟଗତ ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଚାରିଜଣ ବିଚାରପତିଙ୍କ ଦ୍ୱାରା ବ୍ୟବହୃତ ହୋଇଛି । ଚାରିଜଣ ବିଚାରପତିଙ୍କ ମଧ୍ୟରେ ହୋଇଥିବା ସହମତିକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ ଏବଂ ସେହି ବିଶ୍ଳେଷଣ ଆଧାରରେ ପ୍ରତ୍ୟେକ ଧାରାକୁ ଚୂଡ଼ାନ୍ତ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇଥାଏ । ଶ୍ରେଣୀକରଣ ପାଇଁ ଅନୁଭବୀ ସମର୍ଥନ ଯୋଗାଇବା ପାଇଁ, କ୍ୱର୍କ ଏବଂ ଅନ୍ୟମାନଙ୍କ ଦ୍ୱାରା ଧାର୍ଯ୍ୟ କରାଯାଇଥିବା ବିଷୟଗତ ଶ୍ରେଣୀ ଏବଂ ମୌଳିକ ଅର୍ଥଶାସ୍ତ୍ରୀୟ ଶ୍ରେଣୀ ମଧ୍ୟରେ ତଥ୍ୟରେ ସମ୍ପର୍କକୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । (1985 ମସିହା) ରେ |
9141d85998eadb1bca5cca027ae07670cfafb015 | ଭାବନା (ମତାମତଗୁଡ଼ିକର ଭାବପ୍ରବଣ ଅଂଶ) ଚିହ୍ନଟ କରିବା ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟା । ଆମେ ଏକ ବ୍ୟବସ୍ଥା ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା କୌଣସି ବିଷୟକୁ ନେଇ, ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସେହି ବିଷୟ ଉପରେ ମତ ରଖୁଥିବା ଲୋକଙ୍କୁ ଏବଂ ପ୍ରତ୍ୟେକ ମତର ଭାବନାକୁ ଖୋଜି ବାହାର କରିଥାଏ । ଏହି ବ୍ୟବସ୍ଥାରେ ଶବ୍ଦ ଭାବନା ନିର୍ଦ୍ଧାରଣ ପାଇଁ ଏକ ମଡ୍ୟୁଲ ରହିଛି ଏବଂ ଅନ୍ୟଟି ବାକ୍ୟ ମଧ୍ୟରେ ଭାବନା ଗୁଡିକୁ ମିଶ୍ରଣ କରିବା ପାଇଁ ରହିଛି । ଆମେ ବିଭିନ୍ନ ମଡେଲର ପ୍ରୟୋଗ କରି ଶବ୍ଦ ଓ ବାକ୍ୟ ସ୍ତରରେ ଭାବନାକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରି ଏହାକୁ ମିଶାଇଛୁ, ଯାହାର ଭଲ ପରିଣାମ ମିଳିଛି । |
c2ac213982e189e4ad4c7f60608914a489ec9051 | ଆମର ତିନି ବର୍ଷର ଅନୁଭୂତିରୁ ଏକ ବିସ୍ତୃତ ଆନୁସଙ୍ଗିକ ଆରବୀ ପାଠ୍ୟର ବିକାଶର ଏକ ବୃହତ ସ୍ତରୀୟ କୋରପସ୍, ଆମର କାଗଜରେ ନିମ୍ନଲିଖିତ ବିଷୟଗୁଡିକ ରହିବଃ (a) ପ୍ରାସଙ୍ଗିକ ଆରବୀ ଭାଷା ପ୍ରସଙ୍ଗଗୁଡିକର ସମୀକ୍ଷା ଯେହେତୁ ସେମାନେ ପଦ୍ଧତି ଚୟନ ସହିତ ଜଡିତ, (b) ପେନ ଇଂରାଜୀ ଟ୍ରିବ୍ୟାଙ୍କ୍ ଶୈଳୀ ନିର୍ଦ୍ଦେଶାବଳୀ ବ୍ୟବହାର କରିବାକୁ ଆମର ପସନ୍ଦକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ, (ଆରବୀ ଭାଷାଭାଷୀ ଆନୁସଙ୍ଗିକମାନଙ୍କୁ ଏକ ନୂତନ ଗ୍ରାମାଟିକାଲ୍ ଟେକ୍ସଟ୍ ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ଆବଶ୍ୟକ କରେ) (ଗ) ମନୁଷ୍ୟର ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଓ ସ୍ୱୟଂଚାଳିତ ବିଶ୍ଳେଷଣ କଷ୍ଟକର, ଯେଉଁଥିରେ ମର୍ଫୋଲୋଜି ବିଶ୍ଳେଷକ ଓ ମନୁଷ୍ୟ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବରେ ବ୍ୟକ୍ତିତ୍ବର ବ୍ୟବହାର ସାମିଲ; (ଘ) ଆରବୀୟ ଟ୍ରିବ୍ୟାଙ୍କ୍ ପଦ୍ଧତି, ଉଭୟ ମର୍ଫୋଲୋଜି ବିଶ୍ଳେଷଣ ଏବଂ ଟ୍ୟାଗିଂ ଏବଂ ସିଣ୍ଟାକ୍ଟିକ୍ ବିଶ୍ଳେଷଣରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ନିର୍ମାଣ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଏବଂ ସମଗ୍ର ଆନୋଟେସନ୍ ପ୍ରକ୍ରିୟାରେ ଏହାକୁ ବିସ୍ତୃତ ଭାବରେ ଅନୁସରଣ କରିଥାଏ, ଏବଂ ଶେଷରେ, (e) ବର୍ତ୍ତମାନ ସୁଦ୍ଧା କ ଣ ହାସଲ ହୋଇଛି ଏବଂ କ ଣ କରାଯିବା ବାକି ଅଛି ତାହା ସହିତ ସମାପ୍ତ କରନ୍ତୁ _ |
e33a3487f9b656631159186db4b2aebaed230b36 | ଆଜି ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମ ପ୍ରାୟ ପ୍ରତ୍ୟେକ ଶିଳ୍ପକୁ ରୂପାନ୍ତରିତ କରୁଛି, ସେମାନେ ଧୀରେ ଧୀରେ ମୁଖ୍ୟ ଧାରା ସୂଚନା ପ୍ରଣାଳୀ (ଆଇଏସ) ସାହିତ୍ୟରେ ପ୍ରବେଶ କରୁଛନ୍ତି । ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ସେମାନଙ୍କ ବିତରିତ ପ୍ରକୃତି ଏବଂ ଅନୁଷ୍ଠାନ, ବଜାର ଏବଂ ପ୍ରଯୁକ୍ତି ସହିତ ଜଡ଼ିତ ଥିବାରୁ ଗବେଷଣା ପାଇଁ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ବିଷୟ । ପ୍ଲାଟଫର୍ମ ନବସୃଜନର ବୃଦ୍ଧି ପାଉଥିବା ପରିମାପ, ପ୍ଲାଟଫର୍ମ ସ୍ଥାପତ୍ୟର ବୃଦ୍ଧି ପାଉଥିବା ଜଟିଳତା ଏବଂ ବିଭିନ୍ନ ଶିଳ୍ପରେ ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମର ପ୍ରସାର ଯୋଗୁଁ ନୂତନ ଗବେଷଣା ଆହ୍ୱାନଗୁଡିକ ଉତ୍ପନ୍ନ ହୋଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମ ଗବେଷଣା ପାଇଁ ଏକ ଗବେଷଣା ଏଜେଣ୍ଡା ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଆମେ ଅନୁସନ୍ଧାନକାରୀମାନଙ୍କୁ ପରାମର୍ଶ ଦେଉଛୁ ଯେ (1) ବିଶ୍ଳେଷଣର ଏକକ, ଡିଜିଟାଲିଟିର ସ୍ତର ଏବଂ ଡିଜିଟାଲ୍ ପ୍ଲାଟଫର୍ମର ସାମାଜିକ-ବୈଷୟିକ ପ୍ରକୃତିକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରୁଥିବା ସ୍ପଷ୍ଟ ସଂଜ୍ଞା ପ୍ରଦାନ କରି ଧାରଣା ସ୍ପଷ୍ଟତା ବୃଦ୍ଧି କରିବାକୁ; (2) ବିଭିନ୍ନ ସ୍ଥାପତ୍ୟ ସ୍ତର ଏବଂ ବିଭିନ୍ନ ଶିଳ୍ପ ସେଟିଂରେ ପ୍ଲାଟଫର୍ମ ଅଧ୍ୟୟନ କରି ଡିଜିଟାଲ୍ ପ୍ଲାଟଫର୍ମ ଧାରଣାଗୁଡିକର ସଠିକ୍ ପରିସରକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ; ଏବଂ (3) ଇମ୍ବେଡେଟ୍ କେସ୍ ଷ୍ଟଡି, ଲଙ୍ଗୁଡିନାଲ୍ ଷ୍ଟଡି, ଡିଜାଇନ୍ ରିସର୍ଚ୍ଚ, ଡାଟା-ଡ୍ରାଇଭ୍ ମଡେଲିଂ ଏବଂ ଭିଜୁଆଲାଇଜେସନ୍ କୌଶଳ ବ୍ୟବହାର କରି ପଦ୍ଧତିଗତ କଠୋରତାକୁ ଅଗ୍ରଗତି କରିବାକୁ । ବ୍ୟବସାୟ କ୍ଷେତ୍ରରେ ସାମ୍ପ୍ରତିକ ବିକାଶକୁ ବିଚାରକୁ ନେଇ, ଆମେ ଅଧିକ ଗବେଷଣା ପାଇଁ ଛଅଟି ପ୍ରଶ୍ନ ପ୍ରସ୍ତାବ ଦେଉଛୁ: (1) ପ୍ଲାଟଫର୍ମ ଏଠାରେ ରହିବା ପାଇଁ ଅଛି କି? (2) ପ୍ଲାଟଫର୍ମର ଡିଜାଇନ୍ କିପରି ହେବା ଉଚିତ? • ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମ ଉଦ୍ୟୋଗକୁ କିଭଳି ରୂପାନ୍ତରିତ କରୁଛି ? • (4) ତଥ୍ୟ ଆଧାରିତ ଆଭିମୁଖ୍ୟ ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମ ଗବେଷଣାକୁ କିପରି ସୂଚିତ କରିପାରିବ? • ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମ ପାଇଁ ଗବେଷକମାନେ କିପରି ସିଦ୍ଧାନ୍ତ ବିକଶିତ କରିବେ? ଏବଂ (6) ଡିଜିଟାଲ ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ଦୈନନ୍ଦିନ ଜୀବନକୁ କିପରି ପ୍ରଭାବିତ କରୁଛି? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | ସିଷ୍ଟମ ସ୍ପେସିଫିକେସନର ଉପଯୋଗିତା ଆଂଶିକ ଭାବରେ ଆବଶ୍ୟକତାର ପୂର୍ଣ୍ଣତା ଉପରେ ନିର୍ଭର କରେ । ତେବେ ସମସ୍ତ ଆବଶ୍ୟକୀୟ ଆବଶ୍ୟକତାକୁ ତାଲିକାଭୁକ୍ତ କରିବା କଷ୍ଟକର, ବିଶେଷକରି ଯେତେବେଳେ ଆବଶ୍ୟକତା ଏକ ଅପ୍ରତ୍ୟାଶିତ ପରିବେଶ ସହିତ ପାରସ୍ପରିକ କାର୍ଯ୍ୟ କରେ । ଏକ ଆଦର୍ଶ ପରିବେଶ ଦୃଷ୍ଟିକୋଣ ସହିତ ନିର୍ମିତ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟତା ଅସମ୍ପୂର୍ଣ୍ଣ ଅଟେ ଯଦି ଏହା ଅଣ-ଆଦର୍ଶିତ ଆଚରଣକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଆବଶ୍ୟକତାଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ନାହିଁ । ଅନେକ ସମୟରେ ଅସମ୍ପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତାକୁ କାର୍ଯ୍ୟକାରୀ କରିବା, ପରୀକ୍ଷା କରିବା କିମ୍ବା ଅଧିକ ଖରାପ, ନିୟୋଜନ ପରେ ଚିହ୍ନଟ କରାଯାଇ ନଥାଏ । ଆବଶ୍ୟକତାର ବିଶ୍ଳେଷଣ ସମୟରେ ମଧ୍ୟ ଅସମ୍ପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତାକୁ ଚିହ୍ନଟ କରିବା ସାଧାରଣତଃ ଏକ ତ୍ରୁଟି ପ୍ରବଣ, କ୍ଳାନ୍ତିକର ଏବଂ ହସ୍ତକୃତ କାର୍ଯ୍ୟ ଅଟେ । ଏହି କାଗଜରେ ଏରେସ, ଡିଜାଇନ-ଟାଇମ ଆଭିମୁଖ୍ୟର ପରିଚୟ ଦିଆଯାଇଛି ଯାହା ପରମ୍ପରାଗତ ଆବଶ୍ୟକତା ମଡେଲର ସାଙ୍କେତିକ ବିଶ୍ଳେଷଣ ବ୍ୟବହାର କରି ଅସମ୍ପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତା ବିଭାଜନକୁ ଚିହ୍ନଟ କରିଥାଏ । ଆମେ ଆମର ଆଭିମୁଖ୍ୟକୁ ଏକ ଶିଳ୍ପ ଆଧାରିତ ଅଟୋମୋବାଇଲ ଆଡାପ୍ଟିଭ୍ କ୍ରୁଜ୍ କଣ୍ଟ୍ରୋଲ ସିଷ୍ଟମର ଏକ ଆବଶ୍ୟକତା ମଡେଲରେ ଆରେସକୁ ପ୍ରୟୋଗ କରି ପ୍ରଦର୍ଶିତ କରୁଛୁ । ଆରେସ ସ୍ବୟଂକ୍ରିୟ ଭାବେ ଡିଜାଇନ ସମୟରେ ଅସମ୍ପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତା ବିଭାଜନର ନିର୍ଦ୍ଦିଷ୍ଟ ଉଦାହରଣକୁ ଚିହ୍ନଟ କରିପାରିବ, ଯେଉଁଥିରୁ ଅନେକ ସୂକ୍ଷ୍ମ ଅଟେ ଏବଂ ମାନୁଆଲ କିମ୍ବା ପରୀକ୍ଷଣ ଦ୍ୱାରା ଚିହ୍ନଟ କରିବା କଷ୍ଟକର ହେବ । |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | ବହୁ-ଇନପୁଟ୍ ବହୁ-ଉତ୍ପାଦନ (MIMO) ରାଡାର ପାରମ୍ପରିକ ପର୍ଯ୍ୟାୟ-ଆରେ ରାଡାର ସିଷ୍ଟମ ଅପେକ୍ଷା ତରଙ୍ଗର ବିବିଧତା ମାଧ୍ୟମରେ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିପାରିବ । ଯେତେବେଳେ ଏକ ମିମୋ ରାଡାର ଅର୍ତୋଗୋନାଲ ତରଙ୍ଗ ଆକାର ପ୍ରସାରଣ କରେ, ବିଛଣକରୁ ପ୍ରତିଫଳିତ ସିଗନାଲ୍ ପରସ୍ପରଠାରୁ ରେଖାପଥ ନିର୍ଭରଶୀଳ । ତେଣୁ, ଆଡାପ୍ଟିଭ୍ ରିସିଭ୍ ଫିଲ୍ଟର, ଯେପରିକି କ୍ୟାପନ୍ ଏବଂ ଏମ୍ପିଲିଟ୍ୟୁଡ୍ ଏବଂ ଫେଜ୍ ଏଷ୍ଟିମେସନ୍ (ଏପିଇଏସ୍) ଫିଲ୍ଟର, ସିଧାସଳଖ MIMO ରାଡାର ପ୍ରୟୋଗରେ ନିୟୋଜିତ ହୋଇପାରିବ । ଉଚ୍ଚ ସ୍ତରର ଶବ୍ଦ ଏବଂ ପ୍ରବଳ ଗଣ୍ଡଗୋଳ, ଅବଶ୍ୟ, ତଥ୍ୟ-ନିର୍ଭରଶୀଳ ବିମ୍ ଫର୍ମାଟର ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଗୁରୁତର ଭାବରେ ଖରାପ କରିଥାଏ କାରଣ ସ୍ନାପସଟ୍ ର ଅଭାବ ରହିଥାଏ । ଆନ୍ତଃ-ଆଧାରିତ ଅନୁକୂଳ ଆଭିମୁଖ୍ୟ (ଆଇଏଏ), ଏକ ଅଣ-ପାରାମେଟ୍ରିକ ଏବଂ ବ୍ୟବହାରକାରୀ ପାରାମିଟର ମୁକ୍ତ ଓଜନଯୁକ୍ତ ସର୍ବନିମ୍ନ-ଚତୁର୍ଥାଂଶ ଆଲଗୋରିଦମ, ନିକଟରେ ଅନେକ ନିଷ୍କ୍ରିୟ ଏବଂ ସକ୍ରିୟ ସେନ୍ସିଂ ପ୍ରୟୋଗରେ ଉନ୍ନତ ରେଜୋଲୁସନ୍ ଏବଂ ହସ୍ତକ୍ଷେପ ପ୍ରତ୍ୟାଖ୍ୟାନ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିବାକୁ ଦର୍ଶାଯାଇଛି । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଦର୍ଶାଇଛୁ ଯେ, ଆଇଏଏ କିପରି ମିମୋ ରାଡାର ଇମେଜିଂକୁ ବିସ୍ତାର କରାଯାଇପାରିବ, ଉଭୟ ଅବହେଳିତ ଏବଂ ଅଣଦେଖା ଯୋଗ୍ୟ ଇଣ୍ଟ୍ରାପଲସ୍ ଡପଲର୍ ମାମଲାରେ, ଏବଂ ଆମେ ମଧ୍ୟ ଆଇଏଏର କିଛି ଥିଓରିଟିକାଲ୍ କନଭର୍ଜେନ୍ସ ଗୁଣାବଳୀ ପ୍ରତିଷ୍ଠା କରିଛୁ । ଏହାବ୍ୟତୀତ, ଆମେ ଆଇଏଏ-ଆର ନାମରେ ଏକ ନିୟମିତ ଆଇଏଏ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରୁଛୁ, ଯାହା ସିଗନାଲ ମଡେଲରେ ଅଣପ୍ରତିନିଧିତ୍ୱ ଯୋଗ କରୁଥିବା ଶବ୍ଦ ଶବ୍ଦକୁ ହିସାବ କରି ଆଇଏଏଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିପାରିବ । ସିଙ୍ଗଲ-ଇନପୁଟ ମଲ୍ଟିପଲ-ଆଉଟପୁଟ (SIMO) ରାଡାର ତୁଳନାରେ MIMO ରାଡାରର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ ସଂଖ୍ୟାଗତ ଉଦାହରଣଗୁଡିକ ଉପସ୍ଥାପନ କରାଯାଇଛି ଏବଂ ଟାର୍ଗେଟ ଇମେଜିଂ ପାଇଁ ପ୍ରସ୍ତାବିତ IAA-R ପଦ୍ଧତି ସହିତ ହାସଲ କରାଯାଇଥିବା ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଆହୁରି ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି । |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | ପରିବହନର ଏକ ପରିକଳ୍ପିତ ଭବିଷ୍ୟତ ଭାବରେ, ସ୍ୱୟଂ ଚାଳିତ କାରଗୁଡିକ ସାମାଜିକ, ଅର୍ଥନୈତିକ, ଇଞ୍ଜିନିୟରିଂ, କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ, ଡିଜାଇନ୍ ଏବଂ ନୈତିକତା ସମେତ ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣରୁ ଆଲୋଚନା କରାଯାଉଛି । ଗୋଟିଏ ପଟେ, ସ୍ୱୟଂ ଚାଳିତ କାରଗୁଡିକ ନୂତନ ଇଞ୍ଜିନିୟରିଂ ସମସ୍ୟା ସୃଷ୍ଟି କରୁଛନ୍ତି ଯାହା ଧୀରେ ଧୀରେ ସଫଳତାର ସହିତ ସମାଧାନ କରାଯାଉଛି । ଅନ୍ୟ ପକ୍ଷରେ ସାମାଜିକ ଓ ନୈତିକ ସମସ୍ୟାକୁ ଏକ ଆଦର୍ଶ ନିଷ୍ପତ୍ତି ନେବାର ଅସମ୍ଭବ ସମସ୍ୟା ଭାବେ ଉପସ୍ଥାପିତ କରାଯାଉଛି, ଯାହାକୁ ଟ୍ରଲି ସମସ୍ୟା କୁହାଯାଏ, ଯାହା ଅତ୍ୟନ୍ତ ବିଭ୍ରାନ୍ତିକର । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ନୂତନ ପ୍ରଯୁକ୍ତିର ବିକାଶ ପାଇଁ ଏକ ପ୍ରୟୋଗିକ ଇଞ୍ଜିନିୟରିଂ ନୈତିକ ଆଭିମୁଖ୍ୟ ଆବଶ୍ୟକ; ଏହି ଆଭିମୁଖ୍ୟ ପ୍ରୟୋଗ କରାଯିବା ଉଚିତ, ଅର୍ଥାତ୍ ଏହା ଜଟିଳ ବାସ୍ତବ ଦୁନିଆର ଇଞ୍ଜିନିୟରିଂ ସମସ୍ୟାର ବିଶ୍ଳେଷଣ ଉପରେ ଧ୍ୟାନ ଦେବା ଉଚିତ । ସ୍ୱୟଂ ଚାଳିତ କାରକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ସଫ୍ଟୱେର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ; ତେଣୁ ସଫ୍ଟୱେର ଇଞ୍ଜିନିୟରିଂ ସମାଧାନଗୁଡିକ ନୈତିକ ଏବଂ ସାମାଜିକ ବିଚାରକୁ ଗମ୍ଭୀରତାର ସହ ଗ୍ରହଣ କରିବା ଉଚିତ । ଏହି ଲେଖାରେ ଆମେ ନିୟାମକ ଉପକରଣ, ମାନକ, ଡିଜାଇନ ଏବଂ ଉପାଦାନ, ପ୍ରଣାଳୀ ଏବଂ ସେବାଗୁଡିକର କାର୍ଯ୍ୟକାରିତା ଉପରେ ଅଧିକ ଧ୍ୟାନ ଦେଇଛୁ ଏବଂ ଆମେ ବ୍ୟବହାରିକ ସାମାଜିକ ଏବଂ ନୈତିକ ଆହ୍ୱାନଗୁଡିକ ଉପସ୍ଥାପନ କରିଛୁ ଯାହା ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟରିଂ ପାଇଁ ନୂତନ ଆଶା ସହିତ ପୂରଣ କରାଯିବା ଆବଶ୍ୟକ । |
288c67457f09c0c30cadd7439040114e9c377bc3 | ଅଗ୍ରୱାଲ, ଇମିୟିଲିନ୍ସକି ଓ ସ୍ବାମୀଙ୍କ ଦ୍ବାରା ପ୍ରଚଳିତ ଆସୋସିଏସନ ନିୟମ ହେଉଛି ସମ୍ପର୍କର ୯୦% ଧାଡ଼ି ପାଇଁ ଫର୍ମର ନିୟମ, ଯଦି ଧାଡ଼ିର ମୂଲ୍ୟ W ସେଟ୍ର ସ୍ତମ୍ଭରେ ୧ ହୁଏ, ତେବେ ତାହା B ସ୍ତମ୍ଭରେ ମଧ୍ୟ ୧ ହେବ । ବଡ଼ ବଡ଼ ତଥ୍ୟ ସଂଗ୍ରହରୁ ଆସୋସିଏସନ ନିୟମ ଖୋଜିବା ପାଇଁ ପ୍ରଭାବୀ ପଦ୍ଧତି ରହିଛି । ତେବେ, ଖୋଜିଥିବା ନିୟମର ସଂଖ୍ୟା ଏତେ ଅଧିକ ହୋଇପାରେ ଯେ ନିୟମ ସେଟକୁ ବ୍ରାଉଜ କରିବା ଏବଂ ସେଥିରୁ ଆକର୍ଷଣୀୟ ନିୟମ ଖୋଜିବା ଉପଭୋକ୍ତାଙ୍କ ପାଇଁ କଷ୍ଟକର ହୋଇପାରେ । ଆମେ ଦେଖାଇବୁ କିପରି ନିୟମ ଟେମ୍ପଲେଟର ଏକ ସରଳ ଫର୍ମାଲିଜିମ୍ ସହଜରେ ଆକର୍ଷଣୀୟ ନିୟମର ସଂରଚନାକୁ ବର୍ଣ୍ଣନା କରିବା ସମ୍ଭବ କରିଥାଏ । ଆମେ ନିୟମର ଦୃଶ୍ୟମାନ କରିବାର ଉଦାହରଣ ମଧ୍ୟ ଦେଇଛୁ, ଏବଂ ଦର୍ଶାଇଛୁ କିପରି ଏକ ଦୃଶ୍ୟମାନ ସାଧନ ନିୟମ ଟେମ୍ପଲେଟ ସହିତ ଇଣ୍ଟରଫେସ କରିଥାଏ । |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | ଭିଡିଓ ବୁଝିବାରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଏବଂ ବର୍ଷ ବର୍ଷ ଧରି ଟାଇମରାଲ୍ ଆକ୍ସନ୍ ଲୋକାଲାଇଜେସନ୍ରେ ନିରନ୍ତର ଉନ୍ନତିର ହାର ସତ୍ତ୍ୱେ, ଏହା କେତେ ଦୂର (କିମ୍ବା ନିକଟତର? ଆମେ ଏହି ସମସ୍ୟାର ସମାଧାନ କରିବା ପାଇଁ ଅଛୁ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ଏକ ନୂଆ ନିଦାନ ଉପକରଣ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଭିଡିଓରେ ଟାଇମରାଲ ଆକ୍ସନ ଡିଟେକ୍ଟରଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଶ୍ଳେଷଣ କରିବ ଏବଂ ଗୋଟିଏ ସ୍କାଲର ମେଟ୍ରିକ ବାହାରେ ବିଭିନ୍ନ ପଦ୍ଧତିଗୁଡ଼ିକର ତୁଳନା କରିବ । ଆମେ ଆମର ଉପକରଣର ବ୍ୟବହାରର ଉଦାହରଣ ଦେଇଛୁ, ଯାହା ହେଉଛି ସର୍ବଶ୍ରେଷ୍ଠ ପୁରସ୍କାରପ୍ରାପ୍ତ ଏଣ୍ଟ୍ରିଗୁଡ଼ିକର ପ୍ରଦର୍ଶନକୁ ବିଶ୍ଳେଷଣ କରିବା ଯାହାକି ସର୍ବଶ୍ରେଷ୍ଠ ଆକ୍ଟିଭିଟି ନେଟ ଆକ୍ସନ ଲୋକାଲାଇଜେସନ୍ ଚାଲେଞ୍ଜରେ ଥିଲା । ଆମର ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ କାର୍ଯ୍ୟ କରିବାର ସବୁଠାରୁ ପ୍ରଭାବଶାଳୀ କ୍ଷେତ୍ର ହେଉଛି: ଉଦାହରଣଗୁଡ଼ିକର ଆନୁପାତିକ ବିଷୟକୁ ଭଲ ଭାବରେ ପରିଚାଳନା କରିବା ପାଇଁ ରଣନୀତି, w.r.t. ର ଦୃଢ଼ତା ବୃଦ୍ଧି କରିବା । ଉଦାହରଣ ସ୍ବରୁପ ଅସଲ ଓ ଆପେକ୍ଷିକ ଆକାର, ଏବଂ ସ୍ଥାନୀୟକରଣ ତ୍ରୁଟିକୁ କମ କରିବା ପାଇଁ ରଣନୀତି । ଏହା ସହିତ, ଆମର ପରୀକ୍ଷାମୂଳକ ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଛି ଯେ, ଏ କ୍ଷେତ୍ରରେ ପ୍ରଗତି ହାସଲ କରିବା ପାଇଁ ଏନ୍ନାଟେଟରମାନଙ୍କ ମଧ୍ୟରେ ସହମତିର ଅଭାବ ଏକ ପ୍ରମୁଖ ପ୍ରତିବନ୍ଧକ ନୁହେଁ । ଆମର ନିଦାନ ଉପକରଣ ସର୍ବସାଧାରଣଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ଯାହା ଅନ୍ୟ ଗବେଷକମାନଙ୍କ ମନକୁ ସେମାନଙ୍କର ଆଲଗୋରିଦମ ବିଷୟରେ ଅତିରିକ୍ତ ଅନ୍ତର୍ଦୃଷ୍ଟି ସହିତ ଇନ୍ଧନ ଦେଇଥାଏ । |
160404fb0d05a1a2efa593c448fcb8796c24b873 | ପ୍ରତିନିଧିତ୍ୱର ଅନୁକରଣ ସିଦ୍ଧାନ୍ତକୁ ଏକ ଢାଞ୍ଚା ଭାବରେ ବିକଶିତ ଏବଂ ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଯାହା ମସ୍ତିଷ୍କର ବିଭିନ୍ନ ପ୍ରକାର ପ୍ରତିନିଧିତ୍ୱ କାର୍ଯ୍ୟକୁ ପ୍ରକାଶିତ ଭାବରେ ସଂଶ୍ଳେଷଣ କରିପାରିବ । ଏହି ଢାଞ୍ଚା ନିୟନ୍ତ୍ରଣ ତତ୍ତ୍ୱ (ଅଗ୍ରଗତି ମଡେଲ) ଏବଂ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ (କଲମାନ ଫିଲ୍ଟର) ର ନିର୍ମାଣ ଉପରେ ଆଧାରିତ । ଏହି ଚିନ୍ତାଧାରା ହେଉଛି ଯେ ଶରୀର ଏବଂ ପରିବେଶ ସହିତ ସଂଶ୍ଳିଷ୍ଟ ହେବା ବ୍ୟତୀତ, ମସ୍ତିଷ୍କ ସ୍ନାୟୁ ସର୍କିଟ ନିର୍ମାଣ କରେ ଯାହା ଶରୀର ଏବଂ ପରିବେଶର ମଡେଲ ଭାବରେ କାର୍ଯ୍ୟ କରେ । ଏହି ମଡେଲଗୁଡ଼ିକ ଶରୀର ଓ ପରିବେଶ ସହିତ ସମାନ୍ତରାଳ ଭାବରେ ଇଫରେନ୍ସ କପି ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ସେନସର ଫିଡବ୍ୟାକ୍ ର ଆଶା କରାଯାଇଥାଏ ଏବଂ ସେନସର ସୂଚନାକୁ ପ୍ରୋସେସ୍ କରାଯାଇଥାଏ । ଏହି ମଡେଲଗୁଡିକ ମଧ୍ୟ ଇମେଜିଂ ଉତ୍ପାଦନ, ବିଭିନ୍ନ କାର୍ଯ୍ୟର ଫଳାଫଳ ଆକଳନ, ଏବଂ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ମୋଟର ଯୋଜନା ବିକାଶ କରିବା ପାଇଁ ଅଫଲାଇନରେ ଚାଲିପାରିବ । ଏହି ଢାଞ୍ଚା ପ୍ରଥମେ ମୋଟର କଣ୍ଟ୍ରୋଲ ପରିପ୍ରେକ୍ଷୀରେ ବିକଶିତ ହୋଇଛି, ଯେଉଁଠାରେ ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଶରୀର ସହିତ ସମାନ୍ତରାଳ ଭାବରେ ଚାଲୁଥିବା ଆଭ୍ୟନ୍ତରୀଣ ମଡେଲଗୁଡ଼ିକ ପ୍ରତିକ୍ରିୟା ବିଳମ୍ବ ସମସ୍ୟାର ପ୍ରଭାବକୁ ହ୍ରାସ କରିପାରେ । ସେହିଭଳି ଯାନ୍ତ୍ରିକ ଉପକରଣ ଇମେଜକୁ ଇମେଜରେ ଦେଖାଯାଇଥାଏ, ଯାହା ଇମେଜରେ ଦେଖାଯାଏ, ଇମେଜରେ ଦେଖାଯାଏ ଯେ ଇମେଜରେ କପି ମାଧ୍ୟମରେ ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥିବା ଇମେଜରେ ଦେଖାଯାଉଥାଏ । ଏହି ଫ୍ରେମୱାର୍କକୁ ବିସ୍ତାର କରାଯାଇ ମଟର-ଭିଜୁଆଲ ଲୁପର ଏମୁଲେଟରର ଅଫଲାଇନ ଡ୍ରାଇଭିଂ ଭଳି ଭିଜୁଆଲ ଇମେଜିଙ୍ଗକୁ ଧ୍ୟାନରେ ରଖାଯାଇଛି । ମୁଁ ଏହା ମଧ୍ୟ ଦେଖାଇବି କି କିପରି ଏହିପରି ବ୍ୟବସ୍ଥା ଆମୋଡାଲ ସ୍ପେସିଆଲ ଇମେଜିଂ ପାଇଁ ଉପଲବ୍ଧ କରାଇପାରିବ । ଏହିପରି ମଡେଲଗୁଡିକର ବ୍ୟବହାର ଦ୍ୱାରା, ସେନସର ଇନପୁଟକୁ ବୁଝିବା ପାଇଁ ଏବଂ ସେନସର ଇନପୁଟକୁ ବୁଝିବା ପାଇଁ, ଭିଜୁଆଲ ପରସେପସନ ସହିତ, ଧାରଣର ପରିଣାମ ଆସେ । ମୁଁ ସଂକ୍ଷେପରେ ଅନ୍ୟ କୌଶଳ ଗୁଡିକୁ ବର୍ଣ୍ଣନା କରି ସମାପ୍ତ କରିବି ଯାହା ଏହି ଢାଞ୍ଚା ମଧ୍ୟରେ ମଧ୍ୟ ସଂଶ୍ଳେଷିତ ହୋଇପାରେ, ଯେଉଁଥିରେ ଯୁକ୍ତି, ମନର ଦୃଶ୍ୟପଟ୍ଟର ସିଦ୍ଧାନ୍ତ, ଏବଂ ଭାଷା ଅନ୍ତର୍ଭୁକ୍ତ । |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3ଡି ଚେହେରା ଚିହ୍ନଟ ଉଭୟ ଶିଳ୍ପ ଓ ଶିକ୍ଷାବିତ୍ ମାନଙ୍କ ପାଇଁ ଏକ ଅଗ୍ରଣୀ ଗବେଷଣା ଦିଗ ପାଲଟିଛି । ଏହା ପାରମ୍ପରିକ ୨ଡି ଚେହେରା ଚିହ୍ନଟ ପ୍ରକ୍ରିୟା ଠାରୁ ଲାଭ ପ୍ରାପ୍ତ କରିଥାଏ, ଯେପରିକି ପ୍ରାକୃତିକ ଚିହ୍ନଟ ପ୍ରକ୍ରିୟା ଏବଂ ବ୍ୟାପକ ପ୍ରୟୋଗ। ଆହୁରି ମଧ୍ୟ, 3D ଚେହେରା ଚିହ୍ନଟ ପ୍ରଣାଳୀଗୁଡ଼ିକ ସ୍ୱଳ୍ପ ଆଲୋକରେ ଏବଂ ଚେହେରା ସ୍ଥିତି ଏବଂ ଅଭିବ୍ୟକ୍ତିର ଭିନ୍ନତା ସହିତ ମଧ୍ୟ ମନୁଷ୍ୟର ଚେହେରାକୁ ସଠିକ୍ ଭାବରେ ଚିହ୍ନଟ କରିପାରିବ, ଏପରି ପରିସ୍ଥିତିରେ 2D ଚେହେରା ଚିହ୍ନଟ ପ୍ରଣାଳୀଗୁଡ଼ିକ କାର୍ଯ୍ୟ କରିବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର ହେବ । ଏହି ପତ୍ରିକାରେ 3D ଚେହେରା ଚିହ୍ନଟ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଇତିହାସ ଏବଂ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିର ସାରାଂଶ ଦିଆଯାଇଛି । ଏହି ଗବେଷଣାର ଫଳାଫଳ ତିନୋଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇଛି: ସ୍ଥିତି-ଅବନତିର ଚିହ୍ନଟ, ଅଭିବ୍ୟକ୍ତି-ଅବନତିର ଚିହ୍ନଟ ଏବଂ ଅବରୋଧ-ଅବନତିର ଚିହ୍ନଟ । ଭବିଷ୍ୟତ ଗବେଷଣାକୁ ପ୍ରୋତ୍ସାହନ ଦେବା ପାଇଁ ଏହି ପତ୍ରିକାରେ ସର୍ବସାଧାରଣଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ଥ୍ରୀଡି ଫେସ୍ ଡାଟାବେସ୍ ବିଷୟରେ ସୂଚନା ସଂଗ୍ରହ କରାଯାଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଓ ଖୋଲା ରହିଥିବା ସମସ୍ୟାଗୁଡ଼ିକର ତାଲିକା ମଧ୍ୟ ରହିଛି । |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | ସୋସିଆଲ ନେଟୱର୍କିଂ ସାଇଟରେ ଅଂଶଗ୍ରହଣ ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ନାଟକୀୟ ଭାବରେ ବୃଦ୍ଧି ପାଇଛି । ଫ୍ରେଣ୍ଡଷ୍ଟର, ଟ୍ରାଇବ୍ କିମ୍ବା ଫେସବୁକ୍ ଭଳି ସେବା ଲକ୍ଷ ଲକ୍ଷ ଲୋକଙ୍କୁ ଅନଲାଇନ୍ ପ୍ରୋଫାଇଲ୍ ସୃଷ୍ଟି କରିବାକୁ ଏବଂ ବନ୍ଧୁମାନଙ୍କ ବିଶାଳ ନେଟୱାର୍କ ସହିତ ବ୍ୟକ୍ତିଗତ ସୂଚନା ଅଂଶୀଦାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ - ଏବଂ ଅନେକ ସମୟରେ ଅଜ୍ଞାତ ସଂଖ୍ୟା ସହିତ। ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଅନଲାଇନ ସାମାଜିକ ନେଟୱାର୍କରେ ସୂଚନା ପ୍ରକାଶର ଢାଞ୍ଚା ଏବଂ ଏହାର ଗୋପନୀୟତା ଉପରେ ପ୍ରଭାବ ଉପରେ ଅଧ୍ୟୟନ କରୁଛୁ । ଆମେ ୪୦୦୦ରୁ ଅଧିକ କାର୍ନେଗି ମେଲନ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଛାତ୍ରଙ୍କ ଅନଲାଇନ୍ ବ୍ୟବହାର ବିଶ୍ଳେଷଣ କରିଛୁ ଯେଉଁମାନେ ଏକ ଲୋକପ୍ରିୟ ସୋସିଆଲ୍ ନେଟୱାର୍କିଂ ସାଇଟରେ ଯୋଗ ଦେଇଛନ୍ତି ଯାହା କଲେଜଗୁଡ଼ିକ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଆମେ ସେମାନଙ୍କ ଦ୍ୱାରା ପ୍ରକାଶିତ ତଥ୍ୟର ପରିମାଣକୁ ଆକଳନ କରିଥାଉ ଏବଂ ସାଇଟର ଗୋପନୀୟତା ସେଟିଂସମୂହକୁ ସେମାନେ କିପରି ବ୍ୟବହାର କରନ୍ତି ତାହା ଅଧ୍ୟୟନ କରିଥାଉ । ଆମେ ସେମାନଙ୍କ ଗୋପନୀୟତାର ବିଭିନ୍ନ ଦିଗ ଉପରେ ସମ୍ଭାବ୍ୟ ଆକ୍ରମଣକୁ ଆଲୋକପାତ କରୁଛୁ, ଏବଂ ଆମେ ଦେଖାଉଛୁ ଯେ ଅତି ଅଳ୍ପ ପ୍ରତିଶତ ବ୍ୟବହାରକାରୀ ହିଁ ଅତ୍ୟନ୍ତ ପାରଦର୍ଶୀ ଗୋପନୀୟତା ପସନ୍ଦକୁ ପରିବର୍ତ୍ତନ କରନ୍ତି । |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଗଭୀର ଗୌସିୟାନ ପ୍ରକ୍ରିୟା (ଜିପି) ମଡେଲର ପରିଚୟ ଦେଇଛୁ । ଗଭୀର ଜି.ପି. ମାନେ ଗୌସିୟାନ ପ୍ରକ୍ରିୟା ମ୍ୟାପିଂ ଉପରେ ଆଧାରିତ ଏକ ଗଭୀର ବିଶ୍ୱାସ ନେଟୱାର୍କ । ଏହି ତଥ୍ୟକୁ ଏକ ବହୁ-ବିଭାଜକ GP ର ଆଉଟପୁଟ୍ ଭାବରେ ମଡେଲ୍ କରାଯାଇଛି । ସେହି ଗୌସିୟାନ ପ୍ରକ୍ରିୟାର ଇନପୁଟକୁ ଅନ୍ୟ ଏକ ଜିପି ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ କରାଯାଇଥାଏ । ଏକକ ସ୍ତର ମଡେଲ ଏକ ମାନକ GP କିମ୍ବା GP ଲୁପ୍ତ ପରିବର୍ତ୍ତନଶୀଳ ମଡେଲ (GP-LVM) ସହିତ ସମାନ ଅଟେ । ଆମେ ଆକଳନ କରିଥାଉ ଯେ ମଡେଲରେ ଅନୁମାନିକ ଭାରିଆସନାଲ ମାର୍ଜିନାଇଜେସନ ଦ୍ୱାରା । ଏହାଦ୍ୱାରା ମଡେଲର ସୀମାବଦ୍ଧ ସମ୍ଭାବ୍ୟତା ଉପରେ ଏକ କଠୋର ନିମ୍ନ ସୀମା ନିର୍ଦ୍ଧାରଣ କରାଯାଇଥାଏ ଯାହାକୁ ଆମେ ମଡେଲ ଚୟନ ପାଇଁ ବ୍ୟବହାର କରିଥାଉ (ପ୍ରତି ସ୍ତର ପାଇଁ ସ୍ତର ଓ ନୋଡ ସଂଖ୍ୟା) । ଗଭୀର ବିଶ୍ୱାସ ନେଟୱାର୍କ ସାଧାରଣତଃ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ବଂଶ ବ୍ୟବହାର କରି ଅପେକ୍ଷାକୃତ ବଡ଼ ଡାଟା ସେଟ୍ ଉପରେ ପ୍ରୟୋଗ କରାଯାଏ । ଆମର ସମ୍ପୂର୍ଣ୍ଣ ବେଜେସୀୟ ଚିକିତ୍ସା ଗଭୀର ମଡେଲର ପ୍ରୟୋଗ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ ଏପରିକି ଯେତେବେଳେ ତଥ୍ୟ ଅଭାବ ଥାଏ । ଆମ ଭେରିଏସନଲ ବଣ୍ଡ ଦ୍ୱାରା ମଡେଲ ଚୟନରୁ ଜଣାପଡ଼େ ଯେ କେବଳ 150ଟି ଉଦାହରଣ ଥିବା ଏକ ଅଙ୍କ ବିଶିଷ୍ଟ ଡାଟା ସେଟକୁ ମଡେଲ କରିବା ସମୟରେ ମଧ୍ୟ ପାଞ୍ଚଟି ସ୍ତର ବିଶିଷ୍ଟ ଶ୍ରେଣୀବିଭାଗର ବ୍ୟବହାର ଯଥାର୍ଥ । |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | ଆମେ ଏକ ସ୍କେଲେବଲ୍ ଗଭୀର ଅଣ-ପାରାମେଟ୍ରିକ୍ ଜେନେରେଟିଭ୍ ମଡେଲ ବିକଶିତ କରିଛୁ ଗଭୀର ଗୌସିୟାନ୍ ପ୍ରକ୍ରିୟାକୁ ଏକ ଚିହ୍ନଟ ମଡେଲ ସହିତ ବୃଦ୍ଧି କରି । ଅନୁମାନ ଏକ ନୂତନ ସ୍କେଲେବଲ୍ ଭେରିଏସନଲ୍ ଫ୍ରେମୱାର୍କରେ କରାଯାଏ ଯେଉଁଠାରେ ଭେରିଏସନଲ୍ ପିଛିଲା ବଣ୍ଟନଗୁଡ଼ିକ ଏକ ମଲ୍ଟିଲେୟାର୍ ପର୍ସେପ୍ଟ୍ରନ୍ ମାଧ୍ୟମରେ ପୁନଃପାମେରାଟ୍ରିଜେଟ୍ ହୋଇଥାଏ । ଏହି ପୁନଃନିର୍ଦ୍ଧାରଣର ମୁଖ୍ୟ ଦିଗ ହେଉଛି ଏହା ବିବିଧତା ପାରାମିଟରର ବୃଦ୍ଧିକୁ ରୋକିଥାଏ ଯାହା ନମୁନା ଆକାର ଅନୁପାତରେ ରେଖାପଥ ଭାବରେ ବୃଦ୍ଧି ହୋଇଥାଏ । ଆମେ ଭେରିଏସନଲ ନିମ୍ନ ସୀମା ର ଏକ ନୂଆ ଫର୍ମୁଲେସନ ବାହାର କରିଛୁ ଯାହା ଆମକୁ ଅଧିକାଂଶ ଗଣନା କୁ ଏମିତି ଭାବରେ ବଣ୍ଟନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯାହା ମୁଖ୍ୟ ଧାରା ଗଭୀର ଶିକ୍ଷଣ କାର୍ଯ୍ୟର ଆକାରର ଡାଟାସେଟକୁ ସମ୍ଭାଳିବାକୁ ସକ୍ଷମ କରିଥାଏ । ଆମେ ବିଭିନ୍ନ ଆହ୍ୱାନ ଉପରେ ଏହି ପଦ୍ଧତିର ପ୍ରଭାବକୁ ଦର୍ଶାଉଛୁ ଯେଉଁଥିରେ ଗଭୀର ନିରୀକ୍ଷଣହୀନ ଶିକ୍ଷାଲାଭ ଏବଂ ଗଭୀର ବେଜେସୀୟାନ ଅପ୍ଟିମାଇଜେସନ୍ ଅନ୍ତର୍ଭୁକ୍ତ । |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | କାଫେ ମଲ୍ଟିମିଡିଆ ବୈଜ୍ଞାନିକ ଏବଂ ପ୍ରାକ୍ଟିସନରଙ୍କୁ ଅତ୍ୟାଧୁନିକ ଗଭୀର ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପାଇଁ ଏକ ସ୍ୱଚ୍ଛ ଏବଂ ପରିବର୍ତ୍ତନୀୟ ଢାଞ୍ଚା ଏବଂ ରେଫରେନ୍ସ ମଡେଲର ଏକ ସଂଗ୍ରହ ପ୍ରଦାନ କରିଥାଏ । ଏହି ଫ୍ରେମୱାର୍କ ହେଉଛି ବିଏସଡି ଲାଇସେନ୍ସପ୍ରାପ୍ତ ସି++ ଲାଇବ୍ରେରୀ ଯେଉଁଥିରେ ପାଇଥନ ଏବଂ ମାଟଲାବ ବାଇଣ୍ଡିଂ ରହିଛି ଯାହାକି କମୋଡିଟି ଆର୍କିଟେକଚରରେ ସାର୍ବଜନୀନ ଉଦ୍ଦେଶ୍ୟଯୁକ୍ତ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏବଂ ଅନ୍ୟାନ୍ୟ ଗଭୀର ମଡେଲକୁ ଦକ୍ଷତାର ସହିତ ପ୍ରଶିକ୍ଷଣ ଏବଂ ନିୟୋଜନ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । କଫି ଇଣ୍ଡଷ୍ଟ୍ରି ଏବଂ ଇଣ୍ଟରନେଟ୍-ସ୍କେଲ ମିଡିଆ ଆବଶ୍ୟକତାକୁ CUDA GPU ଗଣନା ଦ୍ୱାରା ପୂରଣ କରିଥାଏ, ଗୋଟିଏ K40 କିମ୍ବା ଟାଇଟନ୍ GPU (ପ୍ରତି ଚିତ୍ରରେ ପ୍ରାୟ 2 ms) ରେ ଦିନକୁ 40 ନିୟୁତରୁ ଅଧିକ ପ୍ରତିଛବି ପ୍ରକ୍ରିୟାକରଣ କରିଥାଏ । ବାସ୍ତବିକ କାର୍ଯ୍ୟକାରିତା ଠାରୁ ମଡେଲ ପ୍ରତିନିଧିତ୍ୱକୁ ପୃଥକ କରି, କାଫେ ପରୀକ୍ଷଣ ଏବଂ ପ୍ଲାଟଫର୍ମ ମଧ୍ୟରେ ନିରବଚ୍ଛିନ୍ନ ପରିବର୍ତ୍ତନକୁ ବିକାଶର ସହଜତା ଏବଂ ପ୍ରୋଟୋଟାଇପିଂ ମେସିନରୁ କ୍ଲାଉଡ୍ ପରିବେଶକୁ ନିୟୋଜନ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । କଫିକୁ ବର୍କଲେ ଭିଜନ ଆଣ୍ଡ ଲର୍ଣ୍ଣିଂ ସେଣ୍ଟର (ବିଭିଏଲସି) ଦ୍ୱାରା ଗିଟହବରେ ଯୋଗଦାନକାରୀଙ୍କ ସକ୍ରିୟ ସମୁଦାୟର ସାହାଯ୍ୟରେ ପରିଚାଳିତ ଓ ବିକଶିତ କରାଯାଇଛି । ଏହାଦ୍ୱାରା ଗବେଷଣା ପ୍ରକଳ୍ପ, ବୃହତ ଶିଳ୍ପ ପ୍ରୟୋଗ ଏବଂ ଦୃଶ୍ୟ, ବକ୍ତବ୍ୟ ଏବଂ ମଲ୍ଟିମିଡିଆ କ୍ଷେତ୍ରରେ ଷ୍ଟାର୍ଟଅପ୍ ପ୍ରୋଟୋଟାଇପ୍ କାର୍ଯ୍ୟକ୍ଷମ ହୋଇପାରିବ । |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | ସହରୀକରଣର କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ପ୍ରକ୍ରିୟାରେ ସହରୀ କ୍ଷେତ୍ରର ଲୋକମାନଙ୍କ କାର୍ଯ୍ୟକଳାପର ବ୍ୟବସ୍ଥିତ ମଡେଲୀକରଣକୁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସାମାଜିକ-ଅର୍ଥନୈତିକ କାର୍ଯ୍ୟ ଭାବରେ ଗ୍ରହଣ କରାଯାଉଛି । ବିଶ୍ୱସନୀୟ ତଥ୍ୟ ଉତ୍ସ ଅଭାବରୁ ବର୍ଷେ ପୂର୍ବରୁ ଏହି କାର୍ଯ୍ୟ ପ୍ରାୟ ଅସମ୍ଭବ ଥିଲା, ତଥାପି ଜିଓ-ଟ୍ୟାଗ୍ ସୋସିଆଲ ମିଡିଆ (ଜିଟିଏସଏମ) ତଥ୍ୟର ଉତ୍ପତ୍ତି ଏହାକୁ ନୂତନ ଆଲୋକରେ ଆଲୋକିତ କରିଛି । ନିକଟରେ ଜିଏସଏମ ତଥ୍ୟରୁ ଭୌଗଳିକ ବିଷୟର ଆବିଷ୍କାର ଉପରେ ଫଳପ୍ରଦ ଅଧ୍ୟୟନ କରାଯାଇଛି । କିନ୍ତୁ, ସେମାନଙ୍କର ଉଚ୍ଚ ଗଣନା ଖର୍ଚ୍ଚ ଏବଂ ଲୁକ୍କାୟିତ ବିଷୟଗୁଡ଼ିକ ବିଷୟରେ ଦୃଢ଼ ବିତରଣୀୟ ଅନୁମାନ ସେମାନଙ୍କୁ GTSMର ଶକ୍ତିକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ମୁକ୍ତ କରିବାରେ ବାଧା ଦେଇଥାଏ । ଏହି ବ୍ୟବଧାନକୁ ଦୂର କରିବା ପାଇଁ ଆମେ କ୍ରସମ୍ୟାପକୁ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାକି ଏକ ନୂଆ କ୍ରସମୋଡାଲ ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷଣ ପଦ୍ଧତି ଯାହା ବୃହତ ଜିଏସଏମ ତଥ୍ୟ ସହିତ ସହରୀ ଗତିଶୀଳତାକୁ ପ୍ରକାଶ କରେ । କ୍ରସମ୍ୟାପ ପ୍ରଥମେ ଲୋକଙ୍କ ଗତିବିଧିକୁ ଆଧାର କରି ସ୍ପେସିଓ-ଟାଇମରାଲ ହଟସ୍ପଟ୍ସକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ତ୍ୱରିତ ମୋଡ ସନ୍ଧାନ ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରିଥାଏ । ଏହି ଚିହ୍ନଟ ହୋଇଥିବା ହଟସ୍ପଟଗୁଡ଼ିକ କେବଳ ଯେ ସ୍ଥାନ-କାଳଗତ ପରିବର୍ତ୍ତନକୁ ଦୂର କରିଥାଏ ତାହା ନୁହେଁ, ବରଂ ଏହା ମଧ୍ୟ ଜିଏସଏମ ତଥ୍ୟର ବିରଳତାକୁ ବହୁ ପରିମାଣରେ ହ୍ରାସ କରିଥାଏ । ଚିହ୍ନଟ ହୋଇଥିବା ହଟସ୍ପଟ ସହିତ କ୍ରସମ୍ୟାପ ଦୁଇଟି ଭିନ୍ନ ରଣନୀତି ବ୍ୟବହାର କରି ସମସ୍ତ ଆନ୍ତଃସ୍ଥଳୀୟ, କାଳୀନ ଏବଂ ପାଠ୍ୟ ୟୁନିଟକୁ ସମାନ ସ୍ଥାନରେ ଅନ୍ତର୍ଭୁକ୍ତ କରେ: ଗୋଟିଏ ହେଉଛି ପୁନଃନିର୍ମାଣ ଆଧାରିତ ଏବଂ ଅନ୍ୟଟି ଗ୍ରାଫ ଆଧାରିତ । ଉଭୟ ରଣନୀତି ୟୁନିଟଗୁଡିକ ମଧ୍ୟରେ ଥିବା ସମ୍ବନ୍ଧକୁ ସେମାନଙ୍କର ସହ-ଘଟଣା ଏବଂ ପଡ଼ୋଶୀ ସମ୍ପର୍କକୁ କୋଡ୍ କରି ଧାରଣ କରିଥାଏ ଏବଂ ଏହିପରି ସମ୍ବନ୍ଧକୁ ସଂରକ୍ଷଣ କରିବା ପାଇଁ ନିମ୍ନ-ଆକାରର ପ୍ରତିନିଧିତ୍ୱ ଶିଖେ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ କ୍ରସମ୍ୟାପ କେବଳ ଯେ ଆଧୁନିକ କୌଶଳ ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକଳାପକୁ ପୁନରୁଦ୍ଧାର ଓ ଶ୍ରେଣୀଭୁକ୍ତ କରିବାରେ ଉନ୍ନତ, ତା ନୁହେଁ ବରଂ ଏହା ଅଧିକ ଦକ୍ଷତା ହାସଲ କରିଛି । |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | ମାନବ ଗମନର ବିଶ୍ଳେଷଣ ଦ୍ବାରା ଏକ ଅନ୍ତର୍ନିହିତ ଗମନର ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ ମିଳିଥାଏ ଯାହା ମାଧ୍ୟମରେ ସର୍ବବ୍ୟାପୀ ମାନବ ପରିଚୟ ଏବଂ ଚିକିତ୍ସା ରୋଗ ସମସ୍ୟାକୁ ଏକ ବ୍ୟାପକ ସ୍ପେକ୍ଟ୍ରମରେ ଅନୁସନ୍ଧାନ କରାଯାଇପାରିବ । ଗାଇଡ ବାୟୋମେଟ୍ରିକ ଏକ ଅଦୃଶ୍ୟ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରିଥାଏ ଯାହାଦ୍ୱାରା ଭିଡିଓ ଗାଇଡ ଡାଟାକୁ ବିଷୟର ପୂର୍ବ ସଚେତନତା ବିନା ଅଧିକ ଦୂରରୁ କଏଦ କରାଯାଇପାରିବ । ଏହି ଅଧ୍ୟୟନରେ, ଏକ ନୂତନ କୌଶଳ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଯାହା କି କିନେକ୍ଟ ଏକ୍ସ ବକ୍ସ ଡିଭାଇସ ସହିତ ମାନବ ଗେଜ ଆନାଲିସିସକୁ ଅଧ୍ୟୟନ କରିଥାଏ । ଏହା ଆମକୁ ସ୍ୱୟଂଚାଳିତ ପୃଷ୍ଠଭୂମି ହ୍ରାସ କୌଶଳ ସହିତ ସେଗମେଂଟ ତ୍ରୁଟିକୁ କମ୍ କରିବାକୁ ସୁନିଶ୍ଚିତ କରେ । ଏହିପରି ଭାବରେ, ମାନବ କଙ୍କାଳର ମଡେଲ, ବ୍ୟାକଗ୍ରାଉଣ୍ଡରୁ ହଟାଯାଇଥିବା ଗାଇଡ ଇମେଜରୁ ସୃଷ୍ଟି କରାଯାଇପାରେ, ଯାହା କୋଭାରିଏଟ ପରିସ୍ଥିତି ଦ୍ୱାରା ପରିବର୍ତ୍ତିତ ହୋଇଥାଏ, ଯେପରିକି ଚାଲିବାର ଗତି ଏବଂ ପୋଷାକ ପ୍ରକାରରେ ପରିବର୍ତ୍ତନ । ଏହି ଗାଇଡ ସିଗ୍ନେଚର ଗୁଡିକ ବାମ ପଟ, ବାମ ଆଣ୍ଠୁ, ଡାହାଣ ପଟ ଏବଂ ଡାହାଣ ଆଣ୍ଠୁର ମିଳିତ କୋଣରୁ ଧରାଯାଇଥାଏ । କିନେକ୍ଟ ଗେଜ ଡାଟାର ପରୀକ୍ଷାମୂଳକ ଯାଞ୍ଚକୁ ଆମର ଇଣ୍ଟେଲିଜେଣ୍ଟ ଗେଜ ଓସିଲେଶନ ଡିଟେକ୍ଟର (ଆଇଜିଓଡି) ନାମକ ଏକ ସେନସର ଆଧାରିତ ବାୟୋମେଟ୍ରିକ ସୁଟ୍ର ଘରୋଇ ବିକାଶ ସହିତ ତୁଳନା କରାଯାଇଛି । ଏହି ସେନସର ଆଧାରିତ ବାୟୋମେଟ୍ରିକ ପୋଷାକକୁ କିନେକ୍ଟ ଡିଭାଇସ ଦ୍ୱାରା ପରିବର୍ତ୍ତନ କରାଯାଇପାରିବ କି ନାହିଁ ତାହା ଜାଣିବା ପାଇଁ ଏକ ପ୍ରୟାସ କରାଯାଇଛି । ଫିଶର ଡିସକ୍ରିମେଂଟ ଆନାଲିସିସକୁ ଟ୍ରେନିଂ ଗେଟ ସିଗ୍ନେଚର ଉପରେ ପ୍ରୟୋଗ କରାଯାଇଛି । ନାଇଭ୍ ବେୟେସୀୟ ଶ୍ରେଣୀକରଣକାରୀ କାଇନେକ୍ଟ ସେନସର ଦ୍ୱାରା ସଂଗ୍ରହ କରାଯାଇଥିବା ସୀମିତ ଡାଟାସେଟରେ ତ୍ରୁଟି ଆକଳନ ସହିତ ଏକ ଉତ୍ସାହଜନକ ଶ୍ରେଣୀକରଣ ଫଳାଫଳ ଦର୍ଶାଇଥାଏ । |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | ଫଙ୍କସନ ଅନୁମାନକୁ ପାରାମିଟର ସ୍ପେସ ପରିବର୍ତ୍ତେ ଫଙ୍କସନ ସ୍ପେସରେ ସଂଖ୍ୟାଗତ ଅପ୍ଟିମାଇଜେସନ ଦୃଷ୍ଟିକୋଣରୁ ଦେଖାଯାଏ । ପର୍ଯ୍ୟାୟକ୍ରମେ ଯୋଗାତ୍ମକ ବିସ୍ତାର ଓ ସର୍ବୋଚ୍ଚ ଅବତରଣ ମଧ୍ୟରେ ଏକ ସମ୍ପର୍କ ସ୍ଥାପନ କରାଯାଇଛି । କୌଣସି ମାନଦଣ୍ଡ ଆଧାରରେ ଆଦିମ ବିସ୍ତାର ପାଇଁ ଏକ ସାଧାରଣ ଗ୍ରାଡିଏଣ୍ଟ{ଡସେଣ୍ଟ \ବଷ୍ଟିଂ" ପାରାଡିଗମ ବିକଶିତ କରାଯାଇଛି । ସର୍ବନିମ୍ନ ବର୍ଗ, ସର୍ବନିମ୍ନ ସମ୍ପୂର୍ଣ୍ଣ ବିଚ୍ୟୁତି ଏବଂ ରିଗ୍ରେସନ ପାଇଁ ହୁବର କ୍ଷୟ ଫଙ୍କସନ ପାଇଁ ନିର୍ଦ୍ଦିଷ୍ଟ ଆଲଗୋରିଦମ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଏବଂ ବର୍ଗୀକରଣ ପାଇଁ ବହୁ ଶ୍ରେଣୀ ଲଜିଷ୍ଟିକ୍ ସମ୍ଭାବନା ରହିଛି । ବିଶେଷ କ୍ଷେତ୍ରରେ ବିଶେଷ ଉନ୍ନତି ଅଣାଯାଇଛି ଯେଉଁଠାରେ ବ୍ୟକ୍ତିଗତ ଯୋଗ୍ୟ ଉପାଦାନଗୁଡ଼ିକ ନିଷ୍ପତ୍ତି ଗଛ ଅଟେ, ଏବଂ ଏହିପରି "ଟ୍ରିବୁଷ୍ଟ" ମଡେଲଗୁଡିକର ବ୍ୟାଖ୍ୟା ପାଇଁ ଉପକରଣଗୁଡିକ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ନିଷ୍ପତ୍ତି ବୃକ୍ଷର ଗ୍ରେଡିଏଣ୍ଟ ବୃଦ୍ଧି ଫଳରେ ପ୍ରତିଯୋଗିତାମୂଳକ, ଅତ୍ୟନ୍ତ ଦୃଢ଼, ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ପଦ୍ଧତିର ପୁନଃସ୍ଥାପନ ଏବଂ ଶ୍ରେଣୀକରଣ ହୋଇଥାଏ, ବିଶେଷ କରି ସ୍ୱଚ୍ଛ ତଥ୍ୟ ଠାରୁ କମ୍ ତଥ୍ୟ ଉତ୍ତୋଳନ ପାଇଁ ଉପଯୁକ୍ତ ହୋଇଥାଏ । ଏହି ପଦ୍ଧତି ଏବଂ ଫ୍ରେଏଣ୍ଡ ଏବଂ ଶାପିର ୧୯୯୬ ଏବଂ ଫ୍ରିଡମ୍ୟାନ୍, ହଷ୍ଟି ଏବଂ ଟିବଶିରାନି ୧୯୯୮ର ପ୍ରୋତ୍ସାହନ ପଦ୍ଧତି ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । 1 ଫଙ୍କସନ ଆକଳନ ଫଙ୍କସନ ଆକଳନ ସମସ୍ୟା ରେ ଏକ ସିଷ୍ଟମ ଅଛି ଯେଉଁଥିରେ ଏକ ରାଣ୍ଡମ \output" କିମ୍ବା \response" ଭେରିଏବଲ y ଏବଂ ଏକ ରାଣ୍ଡମ \input" କିମ୍ବା \explanatory" ଭେରିଏବଲ x = fx1;; xng ଅଛି. ଏକ \training" ନମୁନା fyi;xig N 1 ଜଣା (y;x) {ମୂଲ୍ୟ, ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ଫଙ୍କସନ୍ F (x) ଯାହା x କୁ y କୁ ମ୍ୟାପ୍ କରେ, ଯେପରିକି ସମସ୍ତ (y;x) {ମୂଲ୍ୟର ମିଳିତ ବଣ୍ଟନ ଉପରେ, କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ଷତି ଫଙ୍କସନ୍ (y; F (x)) ର ଆଶାକାର୍ଯ୍ୟ ମୂଲ୍ୟ ସର୍ବନିମ୍ନ ଅଟେ _ F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) ବାରମ୍ବାର ବ୍ୟବହୃତ କ୍ଷତି ଫଙ୍କସନ୍ (y; F) ରେ y 2 R (ନିୟନ୍ତ୍ରଣ) ପାଇଁ ବର୍ଗର ତ୍ରୁଟି (y F) ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ତ୍ରୁଟି jy j F ଏବଂ ନକାରାତ୍ମକ ବାଇନାଲ୍ ଲୋଗୋମି (ସମ୍ଭାବ୍ୟତା, log1 + e 2y F), ଯେତେବେଳେ y 2 f 1 (ଗୋଟିଏ ଶ୍ରେଣୀକରଣ) ଅନ୍ତର୍ଭୁକ୍ତ କରେ _ ଏକ ସାଧାରଣ ପଦ୍ଧତି ହେଉଛି F (x) କୁ F (x;P) ର ଏକ ପାରାମିଟର ଶ୍ରେଣୀର ସଦସ୍ୟ ଭାବରେ ଗ୍ରହଣ କରିବା, ଯେଉଁଠାରେ P = fP1; P2; g ହେଉଛି ପାରାମିଟରଗୁଡ଼ିକର ଏକ ସେଟ୍ । ଏହି ଲେଖାରେ ଆମେ ଫର୍ମର "ଆଦିତିକ" ବିସ୍ତାର ଉପରେ ଧ୍ୟାନ ଦେବୁ |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | ଆପଣ JSTOR ଆର୍କାଇଭ୍ ର ବ୍ୟବହାର କରିବା ଦ୍ବାରା ଆପଣ JSTOR ର ବ୍ୟବହାର ସର୍ତ୍ତାବଳୀକୁ ଗ୍ରହଣ କରିଛନ୍ତି, ଯାହା http://www.jstor.org/about/terms.html ରେ ଉପଲବ୍ଧ । JSTOR ର ବ୍ୟବହାର ସର୍ତ୍ତାବଳୀରେ ଏହା ମଧ୍ୟ ଉଲ୍ଲେଖ ରହିଛି ଯେ, ଆପଣ ପୂର୍ବ ଅନୁମତି ବିନା କୌଣସି ପତ୍ରିକାର ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା କିମ୍ବା ଲେଖାର ଏକାଧିକ ନକଲ ଡାଉନଲୋଡ୍ କରିପାରିବେ ନାହିଁ ଏବଂ ଆପଣ JSTOR ଆର୍କାଇଭରେ ଥିବା ବିଷୟବସ୍ତୁକୁ କେବଳ ନିଜର ବ୍ୟକ୍ତିଗତ, ଅଣ-ବ୍ୟବସାୟୀକ ବ୍ୟବହାର ପାଇଁ ବ୍ୟବହାର କରିପାରିବେ । ଏହି ପୁସ୍ତକର କୌଣସି ପରବର୍ତ୍ତୀ ବ୍ୟବହାର ବିଷୟରେ ପ୍ରକାଶକଙ୍କ ସହିତ ଯୋଗାଯୋଗ କରନ୍ତୁ । ପ୍ରକାଶକଙ୍କ ସମ୍ପର୍କ ସୂଚନା http://www.jstor.org/journals/econosoc.html ରେ ମିଳିପାରିବ । JSTORର ପ୍ରସାରଣର ଯେକୌଣସି ଅଂଶର ପ୍ରତି କପିରେ ସେହି ସମାନ କପିରାଇଟ୍ ନୋଟିସ୍ ରହିବା ଉଚିତ ଯାହା ଏହିପରି ପ୍ରସାରଣର ପରଦାରେ କିମ୍ବା ମୁଦ୍ରିତ ପୃଷ୍ଠାରେ ଦେଖାଯାଏ । |
8eca169f19425c76fa72078824e6a91a5b37f470 | କମ ଖର୍ଚ୍ଚ ଏବଂ ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ରାଡାର ସିଷ୍ଟମର ସଫଳ ଡିଜାଇନ ପାଇଁ ସିଷ୍ଟମର ସଠିକ ଏବଂ ଦକ୍ଷ ସିମୁଲେସନ ଏକ ପ୍ରମୁଖ ଆବଶ୍ୟକତା । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଫ୍ରିକ୍ୱେନ୍ସି-ମୋଡ୍ୟୁଲେଟେଡ କଣ୍ଟିନ୍ୟୁଅସ ୱେଭ୍ ରାଡାର ସିଷ୍ଟମ ପାଇଁ ଏକ ନୂତନ ବହୁମୁଖୀ ସିମୁଲେସନ ପରିବେଶ ଉପସ୍ଥାପନ କରୁଛୁ । ସାଧାରଣ ହାର୍ଡୱେର ସିମୁଲେସନ ବ୍ୟତୀତ ଏହା ସିଗନାଲ୍ ସିନ୍ଥେସିସ୍ ଠାରୁ ବେସବ୍ୟାଣ୍ଡ ପର୍ଯ୍ୟନ୍ତ ସମନ୍ୱିତ ସିଷ୍ଟମ୍ ସିମୁଲେସନ୍ ଏବଂ କଳ୍ପନା ବିଶ୍ଳେଷଣକୁ କଭର କରେ । ଏଥିରେ ଏକ ନମନୀୟ ଦୃଶ୍ୟ ଜେନେରେଟର, ସଠିକ ଶବ୍ଦ ମଡେଲିଂ ଏବଂ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଆଲଗୋରିଦମର ବିକାଶ ଏବଂ ପରୀକ୍ଷଣ ପାଇଁ ସିମୁଲେସନ୍ ତଥ୍ୟ ଦକ୍ଷତାର ସହିତ ପ୍ରଦାନ କରିଥାଏ । ଏକ ସମନ୍ୱିତ ୭୭-ଗିଗାହର୍ଜ ରାଡାର ପ୍ରୋଟୋଟାଇପର ସିମୁଲେସନ ଓ ମାପ ଫଳାଫଳର ତୁଳନା କରିବା ଦ୍ୱାରା ସିମୁଲେଟରର କ୍ଷମତା ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ପରିସ୍ଥିତିରେ ଦେଖାଯାଏ । |
71337276460b50a2cb37959a2d843e593dc4fdcc | ଏକ ନୂଆ ଅଣ-ବିଚ୍ଛିନ୍ନ ତ୍ରି-ପୋର୍ଟ୍ କନ୍ଭର୍ଟର (ଏନଆଇ-ଟିପିସି) ପ୍ରସ୍ତାବିତ ହୋଇଛି ଯେଉଁଥିରେ ଗୋଟିଏ ପିଭି ପୋର୍ଟ, ଗୋଟିଏ ଦ୍ୱି-ଦିଗ୍ୟ ବ୍ୟାଟେରୀ ପୋର୍ଟ ଏବଂ ଗୋଟିଏ ଲୋଡ୍ ପୋର୍ଟ ଅନ୍ତର୍ଭୁକ୍ତ ହେବ । ତିନିଟି ବନ୍ଦର ମଧ୍ୟରୁ ଯେକୌଣସି ଦୁଇଟି ମଧ୍ୟରେ ଏକ-ସ୍ତର ଶକ୍ତି ରୂପାନ୍ତରଣ ହାସଲ କରାଯାଇଥାଏ । ପାରମ୍ପରିକ ଢାଞ୍ଚାର ଦୁଇ ଦିଗର ଶକ୍ତି ପ୍ରବାହ ପଥକୁ ଦୁଇଟି ଏକ ଦିଗର ଶକ୍ତି ପ୍ରବାହ ପଥକୁ ଅଲଗା କରି ଟପୋଲୋଜି ସୃଷ୍ଟି କରାଯାଇଥାଏ । ତିନୋଟି ପୋର୍ଟ ମଧ୍ୟରୁ ଦୁଇଟିକୁ ଫଲ୍ଟୋଭାଲ୍ୟୁମିନେଟର ପାଇଁ ସର୍ବାଧିକ ଶକ୍ତି ସଂଗ୍ରହ କିମ୍ବା ବ୍ୟାଟେରୀ ପାଇଁ ଚାର୍ଜ ନିୟନ୍ତ୍ରଣ ହାସଲ କରିବା ପାଇଁ ଦୃଢ ଭାବରେ ନିୟନ୍ତ୍ରିତ କରାଯାଇପାରିବ ଏବଂ ସମାନ ସମୟରେ ଲୋଡ ଭୋଲଟେଜକୁ ସ୍ଥିର ରଖାଯାଇପାରିବ, ଯେତେବେଳେ ତୃତୀୟ ପୋର୍ଟକୁ ରୂପାନ୍ତରକ ଶକ୍ତି ଅସନ୍ତୁଳନକୁ କ୍ଷତିପୂରଣ ଦେବା ପାଇଁ ନମନୀୟ ରଖାଯାଇଥାଏ । ଅପରେସନ ସ୍ଥିତିକୁ ବିଶ୍ଳେଷଣ କରାଯାଉଛି । ମଲ୍ଟି-ରେଗୁଲେଟର ପ୍ରତିଯୋଗିତା ନିୟନ୍ତ୍ରଣ ରଣନୀତି ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା PV ଇନପୁଟ୍ ପାୱାରର ପରିବର୍ତ୍ତନ ସମୟରେ ସ୍ୱୟଂକ୍ରିୟ ଏବଂ ସୁଗମ ସ୍ଥିତି ପରିବର୍ତ୍ତନ ହାସଲ କରାଯାଇପାରିବ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦ୍ବାରା ବିଶ୍ଳେଷଣକୁ ଯାଞ୍ଚ କରାଯାଇଥାଏ । |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | ଡିଜିଟାଲ ଦୁନିଆରେ, ବ୍ୟବସାୟିକ କାର୍ଯ୍ୟନିର୍ବାହୀ ଅଧିକାରୀମାନେ ସେମାନଙ୍କ କମ୍ପାନୀଗୁଡ଼ିକର ମୂଲ୍ୟ ସୃଷ୍ଟି ପାଇଁ ସୂଚନା ଏବଂ ସୂଚନା ପରିଚାଳନାର ରଣନୀତିକ ଗୁରୁତ୍ୱ ବିଷୟରେ ଅଧିକ ସଚେତନ ଅଛନ୍ତି । ଏହା ଉଭୟ ନେତୃତ୍ୱ ସୁଯୋଗ ଏବଂ ସିଆଇଓଙ୍କ ପାଇଁ ଆହ୍ୱାନ ସୃଷ୍ଟି କରୁଛି । ସିଆଇଓ ପଦବୀକୁ ବାଦ ଦେବା ଏବଂ ବ୍ୟବସାୟିକ ମୂଲ୍ୟ ସୃଷ୍ଟିରେ ସିଆଇଓଙ୍କ ଯୋଗଦାନକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ, ସେମାନେ ଦକ୍ଷ ଆଇଟି ୟୁଟିଲିଟି ମ୍ୟାନେଜର ହେବାଠାରୁ ଆଗକୁ ଯାଇ ଏକ ଶକ୍ତିଶାଳୀ ସୂଚନା ବ୍ୟବହାର ସଂସ୍କୃତି ନିର୍ମାଣ କରିବାରେ ସେମାନଙ୍କ କମ୍ପାନୀକୁ ସାହାଯ୍ୟ କରିବାରେ ସକ୍ରିୟ ଭୂମିକା ଗ୍ରହଣ କରିବା ଉଚିତ୍ । ଏହି ଲେଖାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ସିଆଇଓ ଏବଂ ବ୍ୟବସାୟିକ କାର୍ଯ୍ୟନିର୍ବାହୀ ସେମାନଙ୍କ କମ୍ପାନୀର ସୂଚନା ଦିଗନିର୍ଦ୍ଦେଶକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଗ୍ରହଣ କରିପାରୁଥିବା ନେତୃତ୍ୱ ଆଭିମୁଖ୍ୟ ବିଷୟରେ ଏକ ଉତ୍ତମ ବୁଝାମଣା ପ୍ରଦାନ କରିବା । ଚାରିଟି କେସ୍ ଷ୍ଟଡିରୁ ମିଳିଥିବା ତଥ୍ୟ ଆଧାରରେ ଆମେ ଏକ ଚାରି ଚତୁର୍ଥାଂଶ ବିଶିଷ୍ଟ ନେତୃତ୍ୱ-ପୋଜିସନିଂ ଫ୍ରେମୱାର୍କ ପ୍ରସ୍ତୁତ କରିଛୁ । ଏହି ଢାଞ୍ଚା ସିଆଇଓଙ୍କ ଦୃଷ୍ଟିକୋଣରୁ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଏବଂ ସୂଚାଇଥାଏ ଯେ ସିଆଇଓ ଏକ ନେତୃତ୍ୱ, ଅନୁଗାମୀ କିମ୍ବା ଏକ ଅଣ-ଖେଳାଳି ଭାବରେ କାର୍ଯ୍ୟ କରି କମ୍ପାନୀର ସୂଚନା ଦିଗକୁ ବିକାଶ କରିବାରେ ଏହାର ରଣନୀତିକ ଫୋକସ୍ ହାସଲ କରିପାରିବେ । ଏହି ଆର୍ଟିକିଲରେ ନିର୍ଦ୍ଦେଶାବଳୀ ଦିଆଯାଇଛି ଯାହା ସିଆଇଓମାନେ ବ୍ୟବହାର କରି ସେମାନଙ୍କ କମ୍ପାନୀଗୁଡ଼ିକର ସୂଚନା ଆଭିମୁଖ୍ୟ ପଦକ୍ଷେପକୁ ପ୍ରବର୍ତ୍ତନ କରିବା କିମ୍ବା ବଜାୟ ରଖିବାରେ ସେମାନଙ୍କ ନେତୃତ୍ୱ ଆହ୍ୱାନକୁ ସ୍ଥାନିତ କରିବାରେ ସାହାଯ୍ୟ କରିପାରିବେ ଏବଂ ସିଆଇଓମାନଙ୍କ ନିର୍ଦ୍ଦିଷ୍ଟ ପରିସ୍ଥିତି ଉପରେ ନିର୍ଭର କରି ନିର୍ଦ୍ଦିଷ୍ଟ ନେତୃତ୍ୱ ଆଭିମୁଖ୍ୟ ସୁପାରିଶ କରନ୍ତି । |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | ଏହି କାଗଜରେ ବ୍ୟବସ୍ଥିତ ଭାବେ ଦୁଇଟି ବୈଶିଷ୍ଟ୍ୟ ଉତ୍ତୋଳନ ଆଲଗୋରିଦମକୁ ଖଣି ଉତ୍ପାଦ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ତୁଳନା କରାଯାଇଛି ଯାହା ଉପରେ ଗ୍ରାହକ ସମୀକ୍ଷାରେ ମନ୍ତବ୍ୟ ଦିଆଯାଇଛି । ପ୍ରଥମ ପଦ୍ଧତି [୧୭]ରେ, POS ମଡେଲର ଏକ ସେଟ ପ୍ରୟୋଗ କରି ଏବଂ ଲୋଗୋ ସମ୍ଭାବ୍ୟତା ଅନୁପାତ ପରୀକ୍ଷଣ ଆଧାରରେ ପ୍ରାର୍ଥୀ ସେଟକୁ ସିଲେଇ କରି ପ୍ରାର୍ଥୀ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଚିହ୍ନଟ କରାଯାଏ । ଦ୍ୱିତୀୟ ପଦ୍ଧତି [11]ରେ ବାରମ୍ବାର ଦେଖାଯାଉଥିବା ଲକ୍ଷଣକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଆସୋସିଏସନ ନିୟମ ଖନନ ଏବଂ ବାରମ୍ବାର ଦେଖାଯାଉନଥିବା ଲକ୍ଷଣକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଭାବନା ବା ଭାବନା ଶବ୍ଦ ଉପରେ ଆଧାରିତ ଏକ ହେୟୁରଷ୍ଟିକ ପ୍ରୟୋଗ କରାଯାଏ । ଆମେ ପାଞ୍ଚଟି ଉତ୍ପାଦ ନିର୍ଦ୍ଦିଷ୍ଟ ଡକ୍ୟୁମେଣ୍ଟ୍ ସଂଗ୍ରହ ଉପରେ ଗ୍ରାହକ ଇଲେକ୍ଟ୍ରୋନିକ୍ ଉପକରଣଗୁଡିକ ଉପରେ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ । ଆମେ ତ୍ରୁଟିଗୁଡ଼ିକର ବିଶ୍ଳେଷଣ କରିଥାଉ ଏବଂ ଆଲଗୋରିଦମର ସୁବିଧା ଓ ଅସୁବିଧା ବିଷୟରେ ଆଲୋଚନା କରିଥାଉ । |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | ଏହି ଅଧ୍ୟୟନ ହେଉଛି ଇଣ୍ଟରନେଟ୍ ଗେମିଂ ଡିସଅର୍ଡର (IGD) ର ଏକ କ୍ୱାସି-ପରୀକ୍ଷାମୂଳକ, ଭବିଷ୍ୟତର ଅଧ୍ୟୟନ । ଏହି କାର୍ଯ୍ୟକ୍ରମରେ ୧୦୪ ଜଣ ଅଭିଭାବକ ଏବଂ ସେମାନଙ୍କ କିଶୋର ପିଲାମାନଙ୍କୁ ଚାରୋଟି ଚିକିତ୍ସା ଗୋଷ୍ଠୀ ମଧ୍ୟରୁ ଗୋଟିଏରେ ରଖାଯାଇଥିଲା । ଏହି ଗୋଷ୍ଠୀଗୁଡ଼ିକ ହେଲା: ୭ ଦିନିଆ ସିରିରାଜ ଥେରାପି ରେସିଡେଣ୍ଟାଲ କ୍ୟାମ୍ପ (ଏସ-ଟିଆରସି) ଏକାକୀ, ୮ ସପ୍ତାହର ପ୍ୟାରେଣ୍ଟ ମ୍ୟାନେଜମେଣ୍ଟ ଟ୍ରେନିଂ ଫର ଗେମ୍ ଆଡ୍କ୍ସନ (ପିଏମଟି-ଜି) ଏକାକୀ, ଏସ-ଟିଆରସି ଏବଂ ପିଏମଟି-ଜିର ମିଳିତ ତାଲିମ ଏବଂ ମୌଳିକ ମାନସିକ ଶିକ୍ଷା (ନିୟନ୍ତ୍ରଣ) । ଗେମ୍ ଆଡ୍କ୍ସନ୍ ସ୍କ୍ରିନିଂ ଟେଷ୍ଟ (ଜିଏଷ୍ଟ) ଦ୍ୱାରା ଆଇଜିଡିର ଗମ୍ଭୀରତା ମାପ କରାଯାଇଥିଲା । GAST ସ୍କୋରରେ ଗୋଷ୍ଠୀଗୁଡ଼ିକ ମଧ୍ୟରେ ହାରାହାରି ପାର୍ଥକ୍ୟ ପରିସଂଖ୍ୟାନଗତ ଭାବେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଥିଲା, ଯଥାକ୍ରମେ P ମୂଲ୍ୟ < 0. 001, 0. 002 ଏବଂ 0. 005 ଥିଲା । ସମସ୍ତ ଗୋଷ୍ଠୀ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ ତୁଳନାରେ ଉନ୍ନତି ଦେଖାଇଥିଲେ । ନିଶାସକ୍ତ ବା ସମ୍ଭବତଃ ନିଶାସକ୍ତ ଗୋଷ୍ଠୀରେ ଥିବା କିଶୋରମାନଙ୍କ ଶତକଡା ହାର ଏସ-ଟିଆରସି, ପିଏମଟି-ଜି ଏବଂ ମିଳିତ ଗୋଷ୍ଠୀରେ ୫୦% ରୁ କମ୍ ଥିଲା । ଏହି ଦୁଇଟି ଯାକ ପଦ୍ଧତି ଇନଫ୍ଲୁଏଞ୍ଜାଲ ଡିଜି ପାଇଁ ପ୍ରଭାବଶାଳୀ ମନସ୍ତାତ୍ତ୍ୱିକ ଚିକିତ୍ସା ପଦ୍ଧତି ଥିଲା ଏବଂ ଏହା କେବଳ ମୌଳିକ ମନସ୍ତାତ୍ତ୍ୱିକ ଶିକ୍ଷାଠାରୁ ଭଲ ଥିଲା । |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | ଏହି କାଗଜରେ 3D ଦୃଶ୍ୟ ବୁଝିବା ପାଇଁ ଏକ ନୂତନ ଦୃଷ୍ଟିକୋଣ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଆମର ଏହି ଦୃଷ୍ଟିକୋଣ ଏକ ସରଳ ଅନୁଧ୍ୟାନକୁ ବ୍ୟବହାର କରିଥାଏ, ଯାହା ମାନବୀୟ ଡିଜାଇନ୍ ଦ୍ୱାରା, ସ୍ଥାୟୀ ଦୃଶ୍ୟରେ ଥିବା ବସ୍ତୁଗୁଡିକ ମାଧ୍ୟାକର୍ଷଣ କ୍ଷେତ୍ରରେ ସ୍ଥିର ରହିବା ଉଚିତ ଏବଂ ମାନବୀୟ କାର୍ଯ୍ୟକଳାପ ପରି ବିଭିନ୍ନ ଭୌତିକ ବିଶୃଙ୍ଖଳା ପ୍ରତି ସୁରକ୍ଷିତ ରହିବା ଉଚିତ । ଏହି ଅନୁମାନ ସମସ୍ତ ଦୃଶ୍ୟ ଶ୍ରେଣୀ ପାଇଁ ପ୍ରଯୁଜ୍ୟ ଏବଂ ଦୃଶ୍ୟ ବୁଝିବାରେ ଯୁକ୍ତିଯୁକ୍ତ ବ୍ୟାଖ୍ୟା (ପାର୍ସ) ପାଇଁ ଉପଯୋଗୀ ପ୍ରତିବନ୍ଧକ ସୃଷ୍ଟି କରେ । ଗଭୀରତା କ୍ୟାମେରା ଦ୍ୱାରା ଏକ ସ୍ଥାୟୀ ଦୃଶ୍ୟ ପାଇଁ ଧରାଯାଇଥିବା ଏକ 3D ପଏଣ୍ଟ କ୍ଲାଉଡ୍ ଦିଆଯାଇଥିବା ବେଳେ, ଆମର ପଦ୍ଧତି ତିନୋଟି ପଦକ୍ଷେପ ନେଇଥାଏ: (i) ଭୋକ୍ସେଲରୁ କଠିନ 3D ଭୋଲ୍ୟୁମେଟ୍ରିକ୍ ପ୍ରିମିଟିଭ୍ ପୁନରୁଦ୍ଧାର କରିବା; (ii) ସ୍ଥିରତା ଏବଂ ଦୃଶ୍ୟ ପୂର୍ବରୁ ସ୍ଥିରତା ଏବଂ ଦୃଶ୍ୟକୁ ଅପ୍ଟିମାଇଜ୍ କରି ଅସ୍ଥିର ପ୍ରିମିଟିଭ୍ କୁ ଶାରୀରିକ ଭାବରେ ସ୍ଥିର ବସ୍ତୁରେ ଗୋଷ୍ଠୀଭୁକ୍ତ କରି ସ୍ଥିରତା କାରଣ କରିବା; ଏବଂ (iii) ମାନବ କାର୍ଯ୍ୟକଳାପ, ପବନ କିମ୍ବା ଭୂମିକମ୍ପ ପରି ଶାରୀରିକ ବ୍ୟାଘାତରେ ଥିବା ବସ୍ତୁ ପାଇଁ ଶାରୀରିକ ବିପଦକୁ ମୂଲ୍ୟାଙ୍କନ କରି ସୁରକ୍ଷା କାରଣ କରିବା । ଆମେ ଏକ ନୂତନ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ଭୌତିକ ମଡେଲକୁ ଗ୍ରହଣ କରିଥାଉ ଏବଂ ଦୃଶ୍ୟରେ ଥିବା ପ୍ରତ୍ୟେକ ପ୍ରାଥମିକ ଏବଂ ବସ୍ତୁର ଶକ୍ତି ଦୃଶ୍ୟକୁ ଏକ ବିଚ୍ଛିନ୍ନତା ଗ୍ରାଫ (ଡିଜି) ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରୁ । ଆମେ ଏକ କଣ୍ଟାକ୍ଟ ଗ୍ରାଫ ତିଆରି କରିଥାଉ ଯେଉଁଥିରେ ନୋଡ୍ସ 3D ଭୋଲ୍ୟୁମେଟ୍ରିକ ପ୍ରିମିଟିଭ୍ ହୋଇଥାଏ ଏବଂ ଏଜ୍ସ ସପୋର୍ଟ ରିଲେସନସିପକୁ ପ୍ରତିନିଧିତ୍ୱ କରିଥାଏ । ତାପରେ ଆମେ ସ୍ୱେଣ୍ଡସନ୍-ୱାଙ୍ଗ୍ କଟ୍ସ ଆଲଗୋରିଦମକୁ ଗ୍ରହଣ କରି କଣ୍ଟାକ୍ଟ ଗ୍ରାଫକୁ ବିଭିନ୍ନ ଗୋଷ୍ଠୀରେ ବିଭକ୍ତ କରିଥାଉ, ଯେଉଁଥିରୁ ପ୍ରତ୍ୟେକଟି ସ୍ଥିର ବସ୍ତୁ ଅଟେ । ଏକ ସ୍ଥିର ଦୃଶ୍ୟରେ ଅସୁରକ୍ଷିତ ବସ୍ତୁଗୁଡିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ, ଆମର ପଦ୍ଧତି ଦୃଶ୍ୟରେ ଲୁକ୍କାୟିତ ଏବଂ ଅବସ୍ଥିତ କାରଣ (ବିଘ୍ନ) କୁ ଅଧିକ ଅନ୍ତର୍ଭୁକ୍ତ କରେ, ଏବଂ ତାପରେ ବିଘ୍ନର ପରିଣାମ ଭାବରେ ସମ୍ଭାବ୍ୟ ପ୍ରଭାବ (ଯଥା, ପଡ଼ିବା) କୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ଭୌତିକ ମେକାନିକ୍ସକୁ ପ୍ରବର୍ତ୍ତାଇଥାଏ । ପରୀକ୍ଷଣରେ ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଆଲଗୋରିଦମ (i) ବସ୍ତୁ ବିଭାଜନ, (ii) 3D ଭୋଲ୍ୟୁମେଟ୍ରିକ୍ ରିକଭରି ଏବଂ (iii) ଦୃଶ୍ୟ ବୁଝିବା ପାଇଁ ଅନ୍ୟ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଗୁଡିକ ତୁଳନାରେ ଯଥେଷ୍ଟ ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ । ଆମେ ମଧ୍ୟ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ମେକାନିକ୍ସ ମଡେଲରୁ ସୁରକ୍ଷା ପୂର୍ବାନୁମାନକୁ ମାନବ ବିଚାର ସହିତ ତୁଳନା କରିଥାଉ । |
7e9507924ceebd784503fd25128218a7119ff722 | ଆମର ଆଭିମୁଖ୍ୟ ପ୍ରତ୍ୟେକ ଲେଖା କୋରପସକୁ ଏକ ବିଷୟ ଗ୍ରାଫ ଭାବରେ ମଡେଲ୍ କରିଥାଏ । ଏହି ଗ୍ରାଫ ଗୁଡିକୁ ଏକ ସ୍ଥିର ଗ୍ରାଫ ମେଳଣ ପଦ୍ଧତି ବ୍ୟବହାର କରି ମେଳ କରାଯାଏ । ତାପରେ ଆମେ ଏକ ବିସ୍ତୃତ ସ୍ତରୀୟ (LOD) ଦୃଶ୍ୟ ବିକାଶ କରିଥାଉ ଯାହା ଉଭୟ ପଠନୀୟତା ଏବଂ ସ୍ଥିରତା ମଧ୍ୟରେ ସନ୍ତୁଳନ ରକ୍ଷା କରିଥାଏ । ଏହିପରି ଭାବରେ, ଫଳସ୍ୱରୂପ ଦୃଶ୍ୟମାନ ହେବା ଫଳରେ ଉପଭୋକ୍ତାମାନେ ଏକାଧିକ ଦୃଷ୍ଟିକୋଣରୁ ମେଳ ଖାଉଥିବା ଗ୍ରାଫକୁ ବୁଝିବା ଏବଂ ବିଶ୍ଳେଷଣ କରିବାର କ୍ଷମତା ବୃଦ୍ଧି ପାଇଥାଏ । ମେଟ୍ରିକ ଲର୍ଣ୍ଣିଂ ଏବଂ ଫିଚର ସିଲେକ୍ସନକୁ ଗ୍ରାଫ ମେଳ ଖାଉଥିବା ଆଲଗୋରିଦମରେ ସାମିଲ କରି ଆମେ ୟୁଜର୍ସଙ୍କୁ ଗ୍ରାଫ ମେଳ ଖାଉଥିବା ଫଳାଫଳକୁ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଭାବେ ସେମାନଙ୍କ ସୂଚନା ଆବଶ୍ୟକତା ଆଧାରରେ ପରିବର୍ତ୍ତନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଉ । ଆମେ ଆମର ଏହି ପଦ୍ଧତିକୁ ବିଭିନ୍ନ ପ୍ରକାରର ତଥ୍ୟ ଉପରେ ପ୍ରୟୋଗ କରିଛୁ, ଯେଉଁଥିରେ ସମ୍ବାଦ ପ୍ରବନ୍ଧ, ଟ୍ୱିଟ ଏବଂ ବ୍ଲଗ ତଥ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ପରିମାଣିକ ମୂଲ୍ୟାୟନ ଏବଂ ବାସ୍ତବ ଦୁନିଆର କେସ ଷ୍ଟଡି ଆମର ଆଭିମୁଖ୍ୟର ପ୍ରତିଶ୍ରୁତିକୁ ଦର୍ଶାଏ, ବିଶେଷକରି ବିଭିନ୍ନ ସ୍ତରରେ ବିସ୍ତୃତ ଭାବରେ ବିଷୟ-ଗ୍ରାଫ ଆଧାରିତ ସମ୍ପୂର୍ଣ୍ଣ ଚିତ୍ରର ପରୀକ୍ଷା ପାଇଁ ସମର୍ଥନ କରେ _ ଏହି ପତ୍ରିକାରେ ବିଭିନ୍ନ ଉତ୍ସ ଯଥା ଖବର, ବ୍ଲଗ କିମ୍ବା ମାଇକ୍ରୋ ବ୍ଲଗରେ ଆଲୋଚନା କରାଯାଇଥିବା ପ୍ରାସଙ୍ଗିକ ବିଷୟର ସମ୍ପୂର୍ଣ୍ଣ ଚିତ୍ରକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଏକ ଭିଜୁଆଲ ଆନାଲିଟିକ୍ସ ପଦ୍ଧତିକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ସଂପୂର୍ଣ୍ଣ ଚିତ୍ରରେ ଅନେକ ସାଧାରଣ ବିଷୟ ରହିଛି ଯାହା ଏକାଧିକ ଉତ୍ସରୁ କଭର କରାଯାଇଛି, ଏବଂ ପ୍ରତ୍ୟେକ ଉତ୍ସରୁ ପୃଥକ ବିଷୟ ମଧ୍ୟ ରହିଛି । |
b04a503487bc6505aa8972fd690da573f771badb | ଗଭୀର ସ୍ନାୟୁଗତ ଧାରଣ ଓ ନିୟନ୍ତ୍ରଣ ନେଟୱାର୍କ ସ୍ୱୟଂ ଚାଳିତ ଯାନର ଏକ ପ୍ରମୁଖ ଉପାଦାନ ହୋଇପାରେ । ଏହି ମଡେଲଗୁଡିକ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ହେବା ଆବଶ୍ୟକ - ସେମାନେ ସେମାନଙ୍କର ଆଚରଣ ପାଇଁ ସହଜରେ ବ୍ୟାଖ୍ୟା କରିବାକୁ ଥିବା ତର୍କ ପ୍ରଦାନ କରିବା ଉଚିତ - ଯାହା ଦ୍ବାରା ଯାତ୍ରୀ, ବୀମା କମ୍ପାନୀ, ଆଇନ ପ୍ରବର୍ତ୍ତନକାରୀ, ବିକାଶକାରୀ ଇତ୍ୟାଦି, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଆଚରଣକୁ କ ଣ ଟ୍ରିଗର କରିଛି ତାହା ବୁଝିପାରିବେ । ଏଠାରେ ଆମେ ଦୃଶ୍ୟ ବ୍ୟାଖ୍ୟା ବ୍ୟବହାରର ଅନୁସନ୍ଧାନ କରୁ । ଏହି ବ୍ୟାଖ୍ୟାଗୁଡ଼ିକ ବାସ୍ତବ ସମୟର ହାଇଲାଇଟ୍ ହୋଇଥିବା ଇମେଜ୍ ଅଞ୍ଚଳ ଆକାରରେ ନିଆଯାଇଥାଏ ଯାହା ନେଟୱାର୍କର ଆଉଟପୁଟ୍ (ଷ୍ଟେରିଂ କଣ୍ଟ୍ରୋଲ୍) କୁ ପ୍ରଭାବିତ କରିଥାଏ । ଆମର ଆଭିମୁଖ୍ୟ ଦୁଇଟି ପର୍ଯ୍ୟାୟରେ ରହିଛି । ପ୍ରଥମ ପର୍ଯ୍ୟାୟରେ, ଆମେ ଏକ ଭିଜୁଆଲ ଆଟେନସନ ମଡେଲ ବ୍ୟବହାର କରି ଇମେଜରୁ ଷ୍ଟିଅରିଂ ଆଙ୍ଗଲ ପର୍ଯ୍ୟନ୍ତ ଏକ କନଭୋଲ୍ୟୁସନ ନେଟୱାର୍କକୁ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଟ୍ରେନିଂ କରୁ । ଧ୍ୟାନ ମଡେଲରେ ଇମେଜ ରିଜିଅନକୁ ହାଇଲାଇଟ କରାଯାଇଛି ଯାହା ନେଟୱର୍କର ଆଉଟପୁଟକୁ ପ୍ରଭାବିତ କରିପାରେ । ସେଥିରୁ କିଛି ପ୍ରଭାବ ସଠିକ, କିନ୍ତୁ କିଛି ପ୍ରଭାବ ମିଥ୍ୟା । ତାପରେ ଆମେ ଏକ କାରଣ-ସୂଚକ ଫିଲ୍ଟରିଂ ପଦକ୍ଷେପ ପ୍ରୟୋଗ କରି ନିର୍ଣ୍ଣୟ କରିବା କେଉଁ ଇନପୁଟ୍ ଅଞ୍ଚଳ ପ୍ରକୃତରେ ଆଉଟପୁଟ୍ କୁ ପ୍ରଭାବିତ କରେ । ଏହାଦ୍ୱାରା ଅଧିକ ସଂକ୍ଷିପ୍ତ ଦୃଶ୍ୟମାନ ବ୍ୟାଖ୍ୟା ସୃଷ୍ଟି ହୋଇଥାଏ ଏବଂ ନେଟୱାର୍କର ଆଚରଣକୁ ଅଧିକ ସଠିକ ଭାବେ ପ୍ରକାଶ କରାଯାଇଥାଏ । ଆମେ ୧୬ ଘଣ୍ଟାର ମୋଟରଯାନ ଚଳାଇବା ସମୟରେ ତିନୋଟି ତଥ୍ୟ ସେଟ ଉପରେ ଆମ ମଡେଲର ପ୍ରଭାବକୁ ପ୍ରଦର୍ଶନ କରିଛୁ । ଆମେ ପ୍ରଥମେ ଦେଖାଇବୁ ଯେ ଧ୍ୟାନର ସହିତ ତାଲିମ ନେବା ଦ୍ୱାରା ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ନେଟୱାର୍କର କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ରାସ ପାଇବ ନାହିଁ । ତାପରେ ଆମେ ଦେଖାଇଲୁ ଯେ ନେଟୱର୍କ ବିଭିନ୍ନ ପ୍ରକାର ବିଶେଷତା ଉପରେ ସୂଚକ ଭାବରେ ସୂଚକ କରେ ଯାହାକୁ ମଣିଷମାନେ ଡ୍ରାଇଭିଂ ସମୟରେ ବ୍ୟବହାର କରନ୍ତି । |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | ଆଟ୍ରିବୁଟ୍ ଆଧାରିତ ଏନକ୍ରିପସନ୍ (ଏବିଇ) [13] ବ୍ୟବହାରକାରୀଙ୍କ ଗୁଣ ଉପରେ ଆଧାର କରି ଡିକ୍ରିପସନ୍ କ୍ଷମତା ନିର୍ଣ୍ଣୟ କରେ । ଏକ ବହୁ-ଅଧିକାରୀ ABE ଯୋଜନାରେ, ଏକାଧିକ ଗୁଣ-ଅଧିକାରୀମାନେ ବିଭିନ୍ନ ଗୁଣଗୁଡିକର ତଦାରଖ କରନ୍ତି ଏବଂ ଉପଭୋକ୍ତାମାନଙ୍କୁ ସମ୍ପୃକ୍ତ ଡିକ୍ରିପ୍ଟେସନ୍ କି ପ୍ରଦାନ କରନ୍ତି, ଏବଂ ଏନକ୍ରିପ୍ଟରଗୁଡିକ ଆବଶ୍ୟକ କରିପାରନ୍ତି ଯେ ଜଣେ ଉପଭୋକ୍ତା ଏକ ବାର୍ତ୍ତା ଡିକ୍ରିପ୍ଟ କରିବା ପୂର୍ବରୁ ପ୍ରତ୍ୟେକ କର୍ତ୍ତୃପକ୍ଷଙ୍କଠାରୁ ଉପଯୁକ୍ତ ଗୁଣଗୁଡିକ ପାଇଁ ଚାବି ହାସଲ କରନ୍ତୁ । Chase [5] ଏକ ମଲ୍ଟି-ଅଥରିଟି ABE ସ୍କିମ୍ ପ୍ରଦାନ କରିଛି ଯାହା ଏକ ବିଶ୍ୱସ୍ତ କେନ୍ଦ୍ରୀୟ ପ୍ରାଧିକରଣ (CA) ଏବଂ ଗ୍ଲୋବାଲ୍ ଆଇଡେଣ୍ଟିଫାୟର (GID) ର ଧାରଣା ବ୍ୟବହାର କରି । ତେବେ, ସେହି ନିର୍ମାଣରେ ଥିବା CA ପାଖରେ ପ୍ରତ୍ୟେକ ସିକ୍ରିପ୍ଟ ଟେକ୍ସଟକୁ ଡିକ୍ରିପ୍ଟ କରିବାର କ୍ଷମତା ରହିଛି, ଯାହା କୌଣସି ପ୍ରକାରରେ ଅସ୍ୱୀକୃତ କର୍ତ୍ତୃପକ୍ଷଙ୍କ ଉପରେ ନିୟନ୍ତ୍ରଣ ବଣ୍ଟନ କରିବାର ମୂଳ ଲକ୍ଷ୍ୟ ସହିତ ବିରୋଧାଭାସପୂର୍ଣ୍ଣ ମନେହୁଏ । ଏହା ବ୍ୟତୀତ, ସେହି ନିର୍ମାଣରେ, ଏକ ସୁସଂଗତ GID ର ବ୍ୟବହାର କର୍ତ୍ତୃପକ୍ଷଙ୍କୁ ସେମାନଙ୍କର ସୂଚନାକୁ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ପ୍ରୋଫାଇଲ୍ ସହିତ ଏକ ଉପଭୋକ୍ତାଙ୍କର ସମସ୍ତ ଗୁଣ ନିର୍ମାଣ କରିବାକୁ ଅନୁମତି ଦେଇଥିଲା, ଯାହା ଉପଭୋକ୍ତାଙ୍କର ଗୋପନୀୟତାକୁ ଅନାବଶ୍ୟକ ଭାବରେ କ୍ଷତି ପହଞ୍ଚାଇଥାଏ । ଏହି କାଗଜରେ ଆମେ ଏକ ସମାଧାନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବିଶ୍ୱାସଯୋଗ୍ୟ କେନ୍ଦ୍ରୀୟ କର୍ତ୍ତୃପକ୍ଷଙ୍କୁ ହଟାଇ ଦେଇଥାଏ ଏବଂ କର୍ତ୍ତୃପକ୍ଷଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ଉପଭୋକ୍ତାଙ୍କ ବିଷୟରେ ସେମାନଙ୍କର ସୂଚନା ଏକତ୍ରିତ କରିବାରେ ରୋକି ବ୍ୟବହାରକାରୀଙ୍କ ଗୋପନୀୟତା ରକ୍ଷା କରିଥାଏ, ଯାହାଦ୍ୱାରା ABE ବ୍ୟବହାରରେ ଅଧିକ ବ୍ୟବହାରଯୋଗ୍ୟ ହୋଇଥାଏ । |
25098861749fe9eab62fbe90c1ebeaed58c211bb | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ନୂତନ ଦୃଷ୍ଟିକୋଣରୁ ବର୍ଦ୍ଧିତ ପଦ୍ଧତିଗୁଡ଼ିକର ଅଧ୍ୟୟନ କରୁଛୁ । ଆମେ ଇଫ୍ରନ୍ ଏବଂ ଅନ୍ୟମାନଙ୍କ ନିକଟରେ ହୋଇଥିବା କାର୍ଯ୍ୟ ଉପରେ ଆଧାରିତ । ଏହା ଦର୍ଶାଇବା ପାଇଁ ଯେ ବର୍ଦ୍ଧନ ପାଖାପାଖି (ଏବଂ କେତେକ କ୍ଷେତ୍ରରେ ଠିକ୍ ଭାବରେ) ଏହାର କ୍ଷତି ମାନଦଣ୍ଡକୁ l1 ପ୍ରତିବନ୍ଧକ ସହିତ ଗୁଣକ ଭେକ୍ଟରରେ ହ୍ରାସ କରିଥାଏ । ଏହାଦ୍ୱାରା କ୍ଷତି ମାନଦଣ୍ଡର ନିୟମିତ ଉପଯୋଗୀତା ସହିତ ପ୍ରାରମ୍ଭିକ ବନ୍ଦ ସହିତ ବୃଦ୍ଧି କରିବାର ସଫଳତା ବୁଝିବାରେ ସାହାଯ୍ୟ କରିଥାଏ । ଦୁଇଟି ସାଧାରଣ ଭାବେ ବ୍ୟବହୃତ ମାନଦଣ୍ଡ (ଆନୁମାନିକ ଓ ବାଇନୋମିଆଲ ଲଗ-ସମ୍ଭବତା) ପାଇଁ, ଆମେ ଆହୁରି ଦର୍ଶାଇଛୁ ଯେ ଯେହେତୁ ପ୍ରତିବନ୍ଧକ ଆରାମଦାୟକ ଅଟେ - କିମ୍ବା ସମାନ ଭାବରେ ବର୍ଦ୍ଧିତ ପୁନରାବୃତ୍ତି ଭାବରେ - ସମାଧାନ ଏକତ୍ରିତ ହୁଏ (ବିଭାଜନୀୟ କ୍ଷେତ୍ରରେ) ଏକ l1-ଅପ୍ଟିମଲ୍ ପୃଥକ ହାଇପର-ପ୍ଲାନକୁ । ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ ଏହି l1-optimal ପୃଥକ ହାଇପର-ପ୍ଲାନର ଗୁଣବତ୍ତା ଅଛି ଯାହା ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟର ସର୍ବନିମ୍ନ l1-ମାରଜିନ୍ କୁ ସର୍ବାଧିକ କରିଥାଏ, ଯେପରିକି ବର୍ଦ୍ଧିତ ସାହିତ୍ୟରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି । ବର୍ଦ୍ଧିତ ଏବଂ କର୍ଣ୍ଣଲ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ ମଧ୍ୟରେ ଏକ ମୌଳିକ ସମାନତା ରହିଛି, କାରଣ ଉଭୟକୁ ଉଚ୍ଚ-ଆକାରର ପୂର୍ବାନୁମାନକାରୀ ସ୍ପେସରେ ନିୟମିତ ଅପ୍ଟିମାଇଜେସନ ପାଇଁ ପଦ୍ଧତି ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇପାରେ, ଗଣନାକୁ ବ୍ୟବହାରିକ କରିବା ପାଇଁ ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ଟ୍ରିକ୍ ବ୍ୟବହାର କରି, ଏବଂ ମାର୍ଜିନ-ମେକ୍ସାଇମ ସମାଧାନକୁ ସମ୍ମିଳିତ କରି । ଏହି ବିବୃତ୍ତି SVM କୁ ସଠିକ ଭାବରେ ବର୍ଣ୍ଣନା କରେ, ଏହା କେବଳ ପାଖାପାଖି ଭାବରେ ବସ୍ତୁତ୍ବ ବୃଦ୍ଧି ପାଇଁ ପ୍ରଯୁଜ୍ୟ । |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | ଶବ୍ଦଗୁଡ଼ିକର ଭେକ୍ଟର ସ୍ପେସ୍ ରେ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ପାଇଁ ସାମ୍ପ୍ରତିକ ପଦ୍ଧତିଗୁଡ଼ିକ ଭେକ୍ଟର ଗଣିତ ବ୍ୟବହାର କରି ସୂକ୍ଷ୍ମ-କଣିଆ ଅର୍ଥନୈତିକ ଏବଂ ସିଣ୍ଟାକ୍ଟିକ୍ ନିୟମିତତା ଧାରଣ କରିବାରେ ସଫଳ ହୋଇଛି, କିନ୍ତୁ ଏହି ନିୟମିତତାର ଉତ୍ପତ୍ତି ଅସ୍ପଷ୍ଟ ରହିଛି । ଆମେ ବିଶ୍ଳେଷଣ କରିଥାଉ ଏବଂ ଶବ୍ଦ ଭେକ୍ଟରରେ ଏଭଳି ନିୟମିତତା ସୃଷ୍ଟି କରିବା ପାଇଁ ଆବଶ୍ୟକ ମଡେଲ ଗୁଣକୁ ସ୍ପଷ୍ଟ କରିଥାଉ । ଏହାର ପରିଣାମ ହେଉଛି ଏକ ନୂଆ ବିଶ୍ୱସ୍ତରୀୟ ଲୋଗ୍-ବିଲିନୀୟର ରିଗ୍ରେସନ୍ ମଡେଲ ଯାହାକି ସାହିତ୍ୟରେ ଥିବା ଦୁଇଟି ପ୍ରମୁଖ ମଡେଲ ପରିବାରର ଲାଭକୁ ମିଶାଇଥାଏ: ବିଶ୍ୱସ୍ତରୀୟ ମ୍ୟାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ଏବଂ ସ୍ଥାନୀୟ ପ୍ରସଙ୍ଗ ୱିଣ୍ଡୋ ପଦ୍ଧତି । ଆମର ମଡେଲ କେବଳ ଶୂନ-ବିଭିନ୍ନ ଉପାଦାନ ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦେଇ ପରିସଂଖ୍ୟାନ ସୂଚନାକୁ ଦକ୍ଷତାର ସହିତ ଉପଯୋଗ କରିଥାଏ, ଏହା ସମଗ୍ର ବିରଳ ମାଟ୍ରିକ୍ସ କିମ୍ବା ଏକ ବୃହତ କୋରପସରେ ପୃଥକ ପ୍ରସଙ୍ଗ ୱିଣ୍ଡୋ ଉପରେ ନୁହେଁ । ଏହି ମଡେଲ ଏକ ଅର୍ଥପୂର୍ଣ୍ଣ ଉପନିର୍ମାଣ ସହିତ ଏକ ଭେକ୍ଟର ସ୍ପେସ୍ ସୃଷ୍ଟି କରିଥାଏ, ଯାହା ନିକଟରେ ହୋଇଥିବା ଏକ ଶବ୍ଦ ଅନୁରୂପତା କାର୍ଯ୍ୟରେ ଏହାର 75% ପ୍ରଦର୍ଶନ ଦ୍ୱାରା ପ୍ରମାଣିତ ହୋଇଛି । ଏହା ମଧ୍ୟ ସମାନତା କାର୍ଯ୍ୟ ଏବଂ ନାମିତ ସଂସ୍ଥା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ସମ୍ବନ୍ଧିତ ମଡେଲ ଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିଥାଏ । |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | ଆମେ ଦୁଇଟି ବଣ୍ଟନ ମଧ୍ୟରେ ଏକ ମେଟ୍ରିକର ଗୁଣବତ୍ତା ଅନୁସନ୍ଧାନ କରୁ, ଯାହା ହେଉଛି ପୃଥିବୀ ଚଳାଇବାର ଦୂରତା (ଇଏମଡି), ବିଷୟବସ୍ତୁ ଆଧାରିତ ପ୍ରତିଛବି ପୁନରୁଦ୍ଧାର ପାଇଁ । ଇଏମଡିର ଆଧାର ହେଉଛି ଏକ ବିତରଣକୁ ଅନ୍ୟ ଏକ ବିତରଣରେ ପରିବର୍ତ୍ତନ କରିବା ପାଇଁ ସର୍ବନିମ୍ନ ମୂଲ୍ୟ ଯାହା ଏକ ସଠିକ ଅର୍ଥରେ ପ୍ରଦାନ କରାଯିବା ଆବଶ୍ୟକ ଏବଂ ପ୍ରଥମେ ପେଲେଗ, ୱେରମାନ ଏବଂ ରୋମ ଦ୍ୱାରା କିଛି ଦୃଷ୍ଟି ସମସ୍ୟା ପାଇଁ ପ୍ରସ୍ତାବିତ କରାଯାଇଥିଲା । ଛବି ପୁନରୁଦ୍ଧାର ପାଇଁ, ଆମେ ଏହି ଧାରଣାକୁ ବଣ୍ଟନ ପାଇଁ ଏକ ପ୍ରତିନିଧିତ୍ୱ ଯୋଜନା ସହିତ ମିଶାଇଥାଉ ଯାହା ଭେକ୍ଟର କ୍ୱାଣ୍ଟାଇଜେସନ୍ ଉପରେ ଆଧାରିତ _ ଏହି ମିଶ୍ରଣ ଏକ ପ୍ରତିଛବି ତୁଳନା ଫ୍ରେମୱାର୍କକୁ ନେଇଥାଏ ଯାହା ପୂର୍ବରୁ ପ୍ରସ୍ତାବିତ ଅନ୍ୟ ପଦ୍ଧତି ଅପେକ୍ଷା ଅଧିକ ଭଲ ଭାବରେ ଧାରଣାଗତ ସମାନତାକୁ ବୁଝାଇଥାଏ । ଇଏମଡି ରେଖୀ ଅନୁକୂଳନରୁ ପରିବହନ ସମସ୍ୟାର ସମାଧାନ ଉପରେ ଆଧାରିତ, ଯାହା ପାଇଁ ଦକ୍ଷ ଆଲଗୋରିଦମ ଉପଲବ୍ଧ, ଏବଂ ଏହା ମଧ୍ୟ ଆଂଶିକ ମେଳ ପାଇଁ ପ୍ରାକୃତିକ ଭାବରେ ଅନୁମତି ଦେଇଥାଏ । ଏହା ହିଷ୍ଟୋଗ୍ରାମ୍ ମେଳଣ କୌଶଳଠାରୁ ଅଧିକ ଦୃଢ଼, ଯେହେତୁ ଏହା ବଣ୍ଟନର ପରିବର୍ତ୍ତନଶୀଳ-ଲମ୍ବ ପ୍ରତିନିଧିତ୍ୱ ଉପରେ କାର୍ଯ୍ୟ କରିପାରିବ ଯାହା ହିଷ୍ଟୋଗ୍ରାମ୍ ପାଇଁ ସାଧାରଣ କ୍ୱାଣ୍ଟାଇଜେସନ୍ ଏବଂ ଅନ୍ୟାନ୍ୟ ବନ୍ନିଂ ସମସ୍ୟାକୁ ଏଡ଼ାଇଥାଏ । ସମାନ ମୋଟ ବସ୍ତୁ ସହିତ ବଣ୍ଟନକୁ ତୁଳନା କରିବା ପାଇଁ ବ୍ୟବହାର କଲେ ଇଏମଡି ଏକ ସଠିକ ମେଟ୍ରିକ ଅଟେ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ରଙ୍ଗ ଏବଂ ରଂଗ ଉପରେ ଧ୍ୟାନ ଦେବୁ ଏବଂ ଇଏମଡିର ରିଟ୍ରିଚର ପ୍ରଦର୍ଶନକୁ ଅନ୍ୟ ଦୂରତା ସହିତ ତୁଳନା କରିବୁ । |
508d8c1dbc250732bd2067689565a8225013292f | ସ୍ଥାନୀୟ ସ୍ପନ୍ଦନ ତରଙ୍ଗ ବେଗ (ପିଡବ୍ଲୁଭି) ପାଇଁ ଏକ ନୂଆ ଦ୍ୱୈତ ଫୋଟୋପଲେଥିସ୍ମୋଗ୍ରାଫ (ପିପିଜି) ଅନୁସନ୍ଧାନ ଏବଂ ମାପ ପ୍ରଣାଳୀ ପ୍ରସ୍ତାବିତ ଏବଂ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ବିକଶିତ ସୋଣ୍ଡ ଡିଜାଇନ୍ ରେ ପ୍ରତିଫଳନ PPG ଟ୍ରାନ୍ସଡ୍ୟୁସର ବ୍ୟବହାର କରାଯାଇଛି ଯାହା ଦ୍ବାରା ଦୁଇଟି ସଂଲଗ୍ନ ମାପ ବିନ୍ଦୁ (୨୮ ମିମି ଦୂରତା) ରୁ ରକ୍ତ ସ୍ପନ୍ଦନ ପ୍ରସାର ତରଙ୍ଗର ଅଣ-ଆକ୍ରମଣକାରୀ ଚିହ୍ନଟ କରାଯାଇପାରିବ । କ୍ରମାଗତ ଭାବରେ ହାସଲ କରାଯାଇଥିବା ଦ୍ୱୈତ ସ୍ପନ୍ଦନ ତରଙ୍ଗର ଆକାର ମଧ୍ୟରେ ଟ୍ରାଞ୍ଜିଟ୍ ସମୟ ବିଳମ୍ବ ବିଟ୍-ଟୁ-ବିଟ୍ ସ୍ଥାନୀୟ PWV ମାପ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥିଲା । ପିପିଜି ପ୍ରୋବେସର ଡିଜାଇନକୁ ବୈଧ କରିବା ପାଇଁ ଏବଂ ସ୍ଥାନୀୟ ପିଡବ୍ଲୁଭି ମାପ ପ୍ରଣାଳୀ ବିକଶିତ କରିବା ପାଇଁ 10 ଜଣ ସୁସ୍ଥ ସ୍ୱେଚ୍ଛାସେବୀ (8 ଜଣ ପୁରୁଷ ଏବଂ 2 ଜଣ ମହିଳା, 21 ରୁ 33 ବର୍ଷ) ଙ୍କ ଉପରେ ଏକ ଇନ- ଭିଭୋ ପରୀକ୍ଷାମୂଳକ ବୈଧତା ଅଧ୍ୟୟନ କରାଯାଇଥିଲା । ପ୍ରସ୍ତାବିତ ପ୍ରଣାଳୀରେ ଏକାଧିକ ବ୍ୟକ୍ତିଙ୍କଠାରେ କରୋଟାଇଡର ସ୍ଥାନୀୟ ପିଡବ୍ଲୁଭି ମାପ କରାଯାଇପାରିବ । ମୂଳ ସ୍ତରରେ କରୋଟାଇଡ ପିଡବ୍ଲୁଭିର ବିଟ୍- ଟୁ- ବିଟ୍ ପରିବର୍ତ୍ତନ ୧୦ ଜଣଙ୍କ ମଧ୍ୟରୁ ୭ ଜଣଙ୍କ ପାଇଁ ୭. ୫% ରୁ କମ୍ ଥିଲା, ସର୍ବାଧିକ ବିଟ୍- ଟୁ- ବିଟ୍ ପରିବର୍ତ୍ତନ ୧୬% ଥିଲା । ବ୍ୟାୟାମ ପରେ ସୁସ୍ଥ ହେବା ସମୟରେ କାରାଟିଡର ପିଡବ୍ଲୁଭି ଓ ବ୍ରାଚିଆଲ ବ୍ଲଡ ପ୍ରେସର (ବିପି) ରେ ପରିବର୍ତ୍ତନକୁ ମଧ୍ୟ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ଆନ୍ତଃ- ବିଷୟ ସ୍ଥାନୀୟ PWV ପରିବର୍ତ୍ତନ ଏବଂ ବ୍ରାଚିଆଲ BP ପାରାମିଟର ମଧ୍ୟରେ ଏକ ପରିସଂଖ୍ୟାନଗତ ଭାବରେ ଉଲ୍ଲେଖନୀୟ ସମ୍ପର୍କ ଦେଖାଯାଇଥିଲା (r > 0. 85, p < 0. 001) । ଏହି ଫଳାଫଳ ଦ୍ୱାରା କାରାଟିଡ ଧମନୀରୁ କ୍ରମାଗତ ବିଟ୍-ଟୁ-ବିଟ୍ ସ୍ଥାନୀୟ ପିଡବ୍ଲୁଭି ମାପ ପାଇଁ ପ୍ରସ୍ତାବିତ ପିପିଜି ସୋଣ୍ଡର କାର୍ଯ୍ୟକାରିତା ଦର୍ଶାଯାଇଛି । ଏହିପରି ଏକ ଅଣ-ଆକ୍ରମଣକାରୀ ସ୍ଥାନୀୟ ପିଡବ୍ଲୁଭି ମାପକ ୟୁନିଟକୁ କ୍ରମାଗତ ଆମ୍ବୁଲେଟୋରୀ BP ମାପ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | ଏହି ପତ୍ରିକାରେ ଗଭୀରତା ମାନଚିତ୍ରର କ୍ରମରୁ ମାନବ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନିବା ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି । ବିଶେଷକରି, ଆମେ ଏକ୍ସନ ଗ୍ରାଫ ବ୍ୟବହାର କରି ସ୍ପଷ୍ଟ ଭାବରେ କାର୍ଯ୍ୟର ଗତିଶୀଳତାକୁ ମଡେଲ୍ କରିଥାଉ ଏବଂ ଏକ୍ସନ ଗ୍ରାଫରେ ଥିବା ନୋଡ୍ସ ସହିତ ସମାନ ଏକ ପ୍ରମୁଖ ସ୍ଥିତିର ବର୍ଣ୍ଣନା କରିବା ପାଇଁ 3D ପଏଣ୍ଟଗୁଡିକର ଏକ ବ୍ୟାଗ୍ ବ୍ୟବହାର କରିଥାଉ । ଏହାବ୍ୟତୀତ, ଆମେ ଏକ ସରଳ, କିନ୍ତୁ ପ୍ରଭାବୀ ପ୍ରୋଜେକ୍ସନ ଆଧାରିତ ନମୁନା ସଂଗ୍ରହ ଯୋଜନାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାକି ଗଭୀରତା ମାନଚିତ୍ରରୁ 3D ପଏଣ୍ଟଗୁଡିକର ନମୁନା ସଂଗ୍ରହ କରିବ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଇଛି ଯେ ଗଭୀରତା ମାନଚିତ୍ରରୁ ମାତ୍ର ୧% 3D ପଏଣ୍ଟ ନମୁନା ସଂଗ୍ରହ କରି ୯୦%ରୁ ଅଧିକ ଚିହ୍ନଟ ସଠିକତା ହାସଲ କରାଯାଇଛି । 2D ସିଲୁଏଟ୍ ଆଧାରିତ ଚିହ୍ନଟ ତୁଳନାରେ ଚିହ୍ନଟ ତ୍ରୁଟି ଅଧା ହୋଇଯାଇଥିଲା । ଏହାବ୍ୟତୀତ, ଆମେ ସିମୁଲେସନ ମାଧ୍ୟମରେ ଅନ୍ଧକାରର ମୁକାବିଲା କରିବା ପାଇଁ ବ୍ୟାଗ୍ ଅଫ୍ ପଏଣ୍ଟ୍ ପୋଷ୍ଟିଂ ମଡେଲର କ୍ଷମତାକୁ ପ୍ରଦର୍ଶନ କରୁଛୁ । |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | ଏହି ରିପୋର୍ଟରେ ଏଆଇ ରୋବୋଟର ଆଇନଗତ ସ୍ଥିତି ଉପରେ ବର୍ତ୍ତମାନର ବିତର୍କର ସମୀକ୍ଷା କରାଯାଇଛି ଏବଂ କେତେଥର ବିଦ୍ୱାନ ଓ ନୀତି ନିର୍ଦ୍ଧାରକମାନେ ଏହି କୃତ୍ରିମ ଏଜେଣ୍ଟମାନଙ୍କର ଆଇନଗତ ଏଜେଣ୍ଟକୁ ଆଇନଗତ ବ୍ୟକ୍ତିର ସ୍ଥିତି ସହିତ ଭ୍ରମିତ କରୁଛନ୍ତି । ଏହି କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନର ପ୍ରଗତିକୁ ଦୃଷ୍ଟିରେ ରଖି ଏହି ପତ୍ରିକା ଦୁଇଟି ଦିଗକୁ ବିଚାରକୁ ନେଇଛି । ପ୍ରଥମତଃ, ନୀତି ନିର୍ଦ୍ଧାରକମାନେ ଚୁକ୍ତି ଏବଂ ବ୍ୟବସାୟିକ ଆଇନରେ ଏଆଇ ରୋବଟମାନଙ୍କ କାର୍ଯ୍ୟକଳାପ ପାଇଁ ଉତ୍ତରଦାୟିତ୍ୱ ଏବଂ ଉତ୍ତରଦାୟିତ୍ୱର ନୂତନ ରୂପ, ଉଦାହରଣ ସ୍ୱରୂପ, ଜଟିଳ ବଣ୍ଟିତ ଦାୟିତ୍ବ କ୍ଷେତ୍ରରେ ଆଇନଗତ ଏଜେଣ୍ଟସିର ନୂତନ ରୂପ ପ୍ରତିଷ୍ଠା କରିବାର ସମ୍ଭାବନା ଉପରେ ଗମ୍ଭୀରତାର ସହିତ ବିଚାର କରିବେ । ଦ୍ୱିତୀୟତଃ, ଏଆଇ ରୋବଟକୁ ପୂର୍ଣ୍ଣ ଆଇନଗତ ବ୍ୟକ୍ତିତ୍ୱ ପ୍ରଦାନ କରିବାର କୌଣସି ଅନୁମାନକୁ ନିକଟ ଭବିଷ୍ୟତରେ ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବାକୁ ହେବ । ତେବେ, ଆମେ ସୋଫିଆ ସହିତ କିପରି ବ୍ୟବହାର କରିବା, ଯାହା ଅକ୍ଟୋବର ୨୦୧୭ରେ ସାଉଦି ଆରବ ଭଳି କୌଣସି ଦେଶର ନାଗରିକତା ଗ୍ରହଣ କରିଥିବା ପ୍ରଥମ ଏଆଇ ଆପ୍ ହୋଇପାରିଛି? ଏହା ସ୍ୱୀକାରଯୋଗ୍ୟ ଯେ, କାହାକୁ କିମ୍ବା କିଛିକୁ ଆଇନଗତ ବ୍ୟକ୍ତିର ମାନ୍ୟତା ଦେବା ଏକ ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ ରାଜନୈତିକ ପ୍ରସଙ୍ଗ ଯାହା ସର୍ବଦା ହୋଇଆସୁଛି ଏବଂ ଏହା କେବଳ ଯୁକ୍ତିଯୁକ୍ତ ପସନ୍ଦ ଏବଂ ଅନୁଭବୀ ପ୍ରମାଣ ଉପରେ ନିର୍ଭର କରେ ନାହିଁ । ଏହି ପରିପ୍ରେକ୍ଷୀରେ ବିବେକ, ମନଇଚ୍ଛା ଏବଂ ଏପରିକି ଅଜବ ନିଷ୍ପତ୍ତି ମଧ୍ୟ ଏକ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । କିନ୍ତୁ ଆଇନଗତ ବ୍ୟବସ୍ଥାରେ ମାନବ ଏବଂ କୃତ୍ରିମ ସଂସ୍ଥାକୁ ମାନ୍ୟତା ଦିଆଯିବାର ଯେଉଁ ନିୟମାବଳୀ ରହିଛି, ତାହା ଆମକୁ ଆଜିକାଲିର ଏଆଇ ରୋବର୍ଟର ଆଇନଗତ ସ୍ୱତ୍ୱ ପାଇଁ କୌଣସି ପକ୍ଷ ରଖିବାକୁ ସାହାଯ୍ୟ କରୁଛି । ନାଗରିକ ସୋଫିଆ ସତରେ ସଚେତନ କି, ଅବା ଅସଭ୍ୟ ବିଦ୍ୱାନଙ୍କ ଅସ୍ତ୍ରଶସ୍ତ୍ର ଓ ତୀରକୁ ସହିପାରୁଛି କି? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | ଆମେ ମନୁଷ୍ୟର ଆଚରଣକୁ ବିଶ୍ଳେଷଣ ଓ ସଂଶ୍ଳେଷଣ କରିବା ପାଇଁ ଏକ ଆଭିମୁଖ୍ୟ ଭାବରେ ଆକ୍ସନ-ରିଏକ୍ସନ ଲର୍ଣ୍ଣିଂର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ପାରାଡିଗମ ଅତୀତ ଏବଂ ଭବିଷ୍ୟତ ଘଟଣାଗୁଡ଼ିକ ମଧ୍ୟରେ କାରଣ-କାରଣ ମେଳକକୁ ଅନ୍ୱେଷଣ କରିଥାଏ କିମ୍ବା ସମୟ କ୍ରମାଙ୍କକୁ ଅନୁଧ୍ୟାନ କରି ଏକ କାର୍ଯ୍ୟ ଏବଂ ଏହାର ପ୍ରତିକ୍ରିୟା ମଧ୍ୟରେ କାରଣ-କାରଣ ମେଳକକୁ ଅନ୍ୱେଷଣ କରିଥାଏ । ଆମେ ଏହି ପଦ୍ଧତିକୁ ମାନବୀୟ ସମ୍ପର୍କକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଏବଂ ପରବର୍ତ୍ତୀ ସମୟରେ ମାନବୀୟ ଆଚରଣକୁ ସଂଶ୍ଳେଷଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରିଥାଉ । ସମୟ କ୍ରମରେ ଧାରଣୀୟ ମାପ ବ୍ୟବହାର କରି, ଏକ ପ୍ରଣାଳୀ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଜଣେ ମାନବ ଅଂଶଗ୍ରହଣକାରୀଙ୍କଠାରୁ (ଏକ କାର୍ଯ୍ୟ) ଏବଂ ପରବର୍ତ୍ତୀ ଅଂଶଗ୍ରହଣକାରୀଙ୍କଠାରୁ (ଏକ ପ୍ରତିକ୍ରିୟା) ଏକ ଆଚରଣ ମଧ୍ୟରେ ଏକ ମ୍ୟାପିଂ ଖୋଜିଥାଏ । ଏକ ସମ୍ଭାବ୍ୟତା ମଡେଲକୁ ଏକ ନୂଆ ଆକଳନ କୌଶଳ, ସର୍ତ୍ତମୂଳକ ଆଶା ସର୍ବାଧିକକରଣ (ସିଇଏମ୍) ବ୍ୟବହାର କରି ମାନବ ପାରସ୍ପରିକ କ୍ରିୟାକଳାପର ତଥ୍ୟରୁ ପ୍ରଶିକ୍ଷଣ କରାଯାଏ । ଏହି ପ୍ରଣାଳୀ ଏକ ଗ୍ରାଫିକଲ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଚରିତ୍ରକୁ ପରିଚାଳନା କରିଥାଏ ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ବ୍ୟବହାର ଉପରେ ସମ୍ଭାବ୍ୟ ପ୍ରତିକ୍ରିୟାକୁ ପୂର୍ବାନୁମାନ କରିଥାଏ ଏବଂ ଏହାକୁ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଭାବରେ କରିଥାଏ । ଏହିପରି ଭାବରେ, ଏକ ଯୋଡି ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ମଧ୍ୟରେ ମାନବୀୟ ପାରସ୍ପରିକ କ୍ରିୟାକୁ ବିଶ୍ଳେଷଣ କରିବା ପରେ, ସିଷ୍ଟମ୍ ସେମାନଙ୍କ ମଧ୍ୟରୁ ଜଣଙ୍କୁ ବଦଳାଇବା ଏବଂ ଏକମାତ୍ର ଅବଶିଷ୍ଟ ଉପଭୋକ୍ତାଙ୍କ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟା କରିବାକୁ ସକ୍ଷମ ଅଟେ । |
272216c1f097706721096669d85b2843c23fa77d | ଆମେ ଆଡାମ, ଏକ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ନିମ୍ନ-ଶ୍ରେଣୀର କ୍ଷଣର ଅନୁକୂଳ ଅନୁମାନ ଉପରେ ଆଧାରିତ, ଷ୍ଟୋକାଷ୍ଟିକ ଅବଜେକ୍ଟିଭ ଫଙ୍କସନଗୁଡ଼ିକର ପ୍ରଥମ-ଶ୍ରେଣୀର ଗ୍ରାଡିଏଣ୍ଟ-ଆଧାରିତ ଅପ୍ଟିମାଇଜେସନ ପାଇଁ । ଏହି ପଦ୍ଧତିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ସରଳ, ଗଣନାତ୍ମକ ଭାବରେ ଦକ୍ଷ, ଏହାର ସ୍ମୃତି ଆବଶ୍ୟକତା କମ୍, ଗ୍ରାଡିଏଣ୍ଟଗୁଡିକର ଆନୁମାନିକ ପୁନଃସମାରଣ ପାଇଁ ଅସ୍ବାଭାବିକ, ଏବଂ ତଥ୍ୟ ଏବଂ / କିମ୍ବା ପାରାମିଟରଗୁଡିକର ଦୃଷ୍ଟିରୁ ବଡ ସମସ୍ୟାଗୁଡିକ ପାଇଁ ଉପଯୁକ୍ତ ଅଟେ । ଏହି ପଦ୍ଧତି ଅସ୍ଥାୟୀ ଲକ୍ଷ୍ୟ ଏବଂ ବହୁତ ଶବ୍ଦ ଏବଂ/କିମ୍ବା ଅଳ୍ପ ଗ୍ରେଡିଏଣ୍ଟ ଥିବା ସମସ୍ୟା ପାଇଁ ମଧ୍ୟ ଉପଯୁକ୍ତ । ହାଇପର-ପାରାମିଟରଗୁଡ଼ିକର ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ବ୍ୟାଖ୍ୟା ରହିଛି ଏବଂ ସାଧାରଣତଃ ଏଥିରେ ଅଳ୍ପ ଟ୍ୟୁନିଂର ଆବଶ୍ୟକତା ରହିଛି । ଆଡାମ ଯେଉଁ ଆଲଗୋରିଦମ ଉପରେ ଅନୁପ୍ରାଣିତ ହୋଇଥିଲେ, ସେଗୁଡ଼ିକ ସହିତ କିଛି ସମ୍ପର୍କ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ଆମେ ମଧ୍ୟ ଆଲଗୋରିଦମର ଥିଓରିଟିକାଲ କନଭର୍ଜେନ୍ସ ଗୁଣକୁ ବିଶ୍ଳେଷଣ କରିଥାଉ ଏବଂ ଅନଲାଇନ କନଭେକ୍ସ ଅପ୍ଟିମାଇଜେସନ ଫ୍ରେମୱାର୍କ ଅଧୀନରେ ସର୍ବୋତ୍ତମ ଜଣାଶୁଣା ଫଳାଫଳ ସହିତ ତୁଳନାଯୋଗ୍ୟ କନଭର୍ଜେନ୍ସ ହାର ଉପରେ ଏକ ଅନୁତାପ ପ୍ରଦାନ କରିଥାଉ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଆଡାମ ବ୍ୟବହାରିକ ଭାବରେ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରେ ଏବଂ ଅନ୍ୟ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତି ସହିତ ଅନୁକୂଳ ଭାବରେ ତୁଳନା କରେ । ଶେଷରେ, ଆମେ ଆଡାମାକ୍ସ ବିଷୟରେ ଆଲୋଚନା କରିବା, ଯାହା ଅନନ୍ତତା ନିୟମ ଉପରେ ଆଧାରିତ ଆଡାମର ଏକ ପ୍ରକାର । |
05aba481e8a221df5d8775a3bb749001e7f2525e | ଆମେ ଉପସ୍ଥାପନ କରୁଛୁ ଏକ ନୂତନ ପରିବାର ଉପ-ଗ୍ରେଡିଏଣ୍ଟ ପଦ୍ଧତି ଯାହା ପୂର୍ବବର୍ତ୍ତୀ ପୁନରାବୃତ୍ତିରେ ଦେଖାଯାଇଥିବା ତଥ୍ୟର ଜ୍ୟାମିତିର ଜ୍ଞାନକୁ ଗତିଶୀଳ ଭାବରେ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯାହା ଅଧିକ ସୂଚନା ପ୍ରଦାନକାରୀ ଗ୍ରାଡିଏଣ୍ଟ-ଆଧାରିତ ଶିକ୍ଷଣକୁ କାର୍ଯ୍ୟକାରୀ କରେ । ଆଦର୍ଶରେ, ଏହି ଅନୁକୂଳନ ଆମକୁ ଶେଯଗହଳିରେ ଥିବା ନଈକୁ ବହୁତ ପୂର୍ବାନୁମାନାତ୍ମକ କିନ୍ତୁ କ୍ୱଚିତ ଦେଖାଯାଉଥିବା ବୈଶିଷ୍ଟ୍ୟ ଆକାରରେ ଖୋଜିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଆଦର୍ଶ ଷ୍ଟୋକାଷ୍ଟିକ ଅପ୍ଟିମାଇଜେସନ ଏବଂ ଅନଲାଇନ ଶିକ୍ଷଣରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିରୁ ଉତ୍ପନ୍ନ ହୋଇଛି ଯାହା ଆଲଗୋରିଦମର ଗ୍ରାଡିଏଣ୍ଟ ପଦକ୍ଷେପକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ନିକଟବର୍ତ୍ତୀ ଫଙ୍କସନ୍ ବ୍ୟବହାର କରେ । ଆମେ ଏକ ଉପକରଣର ବର୍ଣ୍ଣନା ଏବଂ ବିଶ୍ଳେଷଣ କରୁଛୁ ଯାହା ପ୍ରୋକ୍ସିମାଲ ଫଙ୍କସନକୁ ଆଡାପ୍ଟିଭ୍ ଭାବେ ପରିବର୍ତ୍ତନ କରିଥାଏ, ଯାହା ଶିକ୍ଷଣ ହାରର ସେଟିଂକୁ ଯଥେଷ୍ଟ ସରଳ କରିଥାଏ ଏବଂ ପରିଣାମରେ ଅନୁତାପ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ ଯାହା ସର୍ବୋତ୍ତମ ପ୍ରୋକ୍ସିମାଲ ଫଙ୍କସନ ଭଳି ଭଲ ହୋଇଥାଏ । ଆମେ ସାଧାରଣ ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନିୟମିତକରଣ କାର୍ଯ୍ୟ ଏବଂ ଡୋମେନ୍ ପ୍ରତିବନ୍ଧକ ସହିତ ଅନୁଭବଗତ ବିପଦ ହ୍ରାସ ସମସ୍ୟା ପାଇଁ ଅନେକ ଦକ୍ଷ ଆଲଗୋରିଦମ ଦେଇଛୁ । ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଆମର ଥିଓରିଟିକାଲ ବିଶ୍ଳେଷଣକୁ ଅଧ୍ୟୟନ କରି ଦେଖାଇଛୁ ଯେ ଅନୁକୂଳ ସବଗ୍ରେଡିଏଣ୍ଟ ପଦ୍ଧତିଗୁଡିକ ଅତ୍ୟାଧୁନିକ, ତଥାପି ଅଣ-ଆଡାପ୍ଟେବଲ୍, ସବଗ୍ରେଡିଏଣ୍ଟ ଆଲଗୋରିଦମ ଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରନ୍ତି । |
f2bc77fdcea85738d1062da83d84dfa3371d378d | ଏହି କାଗଜରେ ଚିପ୍-ଟୁ-ଚିପ୍ ପ୍ରୟୋଗ ପାଇଁ 90 ନନ୍ ମିଟର ସିଏମଓଏସ୍ ରେ 6.25-ଗିବି/ସେକେଣ୍ଡ 14-ମିଆୱାଟ୍ ଟ୍ରାନ୍ସସିଭର ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ଟ୍ରାନ୍ସସିଭରରେ ଶକ୍ତି ଖର୍ଚ୍ଚକୁ କମ କରିବା ପାଇଁ ଅନେକ ବୈଶିଷ୍ଟ୍ୟ ରହିଛି, ଯେଉଁଥିରେ ଏକ ସହଭାଗୀ ଏଲସି-ପିଏଲଏଲ ଘଣ୍ଟା ଗୁଣକ, ଇଣ୍ଡକ୍ଟର-ଲୋଡ ରେଜୋନାଣ୍ଟ ଘଣ୍ଟା ବିତରଣ ନେଟୱାର୍କ, ଏକ ନିମ୍ନ- ଏବଂ ପ୍ରୋଗ୍ରାମେବଲ-ସ୍ବିଙ୍ଗ ଭୋଲଟେଜ-ମୋଡ୍ ଟ୍ରାନ୍ସମିଟର, ସଫ୍ଟୱେୟାର-ନିୟନ୍ତ୍ରିତ ଘଣ୍ଟା ଏବଂ ଡାଟା ରିକଭରି (ସିଡିଆର) ଏବଂ ରିସିଭର ଭିତରେ ଆଡାପ୍ଟିଭ୍ ଇକ୍ୱାଲିଜେସନ୍ ଏବଂ ସିଡିଆର ପାଇଁ ଏକ ନୂତନ ପିଏଲଏଲ-ଆଧାରିତ ଫେଜ୍ ରୋଟେଟର ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ଡିଜାଇନଟି -୧୫ ଡିସିଏଲ ବା ତାଠାରୁ ଅଧିକ ଚ୍ୟାନେଲ ଆଟେନ୍ୟୁଏସନ ସହିତ ୧୦-୧୫ ବା ତାଠାରୁ କମ୍ ବିଟ୍-ଏରର୍ ରେଟରେ କାମ କରିପାରିବ, ଯେତେବେଳେ କି ପ୍ରତି ଟ୍ରାନ୍ସସିଭର୍ ୨.୨୫ ମିଲ୍ ୱାଟ/ଗିବି/ସେକେଣ୍ଡରୁ କମ୍ ଖର୍ଚ୍ଚ କରିବ । |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3D ଆକୃତିର ଅଣ-କଠିନ ରେଜିଷ୍ଟ୍ରେସନ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ ଯାହାକି ବସ୍ତୁଗତ ଗଭୀରତା ସେନସରଗୁଡ଼ିକର ବିବିଧତା ବୃଦ୍ଧି ପାଉଥିବା କାରଣରୁ, ଗତିଶୀଳ ଦୃଶ୍ୟକୁ ସ୍କାନ୍ କରିବା ପାଇଁ ଅଧିକ ଉପଲବ୍ଧ ହେଉଛି । ଅଣ-କଠିନ ପଞ୍ଜୀକରଣ କଠିନ ପଞ୍ଜୀକରଣ ଅପେକ୍ଷା ଅଧିକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କାରଣ ଏହା ଏକକ ବିଶ୍ୱସ୍ତରୀୟ ପରିବର୍ତ୍ତନ ପରିବର୍ତ୍ତେ ସ୍ଥାନୀୟ ପରିବର୍ତ୍ତନକୁ ଆକଳନ କରିଥାଏ, ଏବଂ ତେଣୁ ଏହା ଅଳ୍ପ ନିର୍ଣ୍ଣୟ ହେତୁ ଅଧିକ ଫିଟ୍ ସମସ୍ୟା ପାଇଁ ପ୍ରବଣ । ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡିକରେ ସାଧାରଣ ଜ୍ଞାନ ହେଉଛି ସ୍ଥାନୀୟ ପରିବର୍ତ୍ତନ ପାର୍ଥକ୍ୟ ଉପରେ ଏକ l2-ନର୍ମ୍ ନିୟମିତକରଣ ଲାଗୁ କରିବା । କିନ୍ତୁ, l2-ନର୍ମ୍ ନିୟମିତକରଣ ସମାଧାନକୁ ବିବର୍ତ୍ତନୀୟ ଓ ଘନ-ପଶ୍ଚିମ ବଣ୍ଟନ ସହିତ ଶବ୍ଦ ଆଡ଼କୁ ବିଭାଜିତ କରିଥାଏ, ଯାହା ପରିବର୍ତ୍ତନ ପାର୍ଥକ୍ୟ ଉପରେ ଗୌସିୟାନ ବଣ୍ଟନର ଖରାପ ଗୁଣବତ୍ତା ଦ୍ୱାରା ଯାଞ୍ଚ କରାଯାଇଥାଏ । ଏହା ପରିବର୍ତ୍ତେ, ଲାପ୍ଲାସିୟନ୍ ବଣ୍ଟନ ପରିବର୍ତ୍ତନ ପାର୍ଥକ୍ୟ ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଏ, ଯାହା ଏକ କ୍ଷୁଦ୍ରତା ପ୍ରାଥମିକତାର ବ୍ୟବହାରକୁ ସୂଚିତ କରେ । ଆମେ ଏକ ବିରଳ ଅଣ-କଠିନ ରେଜିଷ୍ଟ୍ରେସନ୍ (SNR) ପଦ୍ଧତିକୁ ପରିବର୍ତ୍ତନ ଆକଳନ ପାଇଁ ଏକ l1-ନର୍ମ୍ ନିୟମିତ ମଡେଲ ସହିତ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ବର୍ଦ୍ଧିତ ଲାଗ୍ରାଙ୍ଗିଆନ୍ ଫ୍ରେମୱାର୍କ ଅଧୀନରେ ଏକ ବିକଳ୍ପ ଦିଗ ପଦ୍ଧତି (ADM) ଦ୍ୱାରା ପ୍ରଭାବଶାଳୀ ଭାବରେ ସମାଧାନ କରାଯାଇଥାଏ । ଆମେ ଏକ ଦୃଢ଼ ଏବଂ ପ୍ରଗତିଶୀଳ ପଞ୍ଜୀକରଣ ପାଇଁ ଏକ ବହୁ-ବିଧିର ଯୋଜନା ମଧ୍ୟ ପ୍ରସ୍ତୁତ କରୁଛୁ । ଉଭୟ ସାର୍ବଜନୀନ ଡାଟାସେଟ ଏବଂ ଆମର ସ୍କାନ କରାଯାଇଥିବା ଡାଟାସେଟର ଫଳାଫଳ ଆମ ପଦ୍ଧତିର ଉତ୍କର୍ଷତା ଦର୍ଶାଏ, ବିଶେଷ କରି ବୃହତ ଆକାରର ବିକୃତି ସହିତ ଆଉଟଲାଇର ଏବଂ ଶବ୍ଦ ପରିଚାଳନାରେ । |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | ଏହି ଚିଠିରେ ଏକ ନୂଆ କ-ବ୍ୟାଣ୍ଡ ଡୁଆଲ ବ୍ୟାଣ୍ଡ ଡୁଆଲ ସର୍କୁଲାର ପଲାରିଜଡ ଆଣ୍ଟିନା ଆରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏକ ଡୁଆଲ-ବ୍ୟାଣ୍ଡ ଆଣ୍ଟିନା ଯାହା Ka-ବ୍ୟାଣ୍ଡ ଡାଉନଲିଙ୍କ ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ ବାମ ହାତର ସର୍କୁଲାର ପୋଲାରାଇଜେସନ ଏବଂ Ka-ବ୍ୟାଣ୍ଡ ଅପଲିଙ୍କ ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ ଡାହାଣ ହାତର ସର୍କୁଲାର ପୋଲାରାଇଜେସନ ସହିତ କମ୍ପାକ୍ଟ ଆନୁଲାର ରିଙ୍ଗ ସ୍ଲଟ୍ ସହିତ ଉପଲବ୍ଧ । କ୍ରମିକ ଘୂର୍ଣ୍ଣନ କୌଶଳ ପ୍ରୟୋଗ କରି, ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ଏକ 2 × 2 ସବ-ଆରେ ପ୍ରାପ୍ତ ହୁଏ । ଏହି ଚିଠିରେ ଡିଜାଇନ ପ୍ରକ୍ରିୟାର ବର୍ଣ୍ଣନା ଏବଂ ସିମୁଲେସନ ଓ ମାପ ଫଳାଫଳର ଉପସ୍ଥାପନା କରାଯାଇଛି । |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | ଏହି ଅଧ୍ୟୟନରେ ଏଲ.ଟି.ଇ ନେଟୱର୍କରେ ବ୍ୟାଟେରୀ ଚାଳିତ ଉପକରଣଗୁଡ଼ିକର ଶକ୍ତି ଖର୍ଚ୍ଚକୁ ସର୍ବନିମ୍ନ କରିବା ପାଇଁ ସିଡ୍ୟୁଲିଂ ଏବଂ ଟ୍ରାନ୍ସମିଟ୍ ପାୱାର ନିୟନ୍ତ୍ରଣ ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ବହୁ ସଂଖ୍ୟକ ମେସିନ-ପ୍ରକାରର ଗ୍ରାହକମାନଙ୍କ ପାଇଁ ଦକ୍ଷତାପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟସୂଚୀ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଏକ ନୂତନ ବଣ୍ଟିତ ଯୋଜନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ମେସିନ ନୋଡଗୁଡିକ ସ୍ଥାନୀୟ କ୍ଲଷ୍ଟର ଗଠନ କରି କ୍ଲଷ୍ଟର-ହେଡ ମାଧ୍ୟମରେ ବେସ ଷ୍ଟେସନ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବେ । ଏହାପରେ ଏଲ୍ଟିଇ ନେଟୱର୍କରେ ଅପ୍ଲିଙ୍କ୍ ସିଡ୍ୟୁଲିଂ ଓ ପାୱାର କଣ୍ଟ୍ରୋଲ ଆରମ୍ଭ କରାଯାଇଛି ଏବଂ କ୍ଲଷ୍ଟର ହେଡ ଓ ବେସ୍ ଷ୍ଟେସନ ମଧ୍ୟରେ ଯୋଗାଯୋଗ ପାଇଁ ଲାଇଫଟାଇମ୍ ସଚେତନ ସମାଧାନ ଉପରେ ଗବେଷଣା କରାଯାଉଛି । ଏହି କାର୍ଯ୍ୟରେ ସଠିକ ସମାଧାନ ବ୍ୟତୀତ କମ ଜଟିଳତା ବିଶିଷ୍ଟ ଉପଯୁକ୍ତ ସମାଧାନର ଉପସ୍ଥାପନା କରାଯାଇଛି । କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାୟନରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପ୍ରୋଟୋକଲ ବ୍ୟବହାର କରି ନେଟୱାର୍କର ଜୀବନକାଳକୁ ଯଥେଷ୍ଟ ବୃଦ୍ଧି କରାଯାଇଛି । |
6dc4be33a07c277ee68d42c151b4ee866108281f | ସଂକ୍ଷିପ୍ତ ମାପରୁ କୋଭାରିଏନ୍ସ ମାଟ୍ରିକ୍ସର ଆକଳନ ବିଜ୍ଞାନ ଓ ଇଞ୍ଜିନିୟରିଂର ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ନିକଟରେ ବ୍ୟାପକ ଗବେଷଣା ପ୍ରୟାସକୁ ଆକର୍ଷିତ କରିଛି । କମ୍ ସଂଖ୍ୟକ ପର୍ଯ୍ୟବେକ୍ଷଣ କାରଣରୁ, କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସର ଆକଳନ ଏକ ଗୁରୁତର ଅସୁବିଧା । ଏହା ସହ ଏହି କୋଭାରିଏନ୍ସ ମାଟ୍ରିକ୍ସର ସଂରଚନା ବିଷୟରେ ପୂର୍ବ ସୂଚନାକୁ ବ୍ୟବହାର କରି ଏହାକୁ ଦୂର କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଏକ ଶ୍ରେଣୀର ବକ୍ର ଫର୍ମୁଲେସନ ଏବଂ ସକାରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଧିଷ୍ଟତା ସହିତ ସମାଧାନ ଉପରେ ଟୋପଲିଜ, ବିରଳତା, ଶୂନ୍ୟ-ପ୍ୟାଟର୍ନ, ନିମ୍ନ ମାନ୍ୟତା, କିମ୍ବା ନିମ୍ନ ପରମିଟେଡ୍ ମାନ୍ୟତା ଢାଞ୍ଚା ଲାଗୁ କରି ସଙ୍କୋଚନ ମାପଦଣ୍ଡରେ ଉଚ୍ଚ-ଆକାରର କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ଆକଳନ ସମସ୍ୟାର ସମାଧାନ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଆମେ କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ ବା କୋ-ଭ୍ୟାରିଏନ୍ସ-ଭ୍ୟାରିଏନ୍ସ-ଭ୍ୟାରି-ଭ୍ୟାରି-ଭ୍ୟାରି-ଭ୍ୟାରି- ଆମେ ଅତ୍ୟାଧୁନିକ ଆଲଗୋରିଦମ ତୁଳନାରେ ଆମର ଆଭିମୁଖ୍ୟର ପ୍ରଭାବକୁ ଦର୍ଶାଉଛୁ । |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. ପ୍ରକାଶକଙ୍କ ଲିଖିତ ଅନୁମତି ବିନା ଏହି ପୁସ୍ତକର କୌଣସି ଅଂଶର କୌଣସି ପ୍ରକାର ବୈଦ୍ୟୁତିକ କିମ୍ବା ଯାନ୍ତ୍ରିକ ଉପାୟରେ (ଫୋଟୋକପି, ରେକର୍ଡିଂ କିମ୍ବା ସୂଚନା ସଂରକ୍ଷଣ ଏବଂ ପୁନରୁଦ୍ଧାର ସମେତ) ପୁନଃପ୍ରକାଶ କରାଯାଇପାରିବ ନାହିଁ । |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | ଆମେ ପ୍ରାକୃତିକ ଭାଷା ବୃକ୍ଷର ଢାଞ୍ଚା ପାଇଁ ଏକ ନୂତନ ଜେନେରେଟିଭ ମଡେଲ ଉପସ୍ଥାପନ କରିଛୁ ଯେଉଁଥିରେ ଅର୍ଥନୈତିକ (ଶବ୍ଦକୋଷୀୟ ନିର୍ଭରଶୀଳତା) ଏବଂ ସିଣ୍ଟାକ୍ଟିକ ଢାଞ୍ଚାଗୁଡ଼ିକୁ ପୃଥକ ମଡେଲ ସହିତ ସ୍କୋର କରାଯାଏ । ଏହି କାରକୀକରଣ କଳ୍ପନାତ୍ମକ ସରଳତା ପ୍ରଦାନ କରେ, ଉପାଦାନ ମଡେଲଗୁଡିକର ପୃଥକ ଉନ୍ନତି ପାଇଁ ସରଳ ସୁଯୋଗ ପ୍ରଦାନ କରେ, ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ସ୍ତର ପୂର୍ବରୁ ସମାନ, ଅଣ-କାରକୀକୃତ ମଡେଲଗୁଡିକର ନିକଟତର ଅଟେ । ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ଅନ୍ୟ ଆଧୁନିକ ପାରସିଂ ମଡେଲଗୁଡିକ ପରି, କାରକୀକୃତ ମଡେଲଗୁଡିକ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ପାରସିଂ ଆଲଗୋରିଦମ ସହିତ ସୁସଜ୍ଜିତ, ଯାହା ଦକ୍ଷ, ସଠିକ୍ ଅନୁମାନ ସମ୍ଭବ କରିଥାଏ । |
8f76334bd276a2b92bd79203774f292318f42dc6 | ଏହି କାଗଜରେ ଏକ ଏଲ୍ ଆକାରର ଅନୁସନ୍ଧାନ ଦ୍ୱାରା ସଞ୍ଚିତ ଏକ ଚକ୍ରବର୍ଣ୍ଣ ଆଣ୍ଟିନା ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ବ୍ରଡବ୍ୟାଣ୍ଡକୁ ୫୦ ଓମେଗା କୋଏକ୍ସିୟାଲ କେବୁଲ ସହିତ ମେଳ ଖାଉଥିବା ଡିଜାଇନ ପ୍ରକ୍ରିୟା ଏବଂ ଆଣ୍ଟେନା ପ୍ରଦର୍ଶନ ଆକ୍ସିୟାଲ ଅନୁପାତ ଏବଂ ଲାଭରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି କାଗଜରେ ସିମୁଲେସନ ଫଳାଫଳ ଆନସଫ୍ଟ HFSS 9.2 ବ୍ୟବହାର କରି ପ୍ରାପ୍ତ କରାଯାଇଛି । |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | ପାରମ୍ପରିକ ପଦ୍ଧତି ପରି ନେଟୱର୍କ ସ୍ତରରେ କ୍ୱାଣ୍ଟାଇଜେସନ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରୁଥିବା ପଦ୍ଧତି ପରି, ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଟେନସର ସ୍ତରରେ କ୍ୱାଣ୍ଟାଇଜେସନ ପ୍ରଭାବକୁ କମ କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ କମ୍ ସଠିକତା ନେଟୱାର୍କରେ କ୍ୱାଣ୍ଟାଇଜେସନ୍ ଶବ୍ଦ ଏବଂ କ୍ଲିପିଂ ବିକୃତି ମଧ୍ୟରେ ଥିବା ତାରତମ୍ୟକୁ ବିଶ୍ଳେଷଣ କରୁଛୁ । ବିଭିନ୍ନ ଟେନସରର ପରିସଂଖ୍ୟାନକୁ ଚିହ୍ନଟ କରି କ୍ଲିପିଙ୍ଗ କାରଣରୁ ମିନ୍-ସ୍କ୍ୱେୟାର-ଏରୋର୍ ଅବକ୍ଷୟ ପାଇଁ ସଠିକ୍ ଅଭିବ୍ୟକ୍ତି ବାହାର କରିଥାଉ । ଏହି ଅଭିବ୍ୟକ୍ତିଗୁଡ଼ିକୁ ଅନୁକୂଳିତ କରି, ଆମେ ମାନକ କ୍ୱାଣ୍ଟାଇଜେସନ୍ ଯୋଜନାରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଦେଖାଇଥାଉ ଯାହା ସାଧାରଣତଃ କ୍ଲିପିଂକୁ ଏଡ଼ାଇଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ସଠିକ କ୍ଲିପିଂ ମୂଲ୍ୟ ବାଛିବା ଦ୍ୱାରା, ୪-ବିଟ୍ ସଠିକତା ପାଇଁ VGG16-BN କୁ ପରିମାଣିକରଣ ପାଇଁ ୪୦%ରୁ ଅଧିକ ସଠିକତା ଉନ୍ନତି ହାସଲ କରାଯାଇଥାଏ । ଆମର ଫଳାଫଳର ଅନେକ ପ୍ରୟୋଗ ନ୍ୟୁରାଲ ନେଟୱାର୍କର କ୍ୱାଣ୍ଟାଇଜେସନ୍ ପାଇଁ ଉଭୟ ତାଲିମ ଏବଂ ଅନୁମାନ ସମୟରେ ଅଛି । ତତ୍କାଳ ପ୍ରୟୋଗ ହେଉଛି ନିମ୍ନ-ନିର୍ଦ୍ଦିଷ୍ଟ ତ୍ୱରାନ୍ୱିତକାରୀ ପାଇଁ ନିଉରଲ ନେଟୱାର୍କର ଦ୍ରୁତ ନିୟୋଜନ ସମୟସାପେକ୍ଷ ସୂକ୍ଷ୍ମ ଟ୍ୟୁନିଂ କିମ୍ବା ସମ୍ପୂର୍ଣ୍ଣ ଡାଟାସେଟର ଉପଲବ୍ଧତା ବିନା । |
1bde4205a9f1395390c451a37f9014c8bea32a8a | ରେଞ୍ଜ ଇମେଜରେ ପ୍ରଶ୍ନ କରାଯାଇଥିବା ବସ୍ତୁକୁ ଚିହ୍ନିବା ଏବଂ ସେଗୁଡ଼ିକୁ ସ୍ଥାନିତ କରିବା ରୋବୋଟିକ ମ୍ୟାନେଜମେଣ୍ଟ ଏବଂ ନେଭିଗେସନ ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ଯଦିଓ ଏହା ଉପରେ ନିରନ୍ତର ଅଧ୍ୟୟନ କରାଯାଇଛି, ତଥାପି ଏହା ଅବରୋଧ ଏବଂ ବିଶୃଙ୍ଖଳା ଥିବା ଦୃଶ୍ୟ ପାଇଁ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । |
242caa8e04b73f56a8d4adae36028cc176364540 | ଆମେ ଏକ ଭୋଟିଂ ଆଧାରିତ ପୋଜ୍ ଆକଳନ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାକି 3D ସେନସର ପାଇଁ ପ୍ରଯୁଜ୍ୟ, ଯାହା ଦ୍ରୁତ ଗତିରେ ଅନେକ ରୋବୋଟିକ୍ସ, କମ୍ପ୍ୟୁଟର ଭିଜନ ଏବଂ ଗେମିଂ ପ୍ରୟୋଗରେ ସେମାନଙ୍କର 2D ପ୍ରତିପକ୍ଷଙ୍କୁ ବଦଳାଇ ଦେଉଛି । ନିକଟରେ ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଏକ ଭୋଟ ଫ୍ରେମୱାର୍କରେ ଏକ ଯୋଡି ଓରିଏଣ୍ଟେଡ୍ ଥ୍ରୀଡି ପଏଣ୍ଟ, ଯାହା ସାଧାରଣ ସହିତ ବସ୍ତୁ ପୃଷ୍ଠରେ ଥିବା ପଏଣ୍ଟ, ଦ୍ରୁତ ଏବଂ ଦୃଢ ସ୍ଥିତି ଆକଳନକୁ ସକ୍ଷମ କରିଥାଏ । ଯଦିଓ ଆଭିମୁଖୀ ପୃଷ୍ଠପଟ ବିନ୍ଦୁଗୁଡିକ ଯଥେଷ୍ଟ ବକ୍ରତା ପରିବର୍ତ୍ତନ ସହିତ ବସ୍ତୁଗୁଡିକ ପାଇଁ ଭେଦଭାବକାରୀ ଅଟେ, ସେମାନେ ଅନେକ ଶିଳ୍ପ ଏବଂ ବାସ୍ତବ ଦୁନିଆର ବସ୍ତୁଗୁଡିକ ପାଇଁ ଯଥେଷ୍ଟ କମ୍ପାକ୍ଟ ଏବଂ ଭେଦଭାବକାରୀ ନୁହଁନ୍ତି ଯାହା ଅଧିକାଂଶ ସମତଳ ଅଟେ । ଯେହେତୁ 2D ରେଜିଷ୍ଟ୍ରେସନରେ କଡ଼ଗୁଡ଼ିକର ପ୍ରମୁଖ ଭୂମିକା ରହିଛି, 3D ରେ ଗଭୀରତା ବିଭ୍ରାଟଗୁଡ଼ିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି କାଗଜରେ, ଆମେ ଅନୁସନ୍ଧାନ ଏବଂ ବିକଶିତ କରିବା ଏକ ପରିବାର ପୋଜ୍ ଆକଳନ ଆଲଗୋରିଦମ ଯାହା ଏହି ସୀମା ସୂଚନାକୁ ଭଲ ଭାବରେ ବ୍ୟବହାର କରେ । ଆଭିମୁଖ୍ୟଯୁକ୍ତ ପୃଷ୍ଠ ବିନ୍ଦୁ ବ୍ୟତୀତ, ଆମେ ଅନ୍ୟ ଦୁଇଟି ପ୍ରାଥମିକତା ବ୍ୟବହାର କରୁ: ଦିଗ ସହିତ ସୀମା ବିନ୍ଦୁ ଏବଂ ସୀମା ରେଖା ଖଣ୍ଡ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଏହି ଯତ୍ନର ସହ ଚୟନ କରାଯାଇଥିବା ପ୍ରିମିଟିଭ୍ ଅଧିକ ସୂଚନାକୁ କମ୍ପାକ୍ଟ ଭାବେ ଏନକୋଡ୍ କରିଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ଶିଳ୍ପଜାତ ସାମଗ୍ରୀର ଏକ ବିଶାଳ ଶ୍ରେଣୀ ପାଇଁ ଅଧିକ ସଠିକତା ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଶୀଘ୍ର ଗଣନା କରିବାରେ ସକ୍ଷମ ହୋଇଥାଏ । ଆମେ ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମ ଏବଂ ଏକ 3D ସେନସର ବ୍ୟବହାର କରି ଏକ ବ୍ୟବହାରିକ ରୋବୋଟିକ ବସ୍ତା-ପିକର ସିଷ୍ଟମ ପ୍ରଦର୍ଶନ କରୁଛୁ । |
5df318e4aac5313124571ecc7e186cba9e84a264 | ସରକାରୀ ମୋବାଇଲ ଆପ୍ ବଜାରରେ ବାରମ୍ବାର ମାଲୱେର୍ ପ୍ରବେଶ କରିବାର ବୃଦ୍ଧି ପାଉଥିବା ସଂଖ୍ୟା, ଶେଷ ବ୍ୟବହାରକାରୀଙ୍କ ବ୍ୟକ୍ତିଗତ ଏବଂ ସମ୍ବେଦନଶୀଳ ସୂଚନାର ଗୋପନୀୟତା ଏବଂ ଗୋପନୀୟତା ପ୍ରତି ଏକ ଉଚ୍ଚ ସୁରକ୍ଷା ବିପଦ ସୃଷ୍ଟି କରୁଛି । ଅତ୍ୟାଧୁନିକ ଆପ୍ଲିକେସନ ଦ୍ୱାରା ପ୍ରଭାବିତ ହେବା ଠାରୁ ଅନ୍ତିମ ଉପଭୋକ୍ତା ଉପକରଣକୁ ସୁରକ୍ଷା ଦେବା ଏକାଡେମିକ୍ ଏବଂ ଶିଳ୍ପ ଜଗତର ସୁରକ୍ଷା ଅନୁସନ୍ଧାନକାରୀ/ଇଞ୍ଜିନିୟରମାନଙ୍କ ପାଇଁ ଏକ ବୈଷୟିକ ଏବଂ ଅନୁସନ୍ଧାନ ଆହ୍ୱାନ ସୃଷ୍ଟି କରେ । ଆପ୍ ମାର୍କେଟରେ ସୁରକ୍ଷା ପ୍ରଣାଳୀ ଏବଂ ବିଶ୍ଳେଷଣ ଯାଞ୍ଚ ସତ୍ତ୍ୱେ, ମାଲୱେର୍ ପ୍ରତିରକ୍ଷା ମାଧ୍ୟମରେ ଚୋରି କରି ଉପଭୋକ୍ତା ଡିଭାଇସ୍ ସଂକ୍ରମିତ କରେ। ମାଲୱେର ବିକାଶ ଦ୍ୱାରା ଏହା ଅଧିକ ଉନ୍ନତ ଏବଂ ଗତିଶୀଳ ସଫ୍ଟୱେର ହୋଇପାରିଛି ଯାହା ସାଧାରଣତଃ ବୈଧ ଆପ୍ ର ରୂପ ନେଇଥାଏ । ନୂତନ ମାଲୱେୟାରରେ ବହୁ ଉନ୍ନତ ଟେକ୍ନିକ୍ ବ୍ୟବହାର କରାଯାଇଥାଏ, ଯେପରିକି ଏନକ୍ରିପ୍ଟ କୋଡ୍, ଅସ୍ପଷ୍ଟିକରଣ ଏବଂ ଡାଇନାମିକ୍ କୋଡ୍ ଅପଡେଟ୍ ଇତ୍ୟାଦି । ଡାଇନାମିକ୍ କୋଡ୍ ଅପଡେଟ୍ ର ଏଡ଼ାଇବା ପାଇଁ ବ୍ୟବହାର କରି, ଏକ ମାଲୱେର୍ ଆପ୍ ରୂପରେ ଅଭିନୟ କରି ବିଶ୍ଳେଷଣ ଯାଞ୍ଚକୁ ଏଡ଼ାଇ ଦେଇଥାଏ ଏବଂ ଏହାର କ୍ଷତିକାରକ କାର୍ଯ୍ୟକଳାପକୁ ଉପଭୋକ୍ତାଙ୍କ ଡିଭାଇସରେ ସ୍ଥାପିତ ହେବା ପରେ ହିଁ ପ୍ରକାଶ କରିଥାଏ । ଏହି ଡିସର୍ଟେସନ ଆଣ୍ଡ୍ରଏଡ ଆପ୍ସରେ ଡାଇନାମିକ୍ କୋଡ ଅପଡେଟର ବ୍ୟବହାର ଏବଂ ବ୍ୟବହାର ଉପରେ ଏକ ବିସ୍ତୃତ ଅଧ୍ୟୟନ ପ୍ରଦାନ କରେ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଏକ ହାଇବ୍ରିଡ୍ ବିଶ୍ଳେଷଣ ପଦ୍ଧତି, ଷ୍ଟାଡାର୍ଟର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଷ୍ଟାଟିକ୍ ଏବଂ ଡାଇନାମିକ୍ ବିଶ୍ଳେଷଣକୁ ପରସ୍ପର ମଧ୍ୟରେ ମିଶ୍ରଣ କରେ, ଯାହା ଡାଇନାମିକ୍ କୋଡ୍ ଅପଡେଟ୍ ଉପସ୍ଥିତିରେ ଆପ୍ଲିକେସନ୍ଗୁଡିକ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଷ୍ଟାଟିକ୍ ବିଶ୍ଳେଷଣ କୌଶଳଗୁଡିକର ଅନ୍ତର୍ନିହିତ ତ୍ରୁଟିକୁ କଭର କରେ । ବାସ୍ତବ ଦୁନିଆର ଆପ୍ଲିକେସନଗୁଡ଼ିକ ଉପରେ ଆମର ମୂଲ୍ୟାଙ୍କନ ଫଳାଫଳ ଷ୍ଟାଡାର୍ଟର ପ୍ରଭାବକୁ ଦର୍ଶାଉଛି । ତେବେ, ସାଧାରଣତଃ ଗତିଶୀଳ ବିଶ୍ଳେଷଣ, ଏବଂ ହାଇବ୍ରିଡ୍ ବିଶ୍ଳେଷଣ ମଧ୍ୟ ସେହି ପ୍ରସଙ୍ଗ ପାଇଁ, ଆପ୍ ର ଆଚରଣକୁ ପ୍ରୋତ୍ସାହିତ କରିବାର ସମସ୍ୟା ଆଣିଥାଏ ଯାହା ସ୍ୱୟଂଚାଳିତ ବିଶ୍ଳେଷଣ ଉପକରଣଗୁଡିକ ପାଇଁ ଏକ ଅଣ-ତଥ୍ୟ ଆହ୍ୱାନ ଅଟେ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ଆମେ ଏକ ପଛୁଆ କଟା ଆଧାରିତ ଟାର୍ଗେଟ ଇଣ୍ଟର କମ୍ପୋନ୍ଟେନ କୋଡ ପଥ କାର୍ଯ୍ୟକାରିତା କୌଶଳ, ଟିଆଇସିସି ପ୍ରସ୍ତାବ ଦେଉଛୁ । TeICC ଆପରେ ଏକ ଟାର୍ଗେଟ ପଏଣ୍ଟରୁ ଆରମ୍ଭ କରି କୋଡ ପଥ ବାହାର କରିବା ପାଇଁ ଏକ ବ୍ୟାକୱାର୍ଡ ସ୍ଲାଇସିଂ ବ୍ୟବସ୍ଥାକୁ ବ୍ୟବହାର କରିଥାଏ । ଏହା ସିଷ୍ଟମ ନିର୍ଭରଶୀଳତା ଗ୍ରାଫର ବ୍ୟବହାର କରି କୋଡ ପଥ ବାହାର କରିଥାଏ ଯେଉଁଥିରେ ଇଣ୍ଟର କଣ୍ଟୋମେଣ୍ଟ କମ୍ୟୁନିକେସନ ସାମିଲ ହୋଇଥାଏ । ଏହି କୋଡ ପଥକୁ ଆପ୍ ପରିପ୍ରେକ୍ଷୀରେ ପ୍ରୟୋଗ କରାଯାଇଥାଏ । TeICC ର ଆମର ମୂଲ୍ୟାଙ୍କନ ଦର୍ଶାଉଛି ଯେ ଏହା ଅସ୍ପଷ୍ଟ ଆଣ୍ଡ୍ରଏଡ୍ ଆପ୍ଲିକେସନରେ ଇଣ୍ଟର-କମ୍ପୋନ୍ଟେଣ୍ଟ କୋଡ୍ ପଥଗୁଡିକର ଲକ୍ଷ୍ୟଭିତ୍ତିକ କାର୍ଯ୍ୟକାରିତା ପାଇଁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ବ୍ୟବହୃତ ହୋଇପାରିବ । ଏହା ସହିତ, ଶତ୍ରୁମାନେ ଉପଭୋକ୍ତା ଉପକରଣ ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିବାର ସମ୍ଭାବନାକୁ ମଧ୍ୟ ଅସ୍ବୀକାର କରୁନାହୁଁ, ଆମେ ଏକ ଫୋନ୍ API ହୁକିଂର ପ୍ରସ୍ତାବ ଦେଉଛୁ |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | ଏହି ଲେଖାରେ ଆମେ ଜଟିଳ ଦୁନିଆରେ କାର୍ଯ୍ୟ କରିବା ଶିଖିବା ପାଇଁ ଏଜେଣ୍ଟ ବିକଶିତ କରିବା ଲକ୍ଷ୍ୟରେ କାମ କରୁଛୁ । ଆମେ ଏକ ସମ୍ଭାବ୍ୟତାବାଦୀ, ସମ୍ପର୍କୀୟ ଯୋଜନା ନିୟମ ପ୍ରତିନିଧିତ୍ୱ ବିକଶିତ କରୁଛୁ ଯାହା କମ୍ପାକ୍ଟ ଭାବରେ ଶବ୍ଦପୂର୍ଣ୍ଣ, ଅଣ-ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟର ପ୍ରଭାବକୁ ମଡେଲ୍ କରେ ଏବଂ ଏହିପରି ନିୟମଗୁଡିକ କିପରି ପ୍ରଭାବଶାଳୀ ଭାବରେ ଶିଖିପାରିବେ ତାହା ଦେଖାଏ । ସରଳ ଯୋଜନା କ୍ଷେତ୍ର ଏବଂ ବାସ୍ତବିକ ଭୌତିକ ସହିତ ଏକ 3D ସିମୁଲେଟେଡ୍ ବ୍ଲକ୍ ଦୁନିଆରେ ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ, ଆମେ ଦର୍ଶାଇଥାଉ ଯେ ଏହି ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଏଜେଣ୍ଟମାନଙ୍କୁ ବିଶ୍ୱ ଗତିଶୀଳତାକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ମଡେଲ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । |
55c769b5829ca88ba940e0050497f4956c233445 | ଦୃଶ୍ୟମାନ ଓଡୋମେଟ୍ରିକୁ ଆରଜିବି-ଡି କ୍ୟାମେରା ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ଗଭୀରତା ସୂଚନା ଦ୍ୱାରା କିମ୍ବା କ୍ୟାମେରା ସହିତ ଜଡିତ ଲିଡାର୍ ଦ୍ୱାରା ବୃଦ୍ଧି କରାଯାଇପାରିବ । ତେବେ ଏହିଭଳି ଗଭୀରତା ସୂଚନା ସେନସର ଦ୍ୱାରା ସୀମିତ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଦୃଶ୍ୟମାନ ଚିତ୍ରରେ ବଡ ଅଞ୍ଚଳ ରହିଯାଇଥାଏ ଯେଉଁଠାରେ ଗଭୀରତା ଉପଲବ୍ଧ ହୋଇନଥାଏ । ଏଠାରେ ଆମେ ଏକ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାଦ୍ୱାରା ଗଭୀରତା, ଯଦିଓ ଅଳ୍ପ ମାତ୍ରାରେ ଉପଲବ୍ଧ, କ୍ୟାମେରା ଗତିର ପୁନରୁଦ୍ଧାରରେ ଉପଯୋଗ କରାଯାଇପାରିବ । ଏହା ସହିତ, ଏହି ପଦ୍ଧତି ପୂର୍ବ ଆକଳନ କରାଯାଇଥିବା ଗତି ଏବଂ ଦୃଶ୍ୟମାନ ଦୃଶ୍ୟମାନ ବୈଶିଷ୍ଟ୍ୟକୁ ବ୍ୟବହାର କରି ଗତିରୁ ଗଠନ ଅନୁଯାୟୀ ଗଭୀରତା ବ୍ୟବହାର କରେ ଯାହା ପାଇଁ ଗଭୀରତା ଉପଲବ୍ଧ ନୁହେଁ । ତେଣୁ ଏହି ପଦ୍ଧତି ଦ୍ୱାରା ଆରଜିବିଡି ଭିଜୁଆଲ ଓଡୋମେଟ୍ରିକୁ ବଡ଼ ଆକାରର, ଖୋଲା ପରିବେଶରେ ବିସ୍ତାର କରାଯାଇପାରିବ ଯେଉଁଠାରେ ଗଭୀରତା ଯଥେଷ୍ଟ ପରିମାଣରେ ହାସଲ କରାଯାଇପାରିବ ନାହିଁ । ଆମର ପଦ୍ଧତିର ମୂଳ ହେଉଛି ଏକ ବଣ୍ଡଲ୍ ସଂଶୋଧନ ପଦକ୍ଷେପ ଯାହା ଏକ ବ୍ୟାଚ୍ ଅପ୍ଟିମାଇଜେସନ୍ ରେ, ଛବିଗୁଡ଼ିକର ଏକ କ୍ରମକୁ ପ୍ରକ୍ରିୟାକରଣ କରି ସମାନ୍ତରାଳ ଭାବରେ ଗତି ଆକଳନକୁ ବିଶୋଧନ କରେ । ଆମେ ତିନୋଟି ସେନସର ସେଟଅପରେ ଆମର ପଦ୍ଧତିକୁ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ, ଗୋଟିଏରେ ଆରଜିବି-ଡି କ୍ୟାମେରା ବ୍ୟବହାର କରି, ଏବଂ ଦୁଇଟିରେ କ୍ୟାମେରା ଏବଂ ଥ୍ରୀଡି ଲିଡାରର ମିଶ୍ରଣ ବ୍ୟବହାର କରି । ଆମର ପଦ୍ଧତିର ମୂଲ୍ୟାଙ୍କନ କିଟ୍ଟୀ ଓଡୋମେଟ୍ରି ରେକର୍ଡରେ ଚତୁର୍ଥ ସ୍ଥାନରେ ରହିଛି, ଯାହା ଷ୍ଟେରିଓ ଭିଜୁଆଲ ଓଡୋମେଟ୍ରି ପଦ୍ଧତି ତୁଳନାରେ କୌଣସି ପ୍ରକାର ସେନ୍ସିଂ ମୋଡଲୀ ଠାରୁ ଭିନ୍ନ ନୁହେଁ, ଯାହାକି ତ୍ରିଭୁଜ ଦ୍ୱାରା ଗଭୀରତା ମାପ କରିଥାଏ । ଫଳରେ ହାରାହାରି ସ୍ଥିତି ତ୍ରୁଟି ଯାତ୍ରା ଦୂରତାର 1.14% ହୋଇଥାଏ । |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | ବିଭିନ୍ନ ଶିକ୍ଷଣୀୟ ସମସ୍ୟାକୁ ଶିକ୍ଷଣୀୟ ଡାଟା ମାଇନିଂ ମାଧ୍ୟମରେ ସମାଧାନ କରାଯାଇଥାଏ, ଯାହା ଡାଟା ମାଇନିଂର ସବୁଠାରୁ ଅଧିକ ପ୍ରଚଳିତ ପ୍ରୟୋଗ ଅଟେ । ଏହି କାଗଜର ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଲକ୍ଷ୍ୟ ହେଉଛି ଇଡିଏମ୍ ଉପରେ କରାଯାଇଥିବା ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟର ଅଧ୍ୟୟନ କରିବା ଏବଂ ଏହାର ଗୁଣ ଏବଂ କ୍ଷତିକୁ ବିଶ୍ଳେଷଣ କରିବା । ଏହି ରିପୋର୍ଟରେ ବିଭିନ୍ନ ତଥ୍ୟ ଖନନ ପଦ୍ଧତି ଓ କୌଶଳ ଉପରେ ଆଲୋକପାତ କରାଯାଇଛି । ଏହାବ୍ୟତୀତ ଭବିଷ୍ୟତର ଗବେଷଣା ପାଇଁ ସବୁଠାରୁ ବିଶ୍ୱସନୀୟ ଆଲଗୋରିଦମକୁ ଅନୁଧ୍ୟାନ କରିବା ପାଇଁ ଏକ ପରୀକ୍ଷଣ ମଧ୍ୟ କରାଯାଇଥିଲା । |
197a7fc2f8d57d93727b348851b59b34ce990afd | SRILM ହେଉଛି C++ ଲାଇବ୍ରେରୀ, ଏକଜିକ୍ୟୁଟେବଲ ପ୍ରୋଗ୍ରାମ ଏବଂ ହେଲପର ସ୍କ୍ରିପ୍ଟର ଏକ ସଂଗ୍ରହ ଯାହା ଭାଷାର ଚିହ୍ନଟ ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରୟୋଗ ପାଇଁ ପରିସଂଖ୍ୟାନିକ ଭାଷା ମଡେଲର ଉତ୍ପାଦନ ଏବଂ ପରୀକ୍ଷଣକୁ ଅନୁମତି ଦେବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । SRILMକୁ ଅଣ-ବ୍ୟବସାୟିକ ଉଦ୍ଦେଶ୍ୟରେ ମାଗଣାରେ ଉପଲବ୍ଧ କରାଯାଇପାରିବ । ଏହି ଟୁଲକିଟ୍ N-ଗ୍ରାମ ପରିସଂଖ୍ୟାନ ଉପରେ ଆଧାରିତ ବିଭିନ୍ନ ପ୍ରକାର ଭାଷା ମଡେଲର ସୃଷ୍ଟି ଏବଂ ମୂଲ୍ୟାଙ୍କନକୁ ସମର୍ଥନ କରେ, ଏବଂ ଅନେକ ସମ୍ବନ୍ଧୀୟ କାର୍ଯ୍ୟ, ଯେପରିକି ପରିସଂଖ୍ୟାନ ଟ୍ୟାଗିଂ ଏବଂ N-ଶ୍ରେଷ୍ଠ ତାଲିକା ଏବଂ ଶବ୍ଦ ଗ୍ରେଡ୍ ର ପରିଚାଳନା । ଏହି କାଗଜରେ ଟୁଲକିଟର କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ସାରାଂଶ ଦିଆଯାଇଛି ଏବଂ ଏହାର ଡିଜାଇନ ଏବଂ କାର୍ଯ୍ୟକାରିତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଦ୍ରୁତ ପ୍ରୋଟୋଟାଇପିଂର ସହଜତା, ପୁନଃବ୍ୟବହାରଯୋଗ୍ୟତା ଏବଂ ଉପକରଣଗୁଡ଼ିକର ମିଶ୍ରଣ ଉପରେ ଆଲୋକପାତ କରାଯାଇଛି । |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | ଭାଷାର ପରିସଂଖ୍ୟାନ ମଡେଲଗୁଡିକ ବିଭିନ୍ନ ପ୍ରାକୃତିକ ଭାଷା ଦୃଶ୍ୟପଟ୍ଟର ବଣ୍ଟନକୁ ଭାଷାର ଚିହ୍ନଟ ଓ ଅନ୍ୟ ଭାଷା ପ୍ରଯୁକ୍ତିର ଉଦ୍ଦେଶ୍ୟରେ ଆକଳନ କରିଥାଏ । ୧୯୮୦ରେ ପ୍ରଥମ ମଡେଲ ପ୍ରସ୍ତୁତ ହେବା ପରଠାରୁ ଏହାର ଉନ୍ନତି ପାଇଁ ଅନେକ ପ୍ରୟାସ କରାଯାଇଛି । ଆମେ ସେସବୁର ସମୀକ୍ଷା କରି କିଛି ଆଶାନୁରୂପ ଦିଗକୁ ଆଙ୍ଗୁଳି ଦେଖାଇଛୁ ଏବଂ ତଥ୍ୟ ସହିତ ଭାଷାଗତ ସିଦ୍ଧାନ୍ତର ସମନ୍ୱୟ ପାଇଁ ଏକ ବେଜେସୀୟ ଦୃଷ୍ଟିକୋଣ ପାଇଁ ଯୁକ୍ତି ବାଢ଼ୁଛୁ । |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | ବିଗ୍ରାମ ଏବଂ ତ୍ରିଗ୍ରାମ ଭାଷା ମଡେଲର ନିର୍ମାଣ ଏବଂ ପରୀକ୍ଷଣକୁ ସହଜ କରିବା ପାଇଁ CMU ଷ୍ଟାଟିଷ୍ଟିକାଲ ଲାଙ୍ଗୁଏଜ ମଡେଲିଂ ଟୁଲକିଟକୁ ପୁନଃ ଲିଜରେ ଦିଆଯାଇଥିଲା । ଏହା ବର୍ତ୍ତମାନ 100ରୁ ଅଧିକ ଦେଶରେ ଏକାଡେମିକ୍, ସରକାରୀ ଏବଂ ଶିଳ୍ପ ପ୍ରୟୋଗଶାଳାରେ ବ୍ୟବହୃତ ହେଉଛି । ଏହି କାଗଜରେ ଟୁଲକିଟର ଏକ ନୂତନ ସଂସ୍କରଣର ଉପସ୍ଥାପନା କରାଯାଇଛି । ଟୁଲକିଟରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ପାରମ୍ପରିକ ଭାଷା ମଡେଲିଂ ଟେକ୍ନୋଲୋଜିର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଏହି କାର୍ଯ୍ୟ ପାଇଁ ପୂର୍ବ ସଫ୍ଟୱେର୍ ତୁଳନାରେ ନୂତନ ଟୁଲକିଟ୍ ପ୍ରଦାନ କରୁଥିବା ଅତିରିକ୍ତ ଦକ୍ଷତା ଏବଂ କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | ଆମେ ସିଲିକନ ଭରା ସମନ୍ୱିତ ୱେଭଗାଇଡର ନିର୍ମାଣ ପାଇଁ ଏକ ଟେକ୍ନୋଲୋଜି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା କମ କ୍ଷୟକ୍ଷତିର ଉଚ୍ଚ-ପ୍ରଦକ୍ଷତା ମିଲିମିଟର ତରଙ୍ଗ ନିଷ୍କ୍ରିୟ ଉପାଦାନ ଏବଂ ଉଚ୍ଚ ଲାଭ ଆରେ ଆଣ୍ଟେନା ର ନିର୍ମାଣକୁ ସକ୍ଷମ କରିଥାଏ, ଯାହାଦ୍ୱାରା ଉଚ୍ଚ ସମନ୍ୱିତ ମିଲିମିଟର ତରଙ୍ଗ ପ୍ରଣାଳୀର ନିର୍ମାଣକୁ ସହଜ କରାଯାଇପାରିବ । ପ୍ରସ୍ତାବିତ ପ୍ରଯୁକ୍ତିରେ ଉଚ୍ଚ ଜ୍ୟାମିତିଗତ ସଠିକତା ଏବଂ ନିରନ୍ତର ଧାତୁ ପାର୍ଶ୍ୱ କାନ୍ଥ ସହିତ ଆୟତନ ତରଙ୍ଗବାହକକୁ ଏକୀକୃତ କରିବା ପାଇଁ ଆଲୁମିନିୟମ ଧାତୁକରଣ ପଦକ୍ଷେପ ସହିତ ଗଭୀର ପ୍ରତିକ୍ରିୟାଶୀଳ-ଆୟୋନ-ଏଚିଂ (DRIE) କୌଶଳ ବ୍ୟବହାର କରାଯାଇଛି । ସମନ୍ୱିତ ଆୟତନ ବିଶିଷ୍ଟ ତରଙ୍ଗବାହକଗୁଡ଼ିକର ମାପ ଫଳାଫଳକୁ ନେଇ ରିପୋର୍ଟ କରାଯାଇଛି ଯେଉଁଥିରେ ୧୦୫ GHz ରେ ୦.୧୫ dB/ λg ର କ୍ଷୟକ୍ଷତି ଦର୍ଶାଯାଇଛି । ଏହାବ୍ୟତୀତ, ଅଲଟ୍ରା ବ୍ରଡବ୍ୟାଣ୍ଡ କୋପ୍ଲାନାର ୱେବ ଗାଇଡକୁ ପରିବର୍ତ୍ତନକୁ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ୦.୬ ଡିସିଏଲ ଇନସର୍ଟସନ ଲସ ୧୦୫ ଗିଗାହର୍ଟଜରେ ଏବଂ ରିଟର୍ଣ୍ଣ ଲସ ୧୫ ଡିସିଏଲରୁ ଅଧିକ ୮୦ ରୁ ୧୧୦ ଗିଗାହର୍ଟଜରେ । ଏକ ଫ୍ରିକ୍ୱେନ୍ସି ସ୍କାନିଂ ସ୍ଲଟ୍ଡ ୱେଭ୍ ଗାଇଡ୍ ଆରେ ଆଣ୍ଟେନର ଡିଜାଇନ୍, ଇଣ୍ଟିଗ୍ରେସନ୍ ଏବଂ ମାପ କରାଯାଇଥିବା କାର୍ଯ୍ୟଦକ୍ଷତା ବିଷୟରେ ରିପୋର୍ଟ କରାଯାଇଛି, ଯାହା 23 GHz ବ୍ୟାଣ୍ଡ ମଧ୍ୟରେ 82 ° ର ମାପିତ ବିମ୍ ଷ୍ଟିଅରିଂ କ୍ଷମତା ଏବଂ 96 GHz ରେ 8.5 ° ର ଅର୍ଦ୍ଧ-ପାୱାର ବିମ୍-ବିଡ୍ (HPBW) ହାସଲ କରିଥାଏ _ ଶେଷରେ, କମ୍ ଖର୍ଚ୍ଚରେ ଏମ୍ଏମ୍-ୱେଭ୍ ସିଷ୍ଟମ୍ ସ୍ତରୀୟ ଏକୀକରଣକୁ ସହଜ କରିବା ପାଇଁ ଏହି ଟେକ୍ନୋଲୋଜିର କ୍ଷମତାକୁ ପ୍ରଦର୍ଶନ କରିବା ପାଇଁ, ଇମେଜିଂ ରାଡାର ପ୍ରୟୋଗ ପାଇଁ ଏକ ଫ୍ରିକ୍ୱେନ୍ସି ମୋଡ୍ୟୁଲେଟେଡ୍ କଣ୍ଟିନ୍ୟୁସ୍ ୱେଭ୍ (ଏଫ୍ଏମ୍ସିଡବ୍ଲୁ) ଟ୍ରାନ୍ସମିଟର-ରିସିଭ୍ ଆଇସି ସିଧାସଳଖ ଏକୀକୃତ ଆରେରେ ଫ୍ଲିପ୍ ଚିପ୍ ମାଉଣ୍ଟ କରାଯାଇ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
31864e13a9b3473ebb07b4f991f0ae3363517244 | ଏହି କାଗଜରେ ଏଜ ଡିଟେକ୍ସନ ପାଇଁ ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ଆଭିମୁଖ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପଦ୍ଧତିର ସଫଳତା ଏକ ବ୍ୟାପକ ଲକ୍ଷ୍ୟର ପରିଭାଷା ଉପରେ ନିର୍ଭର କରେ । ଏହି ଲକ୍ଷ୍ୟଗୁଡ଼ିକ ଯଥେଷ୍ଟ ସଠିକ ହେବା ଉଚିତ ଯାହା ଦ୍ବାରା ଡିଟେକ୍ଟରର ଇଚ୍ଛାକୃତ ଆଚରଣକୁ ସୀମିତ କରାଯାଇପାରିବ ଏବଂ ସମାଧାନର ରୂପ ବିଷୟରେ ଅତି କମ୍ ଅନୁମାନ କରାଯାଇପାରିବ । ଆମେ ଏକ ଶ୍ରେଣୀ କଡ଼ ପାଇଁ ଚିହ୍ନଟ ଏବଂ ସ୍ଥାନୀୟକରଣ ମାନଦଣ୍ଡକୁ ପରିଭାଷିତ କରିଥାଉ, ଏବଂ ଏହି ମାନଦଣ୍ଡ ପାଇଁ ଗାଣିତିକ ଫର୍ମଗୁଡ଼ିକୁ ଅପରେଟର ଇମ୍ପଲ୍ସ ପ୍ରତିକ୍ରିୟାରେ କାର୍ଯ୍ୟକଳାପ ଭାବରେ ଉପସ୍ଥାପନ କରିଥାଉ । ଏହା ପରେ ଏକ ତୃତୀୟ ମାନଦଣ୍ଡ ଯୋଡା ଯାଇଥାଏ ଯାହା ସୁନିଶ୍ଚିତ କରିଥାଏ ଯେ ଡିଟେକ୍ଟର ଗୋଟିଏ କଡ଼ରେ କେବଳ ଗୋଟିଏ ଉତ୍ତର ଦେଇଥାଏ । ଆମେ ସଂଖ୍ୟାଗତ ଅପ୍ଟିମାଇଜେସନରେ ମାନଦଣ୍ଡକୁ ବ୍ୟବହାର କରି ଅନେକ ସାଧାରଣ ପ୍ରତିଛବି ବିଶେଷତା ପାଇଁ ଡିଟେକ୍ଟର ବାହାର କରିଥାଉ, ଯେଉଁଥିରେ ଷ୍ଟେପ ଏଜ ମଧ୍ୟ ସାମିଲ ଥାଏ । ବିଶ୍ଳେଷଣକୁ ଷ୍ଟେପ ଏଜକୁ ବିଶେଷ କରି, ଆମେ ପାଇଲୁ ଯେ ଚିହ୍ନଟ ଏବଂ ସ୍ଥାନୀୟକରଣ କାର୍ଯ୍ୟଦକ୍ଷତା ମଧ୍ୟରେ ଏକ ପ୍ରାକୃତିକ ଅନିଶ୍ଚିତତା ନୀତି ଅଛି, ଯାହା ଦୁଇଟି ମୁଖ୍ୟ ଲକ୍ଷ୍ୟ । ଏହି ସିଦ୍ଧାନ୍ତ ଦ୍ୱାରା ଆମେ ଏକକ ଅପରେଟର ଆକୃତି ପାଇଥାଉ ଯାହା ଯେକୌଣସି ସ୍ତରରେ ସର୍ବୋତ୍ତମ ହୋଇଥାଏ । ସର୍ବୋତ୍ତମ ଡିଟେକ୍ଟର ଏକ ସରଳ ଅନୁମାନିତ କାର୍ଯ୍ୟକାରିତା ରହିଛି ଯେଉଁଥିରେ ଗୌସିୟାନ-ସ୍ଫୁଟ ଇମେଜର ଗ୍ରାଡିଏଣ୍ଟ ମାଗ୍ନିଚ୍ୟୁଡରେ କଡ଼ଗୁଡ଼ିକର ସର୍ବାଧିକ ଚିହ୍ନିତ ହୋଇଥାଏ । ଆମେ ଏହି ସରଳ ଡିଟେକ୍ଟରକୁ ବିଭିନ୍ନ ଚଉଡା ଅପରେଟର ବ୍ୟବହାର କରି ବିସ୍ତାର କରିଛୁ, ଯାହାଦ୍ୱାରା ଆମେ ବିଭିନ୍ନ ସିଗନାଲ୍-ରୁ-ଧ୍ବନି ଅନୁପାତକୁ ପ୍ରତିଛବିରେ ଦେଖିପାରିବା । ଆମେ ଏକ ସାଧାରଣ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକୁ ବିଶେଷତା ସଂଶ୍ଳେଷଣ କୁହାଯାଏ, ଯାହା ବିଭିନ୍ନ ସ୍ତରରେ ଅପରେଟରମାନଙ୍କ ଠାରୁ ସୂଚନାକୁ ସୂକ୍ଷ୍ମରୁ କଠୋର ପର୍ଯ୍ୟନ୍ତ ଏକୀକରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଶେଷରେ ଆମେ ଦେଖାଇଛୁ ଯେ ଷ୍ଟେପ୍ ଏଜ୍ ଡିଟେକ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତା ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇଥାଏ କାରଣ ଅପରେଟର ପଏଣ୍ଟ ସ୍ପ୍ରେଡ୍ ଫଙ୍କସନ୍ କଡ଼ରେ ବିସ୍ତାରିତ ହୋଇଥାଏ । |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | ଚେହେରାଗୁଡ଼ିକ ଜଟିଳ, ବହୁ-ଆକାରର, ଅର୍ଥପୂର୍ଣ୍ଣ ଦୃଶ୍ୟମାନ ପ୍ରେରଣାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ଏବଂ ଚେହେରା ଚିହ୍ନଟ ପାଇଁ ଏକ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ମଡେଲ ବିକଶିତ କରିବା କଷ୍ଟକର ଅଟେ [୪୨] । ଆମେ ଏକ ହାଇବ୍ରିଡ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ସମାଧାନ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଅନ୍ୟ ପଦ୍ଧତିଗୁଡ଼ିକ ସହିତ ଅନୁକୂଳ ଭାବରେ ତୁଳନା କରେ । ଏହି ପ୍ରଣାଳୀରେ ସ୍ଥାନୀୟ ପ୍ରତିଛବି ନମୁନା ସଂଗ୍ରହ, ଏକ ସ୍ୱୟଂ-ସଂଗଠିତ ମାନଚିତ୍ର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏବଂ ଏକ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ମିଶ୍ରଣ କରାଯାଇଛି । ସ୍ୱୟଂ-ସଂଗଠିତ ମାନଚିତ୍ରଟି ପ୍ରତିଛବି ନମୁନାଗୁଡ଼ିକୁ ଏକ ଟପୋଲୋଜିୟମ ସ୍ପେସରେ ଏକ କ୍ୱାଣ୍ଟାଇଜେସନ ପ୍ରଦାନ କରିଥାଏ ଯେଉଁଠାରେ ମୂଳ ସ୍ପେସରେ ଥିବା ଇନପୁଟଗୁଡ଼ିକ ମଧ୍ୟ ଆଉଟପୁଟ ସ୍ପେସରେ ନିକଟବର୍ତ୍ତୀ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ପ୍ରତିଛବି ନମୁନାରେ ସାମାନ୍ୟ ପରିବର୍ତ୍ତନକୁ ଆକାରଗତ ପରିବର୍ତ୍ତନ ଏବଂ ଅସ୍ବାଭାବିକତା ପ୍ରଦାନ କରିଥାଏ ଏବଂ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଟ୍ରାନ୍ସଲେସନ, ରୋଟେସନ୍, ସ୍କେଲ ଏବଂ ଡିଫର୍ମେସନ୍ ପାଇଁ ଆଂଶିକ ଅସ୍ବାଭାବିକତା ପ୍ରଦାନ କରିଥାଏ । ଏହି କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ କ୍ରମଶଃ ବଡ଼ ବଡ଼ ବୈଶିଷ୍ଟ୍ୟକୁ ସ୍ତରଗୁଡ଼ିକର ଏକ ଶ୍ରେଣୀଗତ ସେଟରେ ବାହାର କରିଥାଏ । ଆମେ ସ୍ୱୟଂ ସଂଗଠିତ ମାନଚିତ୍ର ସ୍ଥାନରେ କାର୍ହୁନନ୍-ଲୋଏଭ୍ ପରିବର୍ତ୍ତନ ଏବଂ କ୍ରମିକ ନେଟୱାର୍କ ସ୍ଥାନରେ ଏକ ବହୁସ୍ତରୀୟ ପରସେପ୍ଟ୍ରନ୍ ବ୍ୟବହାର କରି ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ । କର୍ହୁନନ୍-ଲୋଏଭ୍ ଟ୍ରାନ୍ସଫର୍ମର ପ୍ରାୟତଃ ସମାନ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ (୫.୩% ତ୍ରୁଟି ବନାମ ୩.୮%) । ବହୁସ୍ତରୀୟ ପରସେପ୍ଟ୍ରନ ବହୁତ ଖରାପ ପ୍ରଦର୍ଶନ କରିଥାଏ (୩.୮% ତୁଳନାରେ ୪୦% ତ୍ରୁଟି) । ଏହି ପଦ୍ଧତି ଦ୍ରୁତ ଶ୍ରେଣୀକରଣରେ ସକ୍ଷମ, କେବଳ ଦ୍ରୁତ, ଆନୁମାନିକ ନର୍ମାଲାଇଜେସନ୍ ଏବଂ ପ୍ରି-ପ୍ରୋସେସିଂ ଆବଶ୍ୟକ କରେ ଏବଂ ତାଲିମ ଡାଟାବେସରେ ପ୍ରତି ବ୍ୟକ୍ତିଙ୍କ ପ୍ରତି ଛବି ସଂଖ୍ୟା 1 ରୁ 5 ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ ହୋଇଥିବା ହେତୁ ଡାଟାବେସରେ ଇଜେନ୍ଫେସ୍ ଆଭିମୁଖ୍ୟ [42] ଅପେକ୍ଷା କ୍ରମାଗତ ଭାବରେ ଉନ୍ନତ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରେ । ପ୍ରତି ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ୫ଟି ଚିତ୍ର ଗ୍ରହଣ କଲେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଓ ନିଜସ୍ୱ ଉପାଦାନରେ ଯଥାକ୍ରମେ ୩.୮% ଓ ୧୦.୫% ତ୍ରୁଟି ରହିଛି । ଏହି ଚିହ୍ନଟକାରୀ ଏହାର ଆଉଟପୁଟ ଉପରେ ଏକ ଭରସା ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଶ୍ରେଣୀକରଣ ତ୍ରୁଟି ଶୂନ ପାଖାପାଖି ହୋଇଥାଏ ଯେତେବେଳେ ମାତ୍ର ୧୦% ଉଦାହରଣକୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରାଯାଇଥାଏ । ଆମେ ୪୦ ଜଣ ବ୍ୟକ୍ତିଙ୍କର ୪୦୦ଟି ଚିତ୍ରର ଏକ ଡାଟାବେସ ବ୍ୟବହାର କରିଛୁ ଯେଉଁଥିରେ ଉଚ୍ଚ ସ୍ତରର ବ୍ୟକ୍ତିତ୍ୱ, ସ୍ଥିତି ଏବଂ ଚେହେରା ବିବରଣୀ ରହିଛି । ଆମେ କମ୍ପ୍ୟୁଟେଶନାଲ ଜଟିଳତାର ବିଶ୍ଳେଷଣ କରିଥାଉ ଏବଂ ଆଲୋଚନା କରିଥାଉ ଯେ କିପରି ନୂତନ ଶ୍ରେଣୀଗୁଡ଼ିକୁ ପ୍ରଶିକ୍ଷିତ ଚିହ୍ନଟକାରୀ ସହିତ ଯୋଡ଼ାଯାଇପାରିବ । |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | ସିଫ୍ଟ ରେଜିଷ୍ଟର ହେଉଛି ଏକ ପ୍ରକାର କ୍ରମିକ ତର୍କ ସର୍କିଟ ଯାହା ମୁଖ୍ୟତଃ ଡିଜିଟାଲ ତଥ୍ୟ ସଂରକ୍ଷଣ କିମ୍ବା ରେଡିଓ ଫ୍ରିକ୍ୱେନ୍ସି ଚିହ୍ନଟ (ଆରଏଫଆଇଡି) ପ୍ରୟୋଗରେ ବାଇନାରୀ ସଂଖ୍ୟା ଆକାରରେ ତଥ୍ୟ ସ୍ଥାନାନ୍ତର ପାଇଁ ବ୍ୟବହୃତ ହୁଏ ଯାହା ସିଷ୍ଟମର ସୁରକ୍ଷା ବୃଦ୍ଧି କରିଥାଏ । ଏହି ଲେଖାରେ ଏକ ନୂତନ ଫ୍ଲିପ-ଫ୍ଲପ ବ୍ୟବହାର କରି ଶକ୍ତି-ଦକ୍ଷତା ବିଶିଷ୍ଟ ଏକ ସିଷ୍ଟମ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଫ୍ଲିପ୍-ଫ୍ଲପ୍ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ କମ୍ ଶକ୍ତିର ବୈଶିଷ୍ଟ୍ୟ ରଖିଛି । ଏଥିରେ ପାଞ୍ଚଟି ଟ୍ରାନଜିଷ୍ଟର, ଉଦୟ ଓ ଅବତରଣ ପଥ ପାଇଁ ଏକ ସି-ଏଲେମେଣ୍ଟ ଏବଂ ଏକ କିପର ଷ୍ଟେଜ ଦ୍ୱାରା ଏକ ନମୁନା ସଂଗ୍ରହ ସର୍କିଟ ରହିଛି । ଏହି ଗତିକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଚାରିଟି ଘଡ଼ିଯୁକ୍ତ ଟ୍ରାନଜିଷ୍ଟର ସହିତ ଏକ ପରିବର୍ତ୍ତନ ସ୍ଥିତି କୌଶଳ ବ୍ୟବହାର କରାଯାଇଥାଏ । ସିମୁଲେସନ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ଟପୋଲୋଜିରେ ଯଥାକ୍ରମେ 30.1997 ଏବଂ 22.7071 nWର ସର୍ବନିମ୍ନ ଶକ୍ତି ଖର୍ଚ୍ଚ ହୋଇଥାଏ ଯାହା 22 μm2 ଚିପ କ୍ଷେତ୍ରକୁ କଭର କରୁଥିବା ସମାନ୍ତରାଳ-ସମାନ୍ତରାଳ-ବାହ୍ୟ (PIPO) ଏବଂ ସିରିୟଲ-ସରିୟଲ-ବାହ୍ୟ (SISO) ସିଷ୍ଟମ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥାଏ । ଏହାର ମୋଟ ଡିଜାଇନ୍ ୧୬ଟି ଟ୍ରାନଜିଷ୍ଟର ବିଶିଷ୍ଟ ଏବଂ ୧୩୦ ନନ୍ ମିଟର କମ୍ପ୍ଲେମେଂଟାରୀ-ମେଟାଲ୍-ଅକ୍ସାଇଡ୍-ସେମିକଣ୍ଡକ୍ଟର (ସିଏମଓଏସ୍) ଟେକ୍ନୋଲୋଜିରେ ୧.୨ ଭୋଲ୍ଟର ବିଦ୍ୟୁତ ଯୋଗାଣ ବ୍ୟବସ୍ଥାରେ ସିମୁଲେଟ୍ କରାଯାଇଛି । |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | ବାୟୁସେନା ଗବେଷଣା ପ୍ରୟୋଗଶାଳା ଦୁଇଟି ବ୍ରେନ୍-କମ୍ପ୍ୟୁଟର ଇଣ୍ଟରଫେସ୍ (ବିସିଆଇ) କୁ କାର୍ଯ୍ୟକାରୀ କରିଛି ଏବଂ ଏହାର ମୂଲ୍ୟାଙ୍କନ କରିଛି ଯାହା ସ୍ଥିର-ସ୍ଥିତି ଦୃଶ୍ୟମାନ ପ୍ରତିକ୍ରିୟାକୁ ଏକ ଭୌତିକ ଉପକରଣ କିମ୍ବା କମ୍ପ୍ୟୁଟର ପ୍ରୋଗ୍ରାମକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଏକ ନିୟନ୍ତ୍ରଣ ସଙ୍କେତରେ ଅନୁବାଦ କରିଥାଏ । ଗୋଟିଏ ପଦ୍ଧତିରେ, ଅପରେଟରମାନେ ମସ୍ତିଷ୍କର ପ୍ରତିକ୍ରିୟାକୁ ସ୍ୱୟଂ ନିୟନ୍ତ୍ରିତ କରନ୍ତି; ଅନ୍ୟ ପଦ୍ଧତିରେ ଏକାଧିକ ଆହ୍ବାନିତ ପ୍ରତିକ୍ରିୟା ବ୍ୟବହାର କରାଯାଏ । |
8a65dc637d39c14323dccd5cbcc08eed2553880e | ଏହି ଲେଖାରେ ଦକ୍ଷିଣ ଆଫ୍ରିକାର ଜିଲ୍ଲା ପ୍ରଶାସନକୁ ସହାୟତା ଦେବା ପାଇଁ ସ୍ୱାସ୍ଥ୍ୟ ସୂଚନା ପ୍ରଣାଳୀ ବିକଶିତ କରିବା ପାଇଁ ଚାଲିଥିବା ଏକ ଆକ୍ସନ ରିସର୍ଚ୍ଚ ପ୍ରୋଜେକ୍ଟର ପ୍ରାରମ୍ଭିକ ଅବଧି (୧୯୯୪-୨୦୦୧) ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଦକ୍ଷିଣ ଆଫ୍ରିକାର ସ୍ୱାସ୍ଥ୍ୟ ସେକ୍ଟରର ପୁନଃନିର୍ମାଣ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ପ୍ରଦାନରେ ସମାନତା ପାଇଁ ପ୍ରୟାସ କରିବା ଏବଂ ସ୍ୱାସ୍ଥ୍ୟ ଜିଲ୍ଲା ଉପରେ ଆଧାରିତ ଏକ ବିକେନ୍ଦ୍ରୀକୃତ ଢାଞ୍ଚା ନିର୍ମାଣ କରିବା । ସୂଚନା ପ୍ରଣାଳୀ (ଆଇଏସ) ବିକାଶ କ୍ଷେତ୍ରରେ ଏହି ସଂସ୍କାର ପ୍ରକ୍ରିୟା ସ୍ୱାସ୍ଥ୍ୟ ତଥ୍ୟର ମାନକୀକରଣରେ ପରିଣତ ହୋଇଛି ଯାହା ସ୍ଥାନୀୟ ନିୟନ୍ତ୍ରଣ ଏବଂ ସୂଚନା ପରିଚାଳନା ସମନ୍ୱୟକୁ ବୃଦ୍ଧି କରି ନୂତନ ଦକ୍ଷିଣ ଆଫ୍ରିକାର ଲକ୍ଷ୍ୟକୁ ପ୍ରତିଫଳିତ କରୁଛି । ଆମେ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଅନୁସନ୍ଧାନର ଆମର ଆଭିମୁଖ୍ୟ ବର୍ଣ୍ଣନା କରୁଛୁ ଏବଂ କେସ୍ ସାମଗ୍ରୀର ବିଶ୍ଳେଷଣରେ ଅଭିନେତା-ନେଟୱାର୍କ ଏବଂ ସଂରଚନା ସିଦ୍ଧାନ୍ତରୁ ଧାରଣା ବ୍ୟବହାର କରୁ । ଆଇଏସ ବିକାଶର ବିସ୍ତୃତ ବର୍ଣ୍ଣନା ଏବଂ ବିଶ୍ଳେଷଣରେ, ଆମେ ମାନକୀକରଣ ଏବଂ ସ୍ଥାନୀୟ ନମନୀୟତା (ସ୍ଥାନୀୟକରଣ) ମଧ୍ୟରେ ସନ୍ତୁଳନ ରକ୍ଷା କରିବାର ଆବଶ୍ୟକତା ଉପରେ ଧ୍ୟାନ ଦେଇଛୁ; ତେଣୁ ମାନକୀକରଣକୁ ବିଭିନ୍ନ ପ୍ରକାରର ଅଭିନେତାମାନଙ୍କର ତଳୁ ଉପର ପର୍ଯ୍ୟନ୍ତ ସମନ୍ୱୟ ଭାବରେ ଦେଖାଯାଏ । ସୂଚନା ପ୍ରଣାଳୀର ସାମାଜିକ ପ୍ରଣାଳୀ ମଡେଲ ଉପରେ ଆଧାର କରି ଆମେ ଆଇଏସ ଡିଜାଇନ ରଣନୀତିକୁ ବିକଶିତ ଏବଂ ବ୍ୟବହୃତ ପ୍ରକ୍ରିୟାର ଚାଷ ଭାବରେ ବିବେଚନା କରୁ ଯେଉଁଥିରେ ଏହି ଅଭିନେତାମାନେ ସେମାନଙ୍କର ସ୍ୱାର୍ଥକୁ ଅନୁବାଦ ଏବଂ ସମନ୍ୱୟ କରୁଛନ୍ତି । ଆମେ ବିଶ୍ୱସ୍ତରୀୟ ଏବଂ ସ୍ଥାନୀୟ ଡାଟାସେଟର ଏକ ମଡୁଲାର ହିରାର୍କିକୁ ଏକ ଢାଞ୍ଚା ଭାବରେ ବିକଶିତ କରୁଛୁ ଯାହା ମଧ୍ୟରେ ମାନକୀକରଣ ଏବଂ ସ୍ଥାନୀୟକରଣ ମଧ୍ୟରେ ଉତ୍ତେଜନା ବୁଝାଯାଇପାରିବ ଏବଂ ସମାଧାନ କରାଯାଇପାରିବ । ଶେଷରେ, ଆମେ ଅନ୍ୟ ଦେଶରେ ଗବେଷଣାର ଫଳାଫଳର ସମ୍ଭାବ୍ୟ ପ୍ରାସଙ୍ଗିକତା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | ରାଣ୍ଡମ ଫରେଷ୍ଟ ହେଉଛି ଏକ କମ୍ପ୍ୟୁଟେଶନଲ ଦକ୍ଷ କୌଶଳ ଯାହା ବଡ଼ ଡାଟାସେଟରେ ଶୀଘ୍ର କାର୍ଯ୍ୟ କରିପାରିବ । ଏହାକୁ ଅନେକ ଗବେଷଣା ପ୍ରକଳ୍ପରେ ବ୍ୟବହାର କରାଯାଇଛି । ତେବେ, ଆନୁସଙ୍ଗିକ ସାହିତ୍ୟରେ ରାଣ୍ଡମ ଫରେଷ୍ଟ ରଚନା କରିବା ପାଇଁ କେତେ ଗଛ ବ୍ୟବହାର କରାଯିବା ଉଚିତ ସେ ବିଷୟରେ ପ୍ରାୟ କୌଣସି ନିର୍ଦ୍ଦେଶ ନାହିଁ । ଏଠାରେ ବର୍ଣ୍ଣିତ ଗବେଷଣା ବିଶ୍ଳେଷଣ କରେ ଯେ ଏକ ରାଣ୍ଡମ ଫରେଷ୍ଟ ଭିତରେ ବୃକ୍ଷର ସର୍ବୋତ୍ତମ ସଂଖ୍ୟା ଅଛି କି ନାହିଁ, ଅର୍ଥାତ୍ ଏକ ସୀମା ଯାହାଠାରୁ ବୃକ୍ଷ ସଂଖ୍ୟା ବୃଦ୍ଧି କରିବା ଦ୍ୱାରା କୌଣସି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଦକ୍ଷତା ଲାଭ ହେବ ନାହିଁ, ଏବଂ କେବଳ ଗଣନା ଖର୍ଚ୍ଚ ବୃଦ୍ଧି ହେବ । ଆମର ମୁଖ୍ୟ ସିଦ୍ଧାନ୍ତ ହେଉଛି ଯେ, ବୃକ୍ଷ ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବା ଦ୍ୱାରା ଜଙ୍ଗଲର ପ୍ରଦର୍ଶନ ପୂର୍ବବର୍ତ୍ତୀ ଜଙ୍ଗଲ ତୁଳନାରେ ଯଥେଷ୍ଟ ଭଲ ହୋଇନଥାଏ (ଅଧିକ ଗଛ), ଏବଂ ବୃକ୍ଷ ସଂଖ୍ୟା ଦ୍ୱିଗୁଣିତ କରିବା ମୂଲ୍ୟହୀନ । ଏହା ମଧ୍ୟ ସମ୍ଭବ ଯେ ଏକ ସୀମା ଅଛି ଯାହା ଉପରେ କୌଣସି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଲାଭ ନାହିଁ, ଯେ ପର୍ଯ୍ୟନ୍ତ ଏକ ବିଶାଳ କମ୍ପ୍ୟୁଟରାଲ ପରିବେଶ ଉପଲବ୍ଧ ନାହିଁ । ଏହା ବ୍ୟତୀତ, କୌଣସି ଜଙ୍ଗଲରେ ବୃକ୍ଷ ସଂଖ୍ୟା ଦୁଇଗୁଣିତ କରିବା ସମୟରେ AUC ଲାଭ ପାଇଁ ଏକ ପରୀକ୍ଷାମୂଳକ ସମ୍ପର୍କ ମିଳିଥିଲା । ଏହା ସହିତ ବୃକ୍ଷ ସଂଖ୍ୟା ବଢିବା ସହିତ ରାଣ୍ଡମ ଫରେଷ୍ଟରେ ସମସ୍ତ ଗୁଣ ବ୍ୟବହାର ହୋଇଥାଏ, ଯାହା ଜୈବ ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ବିଶେଷ ଭାବରେ ଆକର୍ଷଣୀୟ ହୋଇନଥାଏ । ଏହା ସହିତ, ଏଠାରେ ପ୍ରସ୍ତାବିତ ତଥ୍ୟ ସେଟଗୁଡ଼ିକର ଘନତା ଆଧାରିତ ମାପଦଣ୍ଡଗୁଡ଼ିକ ବୋଧହୁଏ ନିଷ୍ପତ୍ତି ଗଛରେ ଭିଆଇ (ଭିଆଇ) ପରିମାପର କିଛି ଦିଗକୁ ଧାରଣ କରିଥାଏ ଏବଂ କମ୍ ଘନତା ବିଶିଷ୍ଟ ତଥ୍ୟ ସେଟଗୁଡ଼ିକ ପାଇଁ ବଡ଼ କ୍ଷମତା ବିଶିଷ୍ଟ ମେସିନ ଆବଶ୍ୟକ ହୋଇପାରେ, ଯେତେବେଳେ କି ଏହାର ବିପରୀତ ମଧ୍ୟ ସତ୍ୟ ପରି ମନେହୁଏ । |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | ବିଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ପ୍ରଯୁକ୍ତିର ଅଗ୍ରଗତି ଫଳରେ ଛୋଟ ସେନସର ନୋଡଗୁଡ଼ିକ ଇଣ୍ଟରନେଟର ବାକି ଅଂଶ ସହିତ ବେତାର ଯୋଗାଯୋଗ କରିପାରୁଛନ୍ତି । ଏହି ସଫଳତା ସହିତ ଏଭଳି ଆଇପି-ସକ୍ଷମ ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କ (ଆଇପି-ଡବ୍ଲୁଏସଏନ) ର ସୁରକ୍ଷା ପାଇଁ ପ୍ରଶ୍ନ ଉଠିଥିଲା ଏବଂ ଏହା ପରଠାରୁ ଏହା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗବେଷଣା ବିଷୟ ହୋଇ ରହିଛି । ଏହି ଥିସସରେ ଆମେ କଣ୍ଟିକ ଅପରେଟିଂ ସିଷ୍ଟମ ପାଇଁ ପୂର୍ବ-ଭାଗୀ ଚାବି ସିଫର ସୁଇଟ (TLS PSK WITH AES 128 CCM 8) ବ୍ୟବହାର କରି TLS ଏବଂ DTLS ପ୍ରୋଟୋକଲର ଆମ କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । କେବଳ କଣ୍ଟିକ ଓଏସ୍ ଦ୍ୱାରା ସମର୍ଥିତ ପ୍ରୋଟୋକଲ୍ ସେଟ୍ ରେ ଏକ ନୂତନ ପ୍ରୋଟୋକଲ୍ ଯୋଡିବା ବ୍ୟତୀତ, ଏହି ପ୍ରକଳ୍ପ ଆମକୁ ଆକଳନ କରିବାକୁ ଅନୁମତି ଦିଏ ଯେ ଟ୍ରାନ୍ସପୋର୍ଟ ଲେୟାର୍ ସୁରକ୍ଷା ଏବଂ ପୂର୍ବ-ସାମାନ୍ୟ ଚାବି ପରିଚାଳନା ଯୋଜନା ଆଇପି-ଡବ୍ଲୁଏସ୍ଏନ୍ ପାଇଁ କେତେ ଉପଯୁକ୍ତ । |
0ab99aa04e3a8340a7552355fb547374a5604b24 | ଅନେକ ନିଦାନ କାର୍ଯ୍ୟ ପାଇଁ ଅସ୍ୱାଭାବିକତା ଚିହ୍ନଟ କରିବା ପାଇଁ, ଏବଂ ସମୟ ସହିତ ମାପ ଏବଂ ପରିବର୍ତ୍ତନକୁ ପରିମାଣିକ କରିବା ପାଇଁ ଏକ ପ୍ରାରମ୍ଭିକ ସନ୍ଧାନ ପ୍ରକ୍ରିୟା ଆବଶ୍ୟକ ହୋଇଥାଏ । କମ୍ପ୍ୟୁଟରୀକୃତ ଉପକରଣ, ବିଶେଷ କରି ପ୍ରତିଛବି ବିଶ୍ଳେଷଣ ଏବଂ ମେସିନ ଲର୍ଣ୍ଣିଂ, ହେଉଛି ନିଦାନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ମୁଖ୍ୟ ସକ୍ଷମକାରୀ, କାରଣ ଏହା ଚିକିତ୍ସା ଆବଶ୍ୟକ କରୁଥିବା ଫଳାଫଳକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ବିଶେଷଜ୍ଞଙ୍କ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସମର୍ଥନ କରିବା ପାଇଁ ସହଜ କରିଥାଏ । ଏହିସବୁ ଉପକରଣ ମଧ୍ୟରେ, ଗଭୀର ଶିକ୍ଷାଲାଭ ଦ୍ରୁତ ଗତିରେ ଅତ୍ୟାଧୁନିକ ଭିତ୍ତିଭୂମି ବୋଲି ପ୍ରମାଣିତ ହେଉଛି, ଯାହା ଉନ୍ନତ ସଠିକତା ଆଡ଼କୁ ନେଇଯାଉଛି । ଏହା ମଧ୍ୟ ତଥ୍ୟ ବିଶ୍ଳେଷଣରେ ନୂତନ ସୀମା ଖୋଲିଛି ଯାହା ପୂର୍ବରୁ କେବେ ଦେଖାଯାଇନଥିଲା । ସାଧାରଣ ତଥ୍ୟ ବିଶ୍ଳେଷଣରେ ଇଇପି ଶିକ୍ଷଣ ଏକ ବୃଦ୍ଧି ପାଉଥିବା ଧାରା ଅଟେ ଏବଂ ଏହାକୁ 2013 ର 10 ଟି ଅଗ୍ରଣୀ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ମଧ୍ୟରୁ ଗୋଟିଏ ବୋଲି ବିବେଚନା କରାଯାଇଛି । [1] ଗଭୀର ଶିକ୍ଷା ହେଉଛି କୃତ୍ରିମ ସ୍ନାୟୁ ନେଟୱାର୍କର ଉନ୍ନତି, ଯେଉଁଥିରେ ଅଧିକ ସ୍ତର ଅଛି ଯାହା ଉଚ୍ଚ ସ୍ତରର ବିନ୍ୟାସ ଏବଂ ତଥ୍ୟରୁ ଉନ୍ନତ ପୂର୍ବାନୁମାନକୁ ଅନୁମତି ଦେଇଥାଏ । [2] ବର୍ତ୍ତମାନ ସୁଦ୍ଧା ଏହା ସାଧାରଣ ଇମେଜିଂ ଏବଂ କମ୍ପ୍ୟୁଟର ଭିଜନ କ୍ଷେତ୍ରରେ ମେସିନ-ଲର୍ଣ୍ଣିଂର ଅଗ୍ରଣୀ ଉପକରଣ ଭାବେ ଉଭା ହୋଇଛି । ବିଶେଷକରି, କମ୍ପ୍ୟୁଟର ଭିଜନ କାର୍ଯ୍ୟର ଏକ ବ୍ୟାପକ ପରିସର ପାଇଁ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ଶକ୍ତିଶାଳୀ ଉପକରଣ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଗଭୀର ସିଏନଏନଗୁଡ଼ିକ ସ୍ୱୟଂଚାଳିତ ଭାବରେ କଞ୍ଚା ତଥ୍ୟ (ଯେପରିକି ଚିତ୍ର) ରୁ ପ୍ରାପ୍ତ ମଧ୍ୟମ ସ୍ତରୀୟ ଏବଂ ଉଚ୍ଚ ସ୍ତରୀୟ ଅବବୋଧକୁ ଶିଖନ୍ତି । ନିକଟରେ ହୋଇଥିବା ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ସିଏନଏନରୁ ବାହାର କରାଯାଇଥିବା ଜେନେରିକ ଡିସକ୍ରିପ୍ଟର ପ୍ରାକୃତିକ ଚିତ୍ରରେ ବସ୍ତୁ ଚିହ୍ନଟ ଏବଂ ସ୍ଥାନୀକରଣରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ । ସାରା ବିଶ୍ୱରେ ମେଡିକାଲ ଇମେଜ ଆନାଲିସିସ ଗ୍ରୁପ ଏହି କ୍ଷେତ୍ରରେ ଦ୍ରୁତ ଗତିରେ ପ୍ରବେଶ କରୁଛନ୍ତି ଏବଂ ସିଏନଏନ ଏବଂ ଅନ୍ୟାନ୍ୟ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତିକୁ ବିଭିନ୍ନ ପ୍ରୟୋଗରେ ପ୍ରୟୋଗ କରୁଛନ୍ତି । ଆଶାନୁରୂପ ଫଳାଫଳ ମିଳୁଛି । ଡାକ୍ତରୀ ଚିତ୍ରଣରେ, ରୋଗର ସଠିକ ନିଦାନ ଏବଂ/କିମ୍ବା ମୂଲ୍ୟାଙ୍କନ ଉଭୟ ପ୍ରତିଛବି ଅଧିଗ୍ରହଣ ଏବଂ ପ୍ରତିଛବି ବ୍ୟାଖ୍ୟା ଉପରେ ନିର୍ଭର କରେ । ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ପ୍ରତିଛବି ସଂଗ୍ରହରେ ଯଥେଷ୍ଟ ଉନ୍ନତି ହୋଇଛି, ଯନ୍ତ୍ରଗୁଡ଼ିକ ଦ୍ରୁତ ଗତିରେ ଏବଂ ବର୍ଦ୍ଧିତ ରେଜୋଲୁସନରେ ତଥ୍ୟ ସଂଗ୍ରହ କରୁଛନ୍ତି । ତେବେ, କମ୍ପ୍ୟୁଟର ଟେକ୍ନୋଲୋଜି ଦ୍ୱାରା ଚିତ୍ର ବ୍ୟାଖ୍ୟା ପ୍ରକ୍ରିୟା ନିକଟରେ ଲାଭ ପାଇବା ଆରମ୍ଭ କରିଛି । ଅଧିକାଂଶ ଡାକ୍ତରୀ ଚିତ୍ରର ବ୍ୟାଖ୍ୟା ଡାକ୍ତରଙ୍କ ଦ୍ବାରା କରାଯାଏ; ତଥାପି, ମନୁଷ୍ୟ ଦ୍ୱାରା ପ୍ରତିଛବି ବ୍ୟାଖ୍ୟା ଏହାର ବିଷୟବସ୍ତୁ, ବ୍ୟାଖ୍ୟାକାରଙ୍କ ମଧ୍ୟରେ ବଡ଼ ପରିବର୍ତ୍ତନ ଏବଂ ଥକାପଣ ହେତୁ ସୀମିତ ଅଟେ । |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | ବିନା ତଦାରଖରେ ଚିତ୍ର ଅନୁବାଦ, ଯାହାର ଉଦ୍ଦେଶ୍ୟ ଦୁଇଟି ସ୍ୱାଧୀନ ସେଟ୍ ଚିତ୍ରକୁ ଅନୁବାଦ କରିବା, ଯୋଡି ହୋଇଥିବା ତଥ୍ୟ ବିନା ସଠିକ୍ ମେଳ ଖାଉଥିବା ଆବିଷ୍କାର କରିବାରେ ଏକ ଆହ୍ୱାନ ଅଟେ । ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟଗୁଡ଼ିକ ଜେନେରେଟିଭ୍ ଆଡଭାସରିଏଲ୍ ନେଟୱାର୍କ (GAN) ଉପରେ ନିର୍ଭରଶୀଳ, ଯାହାଦ୍ୱାରା ଅନୁବାଦିତ ପ୍ରତିଛବିଗୁଡ଼ିକର ବିତରଣ ଲକ୍ଷ୍ୟ ସେଟର ବିତରଣଠାରୁ ଅସ୍ପଷ୍ଟ ହୋଇଯାଏ । କିନ୍ତୁ ସେଟ୍-ସ୍ତରୀୟ ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକ ଇନଷ୍ଟାନ୍ସ-ସ୍ତରୀୟ ମେଳ ଖାଉଥିବା ବିଷୟ (ଯଥା, ବସ୍ତୁ ରୂପାନ୍ତରଣ କାର୍ଯ୍ୟରେ ସମାନ୍ତରାଳ ଅର୍ଥାତ୍ମକ ଅଂଶ) । ଏହି ସୀମିତତା ଯୋଗୁଁ ଅନେକ ସମୟରେ ମିଥ୍ୟା ପଜିଟିଭ୍ (ଯଥା - ଜ୍ୟାମିତିଗତ ବା ଅର୍ଥନୈତିକ କଳୁଷିତ) ଏବଂ ଏହା ମଧ୍ୟ ମୋଡ୍ କ୍ରାସ୍ ସମସ୍ୟାକୁ ନେଇଥାଏ । ଉପରୋକ୍ତ ପ୍ରସଙ୍ଗର ସମାଧାନ ପାଇଁ ଆମେ ଡିପ୍ ଆଟେନସନ୍ ଗାନ୍ (ଡିଏ-ଗାନ୍) ଦ୍ୱାରା ଉଦାହରଣ ସ୍ତରୀୟ ପ୍ରତିଛବି ଅନୁବାଦ ପାଇଁ ଏକ ନୂତନ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହିପରି ଏକ ଡିଜାଇନ୍ DA-GAN କୁ ଦୁଇଟି ସେଟରୁ ନମୁନା ଅନୁବାଦ କରିବାର କାର୍ଯ୍ୟକୁ ଏକ ଉଚ୍ଚ-ସଂଗଠିତ ଲୁକ୍କାୟିତ ସ୍ଥାନରେ ଅନୁବାଦ କରିବା ପାଇଁ ସକ୍ଷମ କରେ । ବିଶେଷକରି, ଆମେ ମିଳିତ ଭାବରେ ଏକ ଗଭୀର ଧ୍ୟାନ ଏନକୋଡର ଶିଖିଥାଉ, ଏବଂ ଶିଖିଥିବା ଉଦାହରଣଗୁଡିକରେ ଯୋଗଦାନ କରି ଉଦାହରଣ-ସ୍ତର ଅନୁପାତଗୁଡିକ ପରବର୍ତ୍ତୀ ସମୟରେ ଆବିଷ୍କାର କରାଯାଇପାରେ । ତେଣୁ, ଉଭୟ ସେଟ୍ ସ୍ତର ଏବଂ ଇନଷ୍ଟାନ୍ସ୍ ସ୍ତରରେ ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଅନେକ ଅତ୍ୟାଧୁନିକ ପ୍ରଣାଳୀ ସହିତ ତୁଳନା ଆମର ଆଭିମୁଖ୍ୟର ଉତ୍କର୍ଷତା ଦର୍ଶାଏ ଏବଂ ବ୍ୟାପକ ପ୍ରୟୋଗ କ୍ଷମତା, ଯେପରିକି ପଦାର୍ଥ ରୂପାନ୍ତର, ତଥ୍ୟ ବୃଦ୍ଧି ଇତ୍ୟାଦି, ଡୋମେନ୍ ଅନୁବାଦ ସମସ୍ୟାର ସୀମାକୁ ବଢ଼ାଇଥାଏ । |
f1526054914997591ffdb8cd523bea219ce7a26e | ଚଳିତ ବର୍ଷ ମାର୍ଚ୍ଚ ମାସରେ, ଆମେରିକୀୟ ପରିସଂଖ୍ୟାନ ସଂଘ (ଏଏସଏ) ପି-ମୂଲ୍ୟର ସଠିକ ବ୍ୟବହାର ଉପରେ ଏକ ବିବୃତ୍ତି ପ୍ରକାଶ କରିଥିଲା, ପି-ମୂଲ୍ୟର ସାଧାରଣ ଭାବେ ଅପବ୍ୟବହାର ଏବଂ ଭୁଲ ବ୍ୟାଖ୍ୟା ଉପରେ ଏକ ବୃଦ୍ଧି ପାଉଥିବା ଚିନ୍ତା ପ୍ରତି ପ୍ରତିକ୍ରିୟା ଦେଇଥିଲା । ଆମେ ଲକ୍ଷ୍ୟ କରୁଛୁ ଯେ ASA ଦ୍ୱାରା ଦିଆଯାଇଥିବା ଏହି ଚେତାବନୀକୁ ପରିସଂଖ୍ୟାନରେ ଗଭୀର ପୃଷ୍ଠଭୂମି ନଥିବା ଡାକ୍ତର ଏବଂ ଗବେଷକମାନଙ୍କ ପାଇଁ ଅଧିକ ସହଜରେ ବୁଝିବା ଭଳି ଭାଷାରେ ଅନୁବାଦ କରିବା । ଏହା ସହିତ, ଆମେ P-value ର ସୀମିତତାକୁ ଦର୍ଶାଇବାକୁ ଚାହୁଁଛୁ, ଏପରିକି ଯେତେବେଳେ ସଠିକ୍ ଭାବରେ ବ୍ୟବହୃତ ଏବଂ ବ୍ୟାଖ୍ୟା କରାଯାଏ, ଏବଂ ଦୁଇଟି ନିକଟରେ ରିପୋର୍ଟ କରାଯାଇଥିବା ଅଧ୍ୟୟନର ଉଦାହରଣ ବ୍ୟବହାର କରି ଅଧ୍ୟୟନ ଫଳାଫଳର କ୍ଲିନିକାଲ୍ ପ୍ରାସଙ୍ଗିକତା ପ୍ରତି ଅଧିକ ଧ୍ୟାନ ଦେବା । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ପି-ମୂଲ୍ୟକୁ ଅନେକ ସମୟରେ ଭୁଲ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଏ । ଏକ ସାଧାରଣ ଭୁଲ ହେଉଛି P < 0.05 ର ଅର୍ଥ ହେଉଛି ଶୂନ୍ୟ ପରିକଳ୍ପନା ମିଥ୍ୟା ଅଟେ, ଏବଂ P ≥ 0.05 ର ଅର୍ଥ ହେଉଛି ଶୂନ୍ୟ ପରିକଳ୍ପନା ସତ୍ୟ ଅଟେ । ୦.୦୫ ର ଏକ ପି-ମୂଲ୍ୟର ସଠିକ ବ୍ୟାଖ୍ୟା ହେଉଛି ଯେ ଯଦି ଶୂନ୍ୟ ପରିକଳ୍ପନା ପ୍ରକୃତରେ ସତ୍ୟ ହୁଏ, ସମାନ ନମୁନାରେ ଅଧ୍ୟୟନର ପୁନରାବୃତ୍ତି ଉପରେ ସମାନ କିମ୍ବା ଅଧିକ ଚରମ ଫଳାଫଳ ୫% ଘଟିବ । ଅନ୍ୟ ଅର୍ଥରେ କହିବାକୁ ଗଲେ, P-value ସୂଚାଇଥାଏ ଯେ ତଥ୍ୟର ସମ୍ଭାବନା ଶୂନ୍ୟ ପରିକଳ୍ପନା ଅନୁସାରେ ହୋଇଥାଏ, ଅନ୍ୟଥା ନୁହେଁ । P-value ସହିତ ଜଡିତ ଏକ ସମ୍ଭାବ୍ୟ ବିକଳ୍ପ ହେଉଛି ବିଶ୍ବାସ ଅନ୍ତର (CI) । ଏହା ପ୍ରଭାବର ପରିମାଣ ଏବଂ ସେହି ପ୍ରଭାବର ଆକଳନ କେତେ ଅସମ୍ପୂର୍ଣ୍ଣ ତାହା ଉପରେ ଅଧିକ ସୂଚନା ପ୍ରଦାନ କରିଥାଏ । କିନ୍ତୁ, ପି-ମୂଲ୍ୟକୁ ବଦଳାଇବା ପାଇଁ ଏବଂ ବୈଜ୍ଞାନିକ ଫଳାଫଳର ଭୁଲ ବ୍ୟାଖ୍ୟାକୁ ରୋକିବା ପାଇଁ କୌଣସି ଯାଦୁକରୀ ଗୁଳି ନାହିଁ । ବୈଜ୍ଞାନିକ ଓ ପାଠକମାନଙ୍କୁ ପରିଚିତ କରାଇବା ଉଚିତ ଯେ ପରିସଂଖ୍ୟାନ ପରୀକ୍ଷଣ, ପି-ମୂଲ୍ୟ ଓ ସିଆଇର ସଠିକ ଓ ନ୍ୟୂନତମ ବ୍ୟାଖ୍ୟା କ ଣ । |
50ca90bc847694a7a2d9a291f0d903a15e408481 | ଆମେ ମାନବୀୟ ଆଚରଣ ଚିହ୍ନଟ ପାଇଁ ଏକ ସାଧାରଣ ଆଭିମୁଖ୍ୟର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାକି ବହୁ ତଥ୍ୟ ଶୈଳୀ ଉପରେ ଆଧାରିତ ଯେପରିକି ଗଭୀର ଭିଡିଓ, ଆର୍ଟିକ୍ୟୁଲେଟେଡ୍ ପୋସ୍ ଏବଂ ଭାଷଣ । ଆମ ପ୍ରଣାଳୀରେ, ପ୍ରତ୍ୟେକ ଆଙ୍ଗୁଠିକୁ ବିଶାଳ ଆକାରର ଶରୀରର ଗତିବିଧିରେ ବିଭକ୍ତ କରାଯାଇଥାଏ ଏବଂ ସ୍ଥାନୀୟ ସୂକ୍ଷ୍ମ ଗତିବିଧି ଯେପରିକି ହାତର ଆର୍ଟିକ୍ୟୁଲେସନ୍ । ଏକାଧିକ ସ୍ତରରେ ଶିକ୍ଷଣର ଧାରଣା ମଧ୍ୟ କାଳୀୟ ପରିମାପରେ ପ୍ରୟୋଗ କରାଯାଏ, ଯେପରିକି ଏକ ଆଙ୍ଗୁଠିକୁ ଚରିତ୍ରଗତ ଗତି ଇମ୍ପଲସ ବା ଗତିଶୀଳ ସ୍ଥିତିର ଏକ ସେଟ୍ ଭାବରେ ବିବେଚନା କରାଯାଏ । ପ୍ରତ୍ୟେକ ମୋଡାଲିଟି ପ୍ରଥମେ ସ୍ବତନ୍ତ୍ର ଭାବେ ସ୍ବଳ୍ପ ସମୟ-ସ୍ଥାନିକ ବ୍ଲକଗୁଡିକରେ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ, ଯେଉଁଠାରେ ବର୍ଣ୍ଣନାତ୍ମକ ତଥ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ହସ୍ତକୃତ ଭାବରେ ବାହାର କରାଯାଇଥାଏ କିମ୍ବା ଶିଖିଯାଇଥାଏ । ଶେଷରେ, ଆମେ ଏକ ରିକର୍ଭାଣ୍ଟ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ବଡ଼ ଆକାରର କାଳୀନ ନିର୍ଭରଶୀଳତା, ତଥ୍ୟ ମିଶ୍ରଣ ଏବଂ ଶେଷରେ ଆଚରଣ ବର୍ଗୀକରଣ ପାଇଁ ବ୍ୟବହାର କରୁ । 2013ର ଚ୍ୟାଲେଞ୍ଜ ଅନ ମଲ୍ଟିମୋଡାଲ ଜିଷ୍ଟର ରେକଗନିସନ ଡାଟାସେଟରେ ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ, ଏକାଧିକ ଆକାରରେ ବହୁ ପ୍ରକାର ବ୍ୟବହାର ଦ୍ୱାରା କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି ପାଇଥାଏ । |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | ଆମେ ଏକ ଅଣ-ଅନୁଧ୍ୟାନିତ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା ଛୋଟ ପରିବର୍ତ୍ତନ ଏବଂ ବିକୃତି ପ୍ରତି ଅସ୍ଥିର ଥିବା ବିରଳ ବୈଶିଷ୍ଟ୍ୟ ଡିଟେକ୍ଟରଗୁଡ଼ିକର ଏକ ଶ୍ରେଣୀଗତ ବ୍ୟବସ୍ଥାକୁ ଶିକ୍ଷା କରାଯାଇପାରିବ । ଫଳସ୍ୱରୂପ ବିଶେଷତା ଏକ୍ସଟ୍ରାକ୍ଟରରେ ଏକାଧିକ କଭୋଲ୍ୟୁସନ ଫିଲ୍ଟର ରହିଥାଏ, ଏହା ପରେ ଏକ ବିଶେଷତା ପୁଲିଂ ସ୍ତର ଥାଏ ଯାହା ଆଡଜଷ୍ଟେଡ ୱିଣ୍ଡୋ ମଧ୍ୟରେ ପ୍ରତ୍ୟେକ ଫିଲ୍ଟର ଆଉଟପୁଟର ସର୍ବାଧିକ ଗଣନା କରିଥାଏ, ଏବଂ ଏକ ବିନ୍ଦୁ-ବିଶେଷ ସିଗମୋଏଡ ଅଣ-ଲିନେଟର ଅଟେ । ପ୍ରଥମ ସ୍ତରର ବିଶେଷତ୍ୱର ପ୍ୟାଚ ଉପରେ ସମାନ ଆଲଗୋରିଦମକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇ ଏକ ବୃହତ ଏବଂ ଅଧିକ ଅକ୍ଷୁର୍ଣ୍ଣ ବିଶେଷତ୍ୱର ଦ୍ୱିତୀୟ ସ୍ତର ପ୍ରାପ୍ତ କରାଯାଇଥାଏ । ଏହି ବିଶେଷତ୍ୱ ଉପରେ ଏକ ତଦାରଖିତ ଶ୍ରେଣୀକରଣକାରୀଙ୍କୁ ତାଲିମ ଦେବା ଦ୍ୱାରା MNISTରେ ୦.୬୪% ତ୍ରୁଟି ଏବଂ କ୍ୟାଲଟେକ୍ ୧୦୧ରେ ୩୦ଟି ତାଲିମ ନମୁନା ସହିତ ୫୪% ହାରାହାରି ଚିହ୍ନଟ ହାର ମିଳିଥାଏ । ପରିଣାମ ସ୍ୱରୂପ ସ୍ଥାପତ୍ୟ କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ସହିତ ସମାନ ହୋଇଥିବା ବେଳେ, ସ୍ତର-ବିଜ୍ଞ ଅଣ-ନିରୀକ୍ଷିତ ତାଲିମ ପ୍ରକ୍ରିୟା ବିଶୁଦ୍ଧ ଭାବରେ ତଦାରଖ କରାଯାଇଥିବା ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାକୁ ପ୍ରଭାବିତ କରୁଥିବା ଅତ୍ୟଧିକ ପାରାମିଟରିଜେସନ୍ ସମସ୍ୟାକୁ ଦୂର କରିଥାଏ ଏବଂ ବହୁତ କମ୍ ଲେବଲ୍ ହୋଇଥିବା ତାଲିମ ନମୁନା ସହିତ ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଥାଏ । |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT ପ୍ରକ୍ରିୟା ପ୍ରଯୁକ୍ତିର ଉପଯୋଗ କରି ଦୁଇଟି ଉଚ୍ଚ ଦକ୍ଷତା ବିଶିଷ୍ଟ Ka-band ଶକ୍ତି ବର୍ଦ୍ଧକ MMIC ର ଡିଜାଇନ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ତ୍ରିସ୍ତରୀୟ ସନ୍ତୁଳିତ ବର୍ଦ୍ଧକ ପାଇଁ ମାପ କରାଯାଇଥିବା ଇନ୍-ଫିକ୍ସଚର ନିରନ୍ତର ତରଙ୍ଗ (ସିଡବ୍ଲୁ) ଫଳାଫଳ 11W ପର୍ଯ୍ୟନ୍ତ ଆଉଟପୁଟ୍ ଶକ୍ତି ଏବଂ 30GHz ରେ 30% ଶକ୍ତି ଯୋଗିତ ଦକ୍ଷତା (PAE) ଦର୍ଶାଏ । ତିନି ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ଏକକ-ଅନ୍ତ ବିଶିଷ୍ଟ ଡିଜାଇନ୍ 6 ୱାଟ୍ ରୁ ଅଧିକ ବିଦ୍ୟୁତ୍ ଶକ୍ତି ଉତ୍ପାଦନ କରିଥିଲା ଏବଂ 34% ପର୍ଯ୍ୟନ୍ତ ପିଏଇ ଉତ୍ପାଦନ କରିଥିଲା । ସନ୍ତୁଳିତ ଏବଂ ଏକ-ଅନ୍ତ ବିଶିଷ୍ଟ MMIC ପାଇଁ ମଡେଲର ଆକାର ଯଥାକ୍ରମେ 3.24 × 3.60mm2 ଏବଂ 1.74 × 3.24mm2 ଅଟେ । |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | ବାରମ୍ବାର ହେଉଥିବା ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଆରଏନଏନ) ଗୁଡିକ ବକ୍ତବ୍ୟ ଚିହ୍ନଟ ପାଇଁ ପ୍ରାକୃତିକ ଭାବରେ ଉପଯୁକ୍ତ କାରଣ ସେମାନଙ୍କର ଗତିଶୀଳ ପରିବର୍ତ୍ତନଶୀଳ କାଳୀନ ସୂଚନାକୁ ବ୍ୟବହାର କରିବାର କ୍ଷମତା ରହିଛି । ଗଭୀର ଆରଏନଏନଗୁଡ଼ିକ ବିଭିନ୍ନ ସମୟର ଗ୍ରାନ୍ୟୁଲାର୍ଟିରେ କାଳସମ୍ପର୍କ ମଡେଲିଂ କରିବାରେ ସକ୍ଷମ ବୋଲି ଯୁକ୍ତି କରାଯାଇଛି, କିନ୍ତୁ ଏହା ଲୋପ ପାଇବାରେ ସମସ୍ୟା ରହିଛି । ଏହି କାଗଜରେ, ଆମେ ଗ୍ରୀଡ୍ LSTM ବ୍ଲକ ବ୍ୟବହାର କରି ଷ୍ଟାକ୍ ହୋଇଥିବା ଲମ୍ବା ସ୍ୱଳ୍ପକାଳୀନ ସ୍ମୃତି (LSTM) RNNs କୁ ବିସ୍ତାର କରିଛୁ ଯାହା କେବଳ କାଳୀୟ ପରିମାପ ନୁହେଁ, ଗଭୀରତା ପରିମାପ ମଧ୍ୟ, ଏହି ସମସ୍ୟାକୁ ହ୍ରାସ କରିବା ପାଇଁ ଗଣନା ପ୍ରସ୍ତୁତ କରିଥାଏ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଗଭୀରତା ପରିମାପକୁ ସମୟାନୁବର୍ତ୍ତୀ ପରିମାପ ଉପରେ ପ୍ରାଥମିକତା ଦେଉଛୁ, ଗଭୀରତା ପରିମାପକୁ ଅଧିକ ଅପଡେଟ୍ ସୂଚନା ପ୍ରଦାନ କରିବା ପାଇଁ, ଯେହେତୁ ଏହାରୁ ଆଉଟପୁଟ୍ ଶ୍ରେଣୀକରଣ ପାଇଁ ବ୍ୟବହୃତ ହେବ । ଆମେ ଏହି ମଡେଲକୁ ପ୍ରାଥମିକତା ବିଶିଷ୍ଟ ଗ୍ରୀଡ ଏଲଏସଟିଏମ (ପିଜିଏଲଏସଟିଏମ) ବୋଲି କହୁଛୁ । ଚାରୋଟି ବଡ଼ ଡାଟାସେଟ (ଏଏମଆଇ, ଏଚକେୟୁଏସଟି, ଗେଲ ଏବଂ ଏମଜିବି) ଉପରେ ବ୍ୟାପକ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ପିଜିଏଲଏସଟିଏମ ବିକଳ୍ପ ଗଭୀର ଏଲଏସଟିଏମ ମଡେଲକୁ ଅତିକ୍ରମ କରି ଷ୍ଟାକ୍ ହୋଇଥିବା ଏଲଏସଟିଏମକୁ ୪%ରୁ ୭% ଆପେକ୍ଷିକ ଉନ୍ନତି ସହିତ ପରାସ୍ତ କରିଛି ଏବଂ ସମସ୍ତ ଡାଟାସେଟରେ ଏକ-ଦିଗାନ୍ତକାରୀ ମଡେଲ ମଧ୍ୟରେ ନୂତନ ମାନଦଣ୍ଡ ହାସଲ କରିଛି । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.