Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_bn

_id stringlengths 40 40	text stringlengths 0 9.47k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	শ্রেণীবিন্যাসমূলক পিটম্যান-ইয়র প্রসেস প্রিওরগুলি ভাষা মডেল শেখার জন্য বাধ্যতামূলক পদ্ধতি, পয়েন্ট-এস্টিমেট ভিত্তিক পদ্ধতিগুলিকে ছাড়িয়ে যায়। তবে, এই মডেলগুলি কম্পিউটেশনাল এবং পরিসংখ্যানগত অনুমান সংক্রান্ত সমস্যাগুলির কারণে জনপ্রিয় নয়, যেমন মেমরি এবং সময় ব্যবহারের পাশাপাশি নমুনাকারীর দুর্বল মিশ্রণ। এই কাজের মধ্যে আমরা একটি নতুন কাঠামো প্রস্তাব করি যা কম্প্রেসড suffix গাছ ব্যবহার করে কমপ্যাক্টভাবে HPYP মডেলকে প্রতিনিধিত্ব করে। তারপর, আমরা এই ফ্রেমওয়ার্কে একটি কার্যকর আনুমানিক অনুমান স্কিম বিকাশ করি যার সম্পূর্ণ এইচপিওয়াইপি এর তুলনায় অনেক কম মেমরি ফুটপ্রিন্ট রয়েছে এবং অনুমান সময় দ্রুত। পরীক্ষামূলক ফলাফলগুলি দেখায় যে আমাদের মডেলটি পূর্ববর্তী এইচপিওয়াইপি মডেলের তুলনায় উল্লেখযোগ্যভাবে বড় ডেটাসেটগুলিতে নির্মিত হতে পারে, যখন প্রশিক্ষণ এবং অনুমানের জন্য দ্রুত, দ্রুত গতির কয়েকটি আদেশের সাথে, এবং অত্যাধুনিক সংশোধিত কনেসার-নি গণনা ভিত্তিক এলএম মসৃণকরণের বিভ্রান্তিকে 15% পর্যন্ত ছাড়িয়ে যায়।
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	এই কাগজটি ঘটনা এবং শব্দার্থিক ভূমিকা একটি নতুন ভাষা সম্পদ যে বাস্তব বিশ্বের পরিস্থিতির বৈশিষ্ট্য বর্ণনা করে বর্ণনা করে। বর্ণনামূলক স্কিমগুলিতে সম্পর্কিত ইভেন্টগুলির সেট (সম্পাদনা এবং প্রকাশ), ইভেন্টগুলির একটি সময়সূচী (প্রকাশের আগে সম্পাদনা), এবং অংশগ্রহণকারীদের শব্দার্থিক ভূমিকা (লেখক বই প্রকাশ করে) রয়েছে। এই ধরনের বিশ্ব জ্ঞান প্রাকৃতিক ভাষা বোঝার প্রাথমিক গবেষণার কেন্দ্রবিন্দু ছিল। স্ক্রিপ্টগুলি মূল আনুষ্ঠানিকতাগুলির মধ্যে একটি ছিল, যা বিশ্বের ঘটনার সাধারণ ক্রমকে উপস্থাপন করে। দুর্ভাগ্যবশত, এই জ্ঞান অধিকাংশই হাত-কোড এবং সময় গ্রাসকারী তৈরি করা হয়। বর্তমান মেশিন লার্নিং কৌশল, পাশাপাশি কোরেফারেন্স চেইনের মাধ্যমে শেখার একটি নতুন পদ্ধতি আমাদেরকে স্বয়ংক্রিয়ভাবে সমৃদ্ধ ইভেন্ট স্ট্রাকচারটি উন্মুক্ত ডোমেইন টেক্সট থেকে বর্ণনামূলক স্কিম আকারে বের করতে দিয়েছে। এই কাগজে বর্ণিত বর্ণনামূলক স্কিমা রিসোর্সটিতে প্রায় 5000 টি অনন্য ইভেন্ট রয়েছে যা বিভিন্ন আকারের স্কিমগুলিতে একত্রিত হয়েছে। আমরা সম্পদ বর্ণনা করি, কিভাবে এটি শিখেছি, এবং এই স্কিমগুলির কভারেজের একটি নতুন মূল্যায়ন যা অদেখা নথিগুলির উপর।
8e508720cdb495b7821bf6e43c740eeb5f3a444a	বক্তৃতা, রোবোটিক্স, অর্থনীতি এবং জীববিজ্ঞানের অনেক অ্যাপ্লিকেশন ধারাবাহিক তথ্য নিয়ে কাজ করে, যেখানে অর্ডারিং বিষয় এবং পুনরাবৃত্ত কাঠামো সাধারণ। তবে, এই কাঠামোটি সহজেই স্ট্যান্ডার্ড কার্নেল ফাংশন দ্বারা ক্যাপচার করা যায় না। এই ধরনের কাঠামোর মডেলিং করার জন্য, আমরা গাউসিয়ান প্রক্রিয়াগুলির জন্য এক্সপ্রেশনাল ক্লোজ-ফর্ম কার্নেল ফাংশনগুলি প্রস্তাব করি। ফলাফলের মডেল, জিপি-এলএসটিএম, সম্পূর্ণরূপে দীর্ঘ স্বল্পমেয়াদী মেমরি (এলএসটিএম) পুনরাবৃত্ত নেটওয়ার্কগুলির আনয়নমূলক পক্ষপাতকে ক্যাপসুল করে, যখন গাউসিয়ান প্রক্রিয়াগুলির অ-প্যারামিটারিক সম্ভাব্যতা সুবিধা বজায় রাখে। আমরা প্রস্তাবিত কার্নেলগুলির বৈশিষ্ট্যগুলি শিখতে পারি গাউসিয়ান প্রক্রিয়া প্রান্তিক সম্ভাব্যতাকে একটি নতুন প্রমাণিতভাবে সংযুক্ত আধা-স্টোক্যাস্টিক গ্রেডিয়েন্ট পদ্ধতি ব্যবহার করে এবং স্কেলযোগ্য প্রশিক্ষণ এবং পূর্বাভাসের জন্য এই কার্নেলগুলির কাঠামোটি কাজে লাগাতে। এই পদ্ধতির মাধ্যমে বেয়েসিয়ান এলএসটিএম-এর একটি ব্যবহারিক উপস্থাপনা করা যায়। আমরা বেশ কয়েকটি মানদণ্ডের উপর অত্যাধুনিক পারফরম্যান্স প্রদর্শন করি এবং স্বয়ংক্রিয় ড্রাইভিং অ্যাপ্লিকেশনটির বিষয়ে গভীরভাবে তদন্ত করি, যেখানে জিপি-এলএসটিএম দ্বারা সরবরাহিত ভবিষ্যদ্বাণীমূলক অনিশ্চয়তা অনন্যভাবে মূল্যবান।
033b62167e7358c429738092109311af696e9137	এই কাগজটি একটি সাধারণ অনিয়ন্ত্রিত শেখার অ্যালগরিদম উপস্থাপন করে যা পর্যালোচনাগুলিকে সুপারিশ করা (থাম্বস আপ) বা সুপারিশ করা হয়নি (থাম্বস ডাউন) হিসাবে শ্রেণিবদ্ধ করে। একটি পর্যালোচনার শ্রেণীবিভাগের পূর্বাভাস দেওয়া হয় পর্যালোচনাতে থাকা বাক্যাংশগুলির গড় অর্থগত দিকনির্দেশের দ্বারা যা বিশেষণ বা বিশেষণ ধারণ করে। একটি বাক্যাংশের ইতিবাচক অর্থসূচক দিকনির্দেশ থাকে যখন এটিতে ভাল সমিতি থাকে (যেমন, সূক্ষ্ম সূক্ষ্মতা) এবং নেতিবাচক অর্থসূচক দিকনির্দেশ থাকে যখন এটিতে খারাপ সমিতি থাকে (যেমন, খুব ক্যাভালিয়ার) । এই গবেষণায়, একটি বাক্যাংশের অর্থগত দিকনির্দেশনা গণনা করা হয় প্রদত্ত বাক্যাংশ এবং শব্দ চমৎকার এর মধ্যে পারস্পরিক তথ্য বিয়োগ প্রদত্ত বাক্যাংশ এবং শব্দ দরিদ্র এর মধ্যে পারস্পরিক তথ্য হিসাবে। একটি পর্যালোচনাকে সুপারিশকৃত হিসাবে শ্রেণীবদ্ধ করা হয় যদি এর বাক্যাংশগুলির গড় অর্থগত দিকনির্দেশনা ইতিবাচক হয়। এ্যালগরিদমটি ৪টি ভিন্ন ডোমেইন (অটোমোবাইল, ব্যাংক, সিনেমা এবং ভ্রমণ গন্তব্যের পর্যালোচনা) থেকে নমুনা নেওয়া ইপিনিয়নের ৪১০টি পর্যালোচনা মূল্যায়ন করার সময় ৭৪% এর গড় নির্ভুলতা অর্জন করে। অটোমোবাইল পর্যালোচনার ক্ষেত্রে ৮৪% থেকে সিনেমা পর্যালোচনার ক্ষেত্রে ৬৬% পর্যন্ত নির্ভুলতা রয়েছে।
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	ইলেক্ট্রোম্যাগ্রেশন (ইএম) ইন্টিগ্রেটেড সার্কিট (আইসি) ডিজাইনের আন্তঃসংযোগ নির্ভরযোগ্যতার জন্য এগিয়ে যাওয়ার মূল উদ্বেগের একটি। যদিও অ্যানালগ ডিজাইনাররা কিছু সময়ের জন্য ইএম সমস্যার বিষয়ে সচেতন, ডিজিটাল সার্কিটগুলিও এখন প্রভাবিত হচ্ছে। এই বক্তৃতাটি ইন্টারকানেক্টের শারীরিক নকশার সময় বৈদ্যুতিক অভিযোজন এবং তাদের প্রভাবের উপর মৌলিক নকশা সংক্রান্ত বিষয়গুলিকে সম্বোধন করে। সংযুক্তিকরণের বর্তমান ঘনত্বের সীমা বাড়ানোর উদ্দেশ্য হল ইলেক্ট্রোম্যাগ্রেশন-প্রতিরোধী ব্যবস্থা গ্রহণ করা, যেমন সংক্ষিপ্ত দৈর্ঘ্য এবং জলাধার প্রভাব। নকশা পর্যায়ে এই প্রভাবগুলির ব্যবহার ভবিষ্যতে আইসি ডিজাইন প্রবাহে ইএম উদ্বেগের আংশিক ত্রাণ সরবরাহ করতে পারে।
45e2e2a327ea696411b212492b053fd328963cc3	মোবাইল অ্যাপ্লিকেশনগুলি জনস্বাস্থ্যের ক্ষেত্রে একটি জীবনযাত্রার হস্তক্ষেপ হিসাবে সুস্বাস্থ্যের প্রচার এবং দীর্ঘস্থায়ী রোগগুলিকে প্রশমিত করার জন্য প্রতিশ্রুতিবদ্ধ, তবে দীর্ঘস্থায়ী রোগে আক্রান্ত ব্যক্তিরা কীভাবে মোবাইল অ্যাপ্লিকেশন ব্যবহার বা উপলব্ধি করে সে সম্পর্কে খুব কমই জানা যায়। এই গবেষণার উদ্দেশ্য ছিল দীর্ঘস্থায়ী রোগে আক্রান্ত ব্যক্তিদের মধ্যে মোবাইল ফোন-ভিত্তিক স্বাস্থ্য সম্পর্কিত অ্যাপ্লিকেশন সম্পর্কে আচরণ এবং উপলব্ধিগুলি অনুসন্ধান করা। পদ্ধতি মার্কিন যুক্তরাষ্ট্রে ১,৬০৪ জন মোবাইল ফোন ব্যবহারকারীর একটি জাতীয় ক্রস-সেকশনাল জরিপ থেকে তথ্য সংগ্রহ করা হয়েছে যা এমএইচটি ব্যবহার, বিশ্বাস এবং পছন্দগুলি মূল্যায়ন করে। এই গবেষণায় স্বাস্থ্য অ্যাপ ব্যবহার, ডাউনলোডের কারণ এবং দীর্ঘস্থায়ী অবস্থার দ্বারা উপলব্ধি করা কার্যকারিতা পরীক্ষা করা হয়েছে। ফলাফল অংশগ্রহণকারীদের মধ্যে, ১ থেকে ৫ টি অ্যাপের মধ্যে থাকার কথা শর্ত ছাড়াই ৩৮.৯% (৩১৪/৮০৭) এবং উচ্চ রক্তচাপের সাথে উত্তরদাতাদের মধ্যে ৬.৬% (২৪/৩৬৪) দ্বারা রিপোর্ট করা হয়েছিল। স্বাস্থ্য অ্যাপ্লিকেশনগুলির ব্যবহার প্রতি দিনে ২ বার বা তার বেশি 21.3% (172/807) দ্বারা একটি শর্ত ছাড়াই উত্তরদাতাদের দ্বারা রিপোর্ট করা হয়েছিল, উচ্চ রক্তচাপের সাথে 2.7% (10/364), স্থূলতার সাথে 13.1% (26/198), ডায়াবেটিসের সাথে 12.3% (20/163), হতাশার সাথে 12.0% (32/267) এবং উচ্চ কোলেস্টেরলের সাথে 16.6% (53/319) । লজিস্টিক রিগ্রেশনের ফলাফলগুলি দীর্ঘস্থায়ী রোগের সাথে এবং ছাড়া ব্যক্তিদের মধ্যে স্বাস্থ্য অ্যাপ ডাউনলোডের ক্ষেত্রে কোনও উল্লেখযোগ্য পার্থক্যের ইঙ্গিত দেয়নি (পি> .05) । স্বাস্থ্যের দিক থেকে দুর্বল ব্যক্তিদের তুলনায়, যারা স্ব-প্রতিবেদিত খুব ভাল স্বাস্থ্যের (অডস রেসিও [OR] 3.80, 95% আইসি 2.38-6.09, পি <.001) এবং দুর্দান্ত স্বাস্থ্যের (OR 4.77, 95% আইসি 2.70-8.42, পি <.001) সাথে তাদের মধ্যে স্বাস্থ্য অ্যাপ ডাউনলোডের সম্ভাবনা বেশি ছিল। একইভাবে, যারা কখনোই বা খুব কমই শারীরিক ক্রিয়াকলাপে জড়িত বলে রিপোর্ট করেন তাদের তুলনায়, যারা সপ্তাহে ১ দিন (OR 2. 47 , 95% CI 1. 6- 3. 83, P<. 001) ব্যায়াম করেন, সপ্তাহে ২ দিন (OR 4. 77, 95% CI 3. 27- 6. 94, P<. 001), সপ্তাহে ৩ থেকে ৪ দিন (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001), এবং সপ্তাহে ৫ থেকে ৭ দিন (OR 4. 64, 95% CI 3. 11- 6. 92, P<. 001) ব্যায়াম করেন তাদের মধ্যে স্বাস্থ্য অ্যাপ ডাউনলোডের সম্ভাবনা বেশি ছিল। বয়স, লিঙ্গ, জাতি বা জাতিগততার জন্য নিয়ন্ত্রিত সমস্ত লজিস্টিক রিগ্রেশন ফলাফল। এই গবেষণার ফলাফল থেকে জানা যায় যে, স্ব-রিপোর্ট করা দুর্বল স্বাস্থ্য এবং কম শারীরিক ক্রিয়াকলাপের হারযুক্ত ব্যক্তিরা, যারা স্বাস্থ্য অ্যাপ্লিকেশন থেকে সবচেয়ে বেশি উপকৃত হতে পারে, তাদের এই স্বাস্থ্য সরঞ্জামগুলি ডাউনলোড এবং ব্যবহারের প্রতিবেদন করার সম্ভাবনা কম।
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	গড়-ভেরিয়েন্স পোর্টফোলিও বিশ্লেষণ লাভ এবং ঝুঁকি মধ্যে বাণিজ্য অফ প্রথম পরিমাণগত চিকিত্সা প্রদান। আমরা বিস্তারিতভাবে বর্ণনা করি উদ্দেশ্য এবং সীমাবদ্ধতার মধ্যে পারস্পরিক সম্পর্ক, সেমিভেরিয়েন্স মডেল সহ একক-সময় বৈকল্পিকের একটি সংখ্যায়। অতিরিক্ত পারফরম্যান্সের জন্য শাস্তি এড়াতে বিশেষ জোর দেওয়া হয়। ফলাফলগুলি তারপর দৃশ্যপট গাছের উপর ভিত্তি করে মাল্টি-পিরিয়ড মডেলগুলির উন্নয়ন এবং তাত্ত্বিক বিশ্লেষণের জন্য বিল্ডিং ব্লক হিসাবে ব্যবহৃত হয়। একটি মূল বৈশিষ্ট্য হল ভবিষ্যতে সিদ্ধান্ত নেওয়ার সময় অতিরিক্ত অর্থ অপসারণের সম্ভাবনা, যার ফলে নিম্নমুখী ঝুঁকি হ্রাসের সম্ভাবনা থাকে।
0e1431fa42d76c44911b07078610d4b9254bd4ce	প্রধান উপাদান বিশ্লেষণের একটি অ-রৈখিক ফর্ম সম্পাদনের জন্য একটি নতুন পদ্ধতি প্রস্তাব করা হয়। ইন্টিগ্রাল অপারেটর কার্নেল ফাংশন ব্যবহার করে, কেউ উচ্চ মাত্রিক বৈশিষ্ট্য স্পেসে প্রধান উপাদানগুলি দক্ষতার সাথে গণনা করতে পারে, যা কিছু অ-রৈখিক মানচিত্র দ্বারা ইনপুট স্পেসের সাথে সম্পর্কিত, উদাহরণস্বরূপ, 16 16 চিত্রের সমস্ত সম্ভাব্য পাঁচ-পিক্সেল পণ্যগুলির স্থান। আমরা পদ্ধতির সূত্রপাত প্রদান করি এবং পটভূমি স্বীকৃতির জন্য বহুপদী বৈশিষ্ট্য নিষ্কাশন উপর পরীক্ষামূলক ফলাফল উপস্থাপন করি।
292eee24017356768f1f50b72701ea636dba7982	আমরা একটি পদ্ধতি উপস্থাপন করছি যা স্বয়ংক্রিয়ভাবে বস্তুর অবস্থান নির্ধারণ এবং স্বীকৃতি প্রদান করে। এই পদ্ধতিটি ইমপ্লিসিট শেপ মডেল (আইএসএম) ফ্রেমওয়ার্কের উপর ভিত্তি করে তৈরি, যা কেন্দ্রীয় অবস্থানের জন্য ভোট দিয়ে বস্তুগুলিকে স্বীকৃতি দেয়। এটির জন্য প্রতি ক্লাসে মাত্র কয়েকটি প্রশিক্ষণের উদাহরণ প্রয়োজন, যা ব্যবহারিক ব্যবহারের জন্য একটি গুরুত্বপূর্ণ বৈশিষ্ট্য। আমরা স্পিন ইমেজ ডেস্ক্রিপ্টরের একটি উন্নত সংস্করণও উপস্থাপন এবং মূল্যায়ন করি, যা স্বাভাবিক দিকের অনুমানগুলিতে বিন্দু ঘনত্বের বৈচিত্র্য এবং অনিশ্চয়তার জন্য আরও শক্তিশালী। আমাদের পরীক্ষাগুলোতে দেখা গেছে যে এই পরিবর্তনগুলো স্বীকৃতির উপর উল্লেখযোগ্য প্রভাব ফেলে। আমরা আমাদের ফলাফলের সাথে অত্যাধুনিক পদ্ধতির তুলনা করি এবং ওহিওর ডেটাসেটে যথার্থতা এবং পুনরুদ্ধার উভয় ক্ষেত্রেই উল্লেখযোগ্য উন্নতি পাই, যার মধ্যে রয়েছে মোট ১৫০,০০০ মিটার শহুরে এলাকার সমন্বিত বায়ু এবং স্থলীয় লিডার স্ক্যান।
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	যোগাযোগ ও নিয়ন্ত্রণের ক্ষেত্রে তাত্ত্বিক ও ব্যবহারিক সমস্যার একটি গুরুত্বপূর্ণ শ্রেণী হল পরিসংখ্যানগত প্রকৃতির। এই ধরনের সমস্যা হল: (i) এলোমেলো সংকেতের পূর্বাভাস; (ii) এলোমেলো সংকেতকে এলোমেলো শব্দ থেকে আলাদা করা; (iii) এলোমেলো শব্দ উপস্থিত হলে পরিচিত ফর্মের সংকেত (পলস, সাইনসয়েডস) সনাক্ত করা। তার অগ্রণী কাজ, উইনার [1]3 দেখিয়েছিলেন যে সমস্যা (i) এবং (ii) তথাকথিত উইনার-হোপ্ফ সমষ্টি সমীকরণে নিয়ে যায়; তিনি স্থির পরিসংখ্যান এবং যুক্তিসঙ্গত বর্ণালীগুলির ব্যবহারিকভাবে গুরুত্বপূর্ণ বিশেষ ক্ষেত্রে এই সমীকরণের সমাধানের জন্য একটি পদ্ধতি (বর্ণকীয় ফ্যাক্টরাইজেশন) দিয়েছেন। অনেক সম্প্রসারণ এবং সাধারণীকরণ উইনারের মৌলিক কাজ অনুসরণ করে। জাদেহ এবং রাগাজিনি সীমিত-স্মৃতির মামলাটি সমাধান করেছেন। [2] একই সময়ে এবং স্বাধীনভাবে বোড এবং শ্যানন [3] থেকে, তারা সমাধানের একটি সরলীকৃত পদ্ধতি [২] প্রদান করে। বুটান অস্থির উইনার-হোপফ সমীকরণ নিয়ে আলোচনা করেছেন। এই ফলাফল এখন স্ট্যান্ডার্ড টেক্সট [5-6] হয়। এই মূল লাইনগুলির উপর ভিত্তি করে একটি ভিন্ন পদ্ধতি সম্প্রতি ডার্লিংটন [7] দ্বারা দেওয়া হয়েছে। নমুনা সংকেতগুলির জন্য এক্সটেনশনের জন্য, উদাহরণস্বরূপ, ফ্রাঙ্কলিন [8], লিস [9] দেখুন। উইনারহোপফ সমীকরণের স্বতন্ত্র ফাংশনগুলির উপর ভিত্তি করে আরেকটি পদ্ধতি (যা অস্থায়ী সমস্যার ক্ষেত্রেও প্রযোজ্য, যখন পূর্ববর্তী পদ্ধতিগুলি সাধারণত না), ডেভিস [10] দ্বারা অগ্রণী হয়ে এবং অন্যান্য অনেকের দ্বারা প্রয়োগ করা হয়েছে, যেমন, শিনব্রট [11], ব্লুম [12], পুগাচেভ [13], সোলডোভনিকভ [14]। এই সমস্ত কাজের লক্ষ্য হল একটি লিনিয়ার ডায়নামিক সিস্টেমের (ওয়াইনার ফিল্টার) স্পেসিফিকেশন অর্জন করা যা একটি এলোমেলো সংকেতের পূর্বাভাস, বিচ্ছেদ বা সনাক্তকরণ সম্পন্ন করে। 2 7212 Bellona Ave. 3 বন্ধনী মধ্যে সংখ্যা কাগজ শেষে রেফারেন্স নির্দেশ করে। 4 অবশ্যই, সাধারণভাবে এই কাজগুলো অ-রৈখিক ফিল্টার দ্বারা আরও ভালভাবে করা যেতে পারে। বর্তমানে, এই অ-রেখিক ফিল্টারগুলি কীভাবে পাওয়া যায় (তত্ত্বগত এবং ব্যবহারিক উভয় ক্ষেত্রেই) সম্পর্কে খুব কম বা কিছুই জানা যায় না। যন্ত্রপাতি ও নিয়ন্ত্রক বিভাগ দ্বারা অবদান এবং যন্ত্রপাতি এবং নিয়ন্ত্রক সম্মেলন, মার্চ 29-এপ্রিল 12, 1959 উপস্থাপন, মেকানিকাল ইঞ্জিনিয়ারদের আমেরিকান সোসাইটি। দ্রষ্টব্য: প্রবন্ধে প্রকাশিত বক্তব্য ও মতামতগুলো তাদের লেখকদের ব্যক্তিগত মতামত হিসেবে বোঝা উচিত এবং সোসাইটির নয়। ১৯৫৯ সালের ২৪ ফেব্রুয়ারি এএসএমই সদর দফতরে প্রাপ্ত পাণ্ডুলিপি। কাগজ নং. ৫৯-আইআরডি-১১। রৈখিক ফিল্টারিং এবং ভবিষ্যদ্বাণী সমস্যাগুলির একটি নতুন পদ্ধতি
e50a316f97c9a405aa000d883a633bd5707f1a34	গত ২০ বছরে যে পরীক্ষামূলক প্রমাণ সংগ্রহ করা হয়েছে তা থেকে জানা যায় যে, সঠিকভাবে ওজনযুক্ত একক পদের বরাদ্দের উপর ভিত্তি করে টেক্সট ইনডেক্সিং সিস্টেমগুলি এমন ফলাফল প্রদান করে যা অন্যান্য আরো বিশদ পাঠ্য উপস্থাপনার সাথে প্রাপ্ত ফলাফলের চেয়ে উন্নত। এই ফলাফলগুলি কার্যকর মেয়াদ-ভারেজ পদ্ধতির নির্বাচনের উপর নির্ভর করে। এই নিবন্ধে স্বয়ংক্রিয় শব্দ ওজন থেকে প্রাপ্ত অন্তর্দৃষ্টি সংক্ষিপ্ত করা হয়েছে, এবং বেসলাইন একক-শব্দ-ইনডেক্সিং মডেল সরবরাহ করে যার সাথে অন্যান্য আরও বিশদ বিষয়বস্তু বিশ্লেষণ পদ্ধতি তুলনা করা যেতে পারে। ১। স্বয়ংক্রিয় পাঠ্য বিশ্লেষণ ১৯৫০ এর দশকের শেষের দিকে, লুহান প্রথম প্রস্তাব করেছিলেন যে স্বয়ংক্রিয় পাঠ্য পুনরুদ্ধার সিস্টেমগুলি সংরক্ষিত পাঠ্য এবং ব্যবহারকারীদের তথ্য অনুসন্ধানের সাথে যুক্ত সামগ্রীর সনাক্তকারীগুলির তুলনার ভিত্তিতে ডিজাইন করা যেতে পারে। সাধারণত, ডকুমেন্ট এবং কোয়েরিগুলির পাঠ্য থেকে বের করা কিছু শব্দ বিষয়বস্তু সনাক্তকরণের জন্য ব্যবহৃত হবে; বিকল্পভাবে, প্রশিক্ষিত সূচকগুলি বিবেচনা করা বিষয়বস্তু এবং ডকুমেন্ট সংগ্রহের বিষয়বস্তুগুলির সাথে পরিচিত প্রশিক্ষিত সূচকগুলি দ্বারা সামগ্রী উপস্থাপনাগুলি ম্যানুয়ালি নির্বাচন করা যেতে পারে। উভয় ক্ষেত্রেই, নথিগুলিকে D= (ti,tj,...ytp) (1) ফর্মের টার্ম ভেক্টর দ্বারা প্রতিনিধিত্ব করা হবে যেখানে প্রতিটি tk কিছু নমুনা নথির সাথে নির্ধারিত একটি সামগ্রী শব্দকে চিহ্নিত করে। অনুরূপভাবে, তথ্য অনুরোধ বা অনুসন্ধানগুলি ভেক্টর আকারে বা বুলিয়ান বিবৃতির আকারে প্রতিনিধিত্ব করা হবে। সুতরাং, একটি সাধারণ প্রশ্ন Q Q = (qa,qbr. . . (৪১) (২)
6ac15e819701cd0d077d8157711c4c402106722c	এই প্রযুক্তিগত প্রতিবেদনে ডারপা আরবান চ্যালেঞ্জের জন্য টিম এমআইটির পদ্ধতির বর্ণনা দেওয়া হয়েছে। আমরা একটি নতুন কৌশল উদ্ভাবন করেছি অনেক সস্তা সেন্সর ব্যবহার করার জন্য, যা গাড়ির পেরিফেরিয়ায় মাউন্ট করা হয় এবং একটি নতুন ক্রস-মোডাল ক্যালিব্রেশন টেকনিকের সাথে ক্যালিব্রেশন করা হয়। লিডার, ক্যামেরা এবং রাডার ডেটা স্ট্রিমগুলি একটি উদ্ভাবনী, স্থানীয়ভাবে মসৃণ রাষ্ট্রের উপস্থাপনা ব্যবহার করে প্রক্রিয়া করা হয় যা রিয়েল টাইম স্বায়ত্তশাসিত নিয়ন্ত্রণের জন্য শক্তিশালী উপলব্ধি সরবরাহ করে। ট্রাফিকের মধ্যে গাড়ি চালানোর জন্য একটি স্থিতিশীল পরিকল্পনা এবং নিয়ন্ত্রণ স্থাপত্য তৈরি করা হয়েছে, যা মিশন পরিকল্পনা, পরিস্থিতি পরিকল্পনা, পরিস্থিতি ব্যাখ্যা এবং ট্র্যাজেক্টরি নিয়ন্ত্রণের জন্য ভাল প্রমাণিত অ্যালগরিদমগুলির একটি উদ্ভাবনী সমন্বয় নিয়ে গঠিত। এই উদ্ভাবনগুলি দুটি নতুন রোবোটিক গাড়িতে অন্তর্ভুক্ত করা হচ্ছে যা শহুরে পরিবেশে স্বয়ংক্রিয়ভাবে গাড়ি চালানোর জন্য সজ্জিত, একটি ডিআরপিএ সাইট ভিজিট কোর্সে ব্যাপক পরীক্ষার মাধ্যমে। পরীক্ষামূলক ফলাফলগুলি সমস্ত মৌলিক নেভিগেশন এবং কিছু মৌলিক ট্র্যাফিক আচরণ প্রদর্শন করে, যার মধ্যে রয়েছে নিখরচায় স্বয়ংক্রিয় ড্রাইভিং, খাঁটি-অনুসরণ নিয়ন্ত্রণ এবং আমাদের স্থানীয় ফ্রেম উপলব্ধি কৌশল ব্যবহার করে লেন অনুসরণ করা, কিনো-ডাইনামিক আরটিটি পথ পরিকল্পনা ব্যবহার করে বাধা এড়ানো, আমাদের পরিস্থিতিগত দোভাষী ব্যবহার করে ক্রসগুলিতে অন্যান্য গাড়ির মধ্যে অগ্রাধিকার মূল্যায়ন এবং U-turns। আমরা এই পদ্ধতিগুলিকে উন্নত নেভিগেশন এবং ট্রাফিকের ক্ষেত্রে প্রসারিত করার জন্য কাজ করছি। এই প্রযুক্তিগত প্রতিবেদনে ডিএআরপিএ আরবান চ্যালেঞ্জের প্রতি টিম এমআইটির দৃষ্টিভঙ্গি বর্ণনা করা হয়েছে। আমরা একটি নতুন কৌশল তৈরি করেছি অনেক সস্তা সেন্সর ব্যবহার করার জন্য, যা গাড়ির পেরিফেরিয়ায় লাগানো হয়, এবং একটি নতুন ক্রস-মোডাল ক্যালিব্রেশন টেকনিকের সাথে ক্যালিব্রেশন করা হয়। লিডার, ক্যামেরা এবং রাডার ডেটা স্ট্রিমগুলি একটি উদ্ভাবনী, স্থানীয়ভাবে মসৃণ রাষ্ট্রের উপস্থাপনা ব্যবহার করে প্রক্রিয়া করা হয় যা রিয়েল-টাইম স্বায়ত্তশাসিত নিয়ন্ত্রণের জন্য শক্তিশালী উপলব্ধি সরবরাহ করে। ট্রাফিকের মধ্যে গাড়ি চালানোর জন্য একটি স্থিতিশীল পরিকল্পনা এবং নিয়ন্ত্রণ স্থাপত্য তৈরি করা হয়েছে, যা মিশন পরিকল্পনা, পরিস্থিতি পরিকল্পনা, পরিস্থিতি ব্যাখ্যা এবং ট্র্যাজেক্টরি নিয়ন্ত্রণের জন্য ভাল প্রমাণিত অ্যালগরিদমের একটি উদ্ভাবনী সমন্বয় নিয়ে গঠিত। এই উদ্ভাবনগুলি দুটি নতুন রোবোটিক গাড়িতে অন্তর্ভুক্ত করা হচ্ছে যা শহুরে পরিবেশে স্বয়ংক্রিয়ভাবে গাড়ি চালানোর জন্য সজ্জিত, একটি ডিআরপিএ সাইট ভিজিট কোর্সে ব্যাপক পরীক্ষার মাধ্যমে। পরীক্ষামূলক ফলাফলগুলি সমস্ত মৌলিক নেভিগেশন এবং কিছু মৌলিক ট্র্যাফিক আচরণ প্রদর্শন করে, যার মধ্যে রয়েছে নিখুঁত স্বায়ত্তশাসিত ড্রাইভিং, খাঁটি-অনুসরণ নিয়ন্ত্রণ এবং আমাদের স্থানীয় ফ্রেম উপলব্ধি কৌশল ব্যবহার করে লেন অনুসরণ করা, কি-ডায়নামিক আরটিটি পথ পরিকল্পনা ব্যবহার করে বাধা এড়ানো, ইউ-টার্নস এবং আমাদের পরিস্থিতিগত দোভাষী ব্যবহার করে ছেদগুলিতে অন্যান্য গাড়ির মধ্যে অগ্রাধিকার মূল্যায়ন। আমরা এই পদ্ধতিগুলিকে উন্নত নেভিগেশন এবং ট্রাফিকের ক্ষেত্রে প্রসারিত করার জন্য কাজ করছি। অস্বীকৃতিঃ এই কাগজে থাকা তথ্যগুলি প্রতিরক্ষা উন্নত গবেষণা প্রকল্প সংস্থা (DARPA) বা প্রতিরক্ষা বিভাগের সরকারী নীতিগুলিকে প্রতিনিধিত্ব করে না, প্রকাশিত বা অন্তর্নিহিত। DARPA এই কাগজে তথ্য সঠিকতা বা নির্ভরযোগ্যতা গ্যারান্টি দেয় না. অতিরিক্ত সমর্থন ...
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	আমরা স্থির দৈর্ঘ্যের, স্পুফ সারফেস প্লাজমোন পোলারিটন ভিত্তিক ওয়েভগাইডের বিশ্লেষণ এবং নকশা উপস্থাপন করছি যা টেরাহার্জ ফ্রিকোয়েন্সিতে নিয়মিত বিলম্বের সাথে রয়েছে। ওয়েভগাইডের মোট দৈর্ঘ্য পরিবর্তন না করে তার ওয়েভগ্রেডিং গভীরতা পরিবর্তন করে রেগুলেটেড প্ল্যানার গাউবাউ লাইন (সিপিজিএল) ব্যবহার করে নিয়মিত বিলম্ব পাওয়া যায়। আমাদের সিমুলেশন ফলাফল দেখায় যে 237.9°, 220.6°, এবং 310.6° এর বৈদ্যুতিক দৈর্ঘ্য 250 μm এবং 200 μm দৈর্ঘ্যের দৈর্ঘ্যের দ্বারা 0.25, 0.275, এবং 0.3 THz এ অর্জন করা যেতে পারে, যথাক্রমে, প্রদর্শন উদ্দেশ্যে। এই সিমুলেশন ফলাফলগুলি আমাদের বিশ্লেষণাত্মক গণনার সাথেও সামঞ্জস্যপূর্ণ যা শারীরিক পরামিতি এবং উপাদান বৈশিষ্ট্য ব্যবহার করে। যখন আমরা একই দৈর্ঘ্যের বিলম্বের লাইনগুলির জোড়াকে একত্রিত করি যেন তারা একটি টেরাহার্জ ফেজ শিফটারের দুটি শাখা, আমরা 5.8% এর চেয়ে ভাল আপেক্ষিক ফেজ শিফট অনুমানের ত্রুটি হার অর্জন করেছি। আমাদের জ্ঞানের সর্বোত্তম, এটি প্রথমবারের মতো সমন্বয়যোগ্য স্পুফ সারফেস প্লাজমোন পোলারিটন ভিত্তিক সিপিজিএল বিলম্ব লাইনগুলির প্রদর্শন। এই ধারণাটি টেরাহার্জ ব্যান্ড সার্কিটরির জন্য নির্দিষ্ট দৈর্ঘ্য এবং ফেজ শিফটার সহ টিউনেবল বিলম্ব লাইন প্রাপ্ত করার জন্য ব্যবহার করা যেতে পারে।
325d145af5f38943e469da6369ab26883a3fd69e	একটি ধূসর রঙের ছবিকে ইনপুট হিসেবে দেওয়া হলে, এই কাগজটি ছবির একটি বিশ্বাসযোগ্য রঙের সংস্করণকে বিভ্রান্ত করার সমস্যাকে আক্রমণ করে। এই সমস্যাটি স্পষ্টতই সীমাবদ্ধ নয়, তাই পূর্ববর্তী পদ্ধতিগুলি হয় উল্লেখযোগ্য ব্যবহারকারীর মিথস্ক্রিয়া বা ফলস্বরূপ ডিস্যাচুরেটেড রঙিনকরণের উপর নির্ভর করে। আমরা একটি সম্পূর্ণ স্বয়ংক্রিয় পদ্ধতির প্রস্তাব দিচ্ছি যা প্রাণবন্ত এবং বাস্তবসম্মত রঙিন রঙ তৈরি করে। আমরা সমস্যাটির অন্তর্নিহিত অনিশ্চয়তাকে শ্রেণীবিভাগের কাজ হিসেবে গ্রহণ করি এবং প্রশিক্ষণের সময় শ্রেণী পুনঃ ভারসাম্য ব্যবহার করে ফলাফলের রঙের বৈচিত্র্য বাড়িয়ে তুলি। এই সিস্টেমটি পরীক্ষার সময় সিএনএন-এ ফিড-ফরওয়ার্ড পাস হিসাবে প্রয়োগ করা হয় এবং এক মিলিয়নেরও বেশি রঙিন চিত্রের উপর প্রশিক্ষণ দেওয়া হয়। আমরা আমাদের অ্যালগরিদমকে একটি রঙিন টুরিং পরীক্ষা ব্যবহার করে মূল্যায়ন করি, যেখানে অংশগ্রহণকারীদের একটি রঙিন ইমেজ বাছাই করতে বলা হয়। আমাদের পদ্ধতি সফলভাবে মানুষের সাথে ৩২% পরীক্ষায় বোকা বানাচ্ছে, যা আগের পদ্ধতির তুলনায় অনেক বেশি। উপরন্তু, আমরা দেখাই যে রঙিনকরণ স্ব-নিরীক্ষিত বৈশিষ্ট্য শেখার জন্য একটি শক্তিশালী অজুহাত কাজ হতে পারে, ক্রস-চ্যানেল এনকোডার হিসাবে কাজ করে। এই পদ্ধতির ফলে বিভিন্ন বৈশিষ্ট্য শেখার মানদণ্ডের উপর অত্যাধুনিক পারফরম্যান্স পাওয়া যায়।
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	প্রথমবারের মতো, একটি সম্পূর্ণরূপে সমন্বিত ফেজড অ্যারে অ্যান্টেনা রেডিও ফ্রিকোয়েন্সি মাইক্রো ইলেক্ট্রোম্যাকানিকাল সিস্টেম (আরএফ এমইএমএস) সহ একটি নমনীয়, জৈব স্তরিত উপর সুইচগুলি 10 গিগাহার্টের উপরে প্রদর্শিত হয়। একটি কম শব্দ পরিবর্ধক (এলএনএ), এমইএমএস ফেজ শিফটার, এবং 2x2 প্যাচ অ্যান্টেনা অ্যারে একটি তরল স্ফটিক পলিমার স্তর উপর একটি সিস্টেম-অন-প্যাকেজ (এসওপি) মধ্যে একত্রিত করা হয়। দুটি অ্যান্টেনা অ্যারে তুলনা করা হয়; একটি একক স্তর SOP ব্যবহার করে বাস্তবায়িত এবং দ্বিতীয় একটি মাল্টিলেয়ার SOP সঙ্গে। উভয় প্রয়োগই কম ক্ষতির এবং 12 ডিগ্রি বিম স্টিয়ারিংয়ের জন্য সক্ষম। ডিজাইন ফ্রিকোয়েন্সি 14 গিগাহার্টজ এবং পরিমাপকৃত রিটার্ন ক্ষতি উভয় বাস্তবায়নের জন্য 12 ডিবি এর চেয়ে বেশি। এলএনএ ব্যবহারের ফলে অনেক বেশি শক্তির স্তর পাওয়া যায়। এই অ্যান্টেনাগুলি প্রায় যেকোন আকার, ফ্রিকোয়েন্সি এবং প্রয়োজনীয় পারফরম্যান্সের সাথে মিলিত হতে কাস্টমাইজ করা যায়। এই গবেষণা জৈব এসওপি ডিভাইসগুলির জন্য অত্যাধুনিক প্রযুক্তির উন্নতি করে।
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	উচ্চ ভোল্টেজ রেটযুক্ত সলিড-স্টেট সুইচ যেমন বিচ্ছিন্ন গেট বাইপোলার ট্রানজিস্টর (আইজিবিটি) বাণিজ্যিকভাবে 6.5 কেভি পর্যন্ত পাওয়া যায়। এই ধরনের ভোল্টেজ রেটিংগুলি পালসড পাওয়ার এবং উচ্চ-ভোল্টেজ সুইচ-মোড কনভার্টার অ্যাপ্লিকেশনগুলির জন্য আকর্ষণীয়। তবে, আইজিবিটি ভোল্টেজ রেটিং বৃদ্ধি হিসাবে, বর্তমান উত্থান এবং পতনের হার সাধারণত হ্রাস করা হয়। এই বাণিজ্য এড়ানো কঠিন কারণ আইজিবিটিগুলিকে অবশ্যই এপিট্যাক্সিয়াল বা ড্রিফ্ট অঞ্চলের স্তরে কম প্রতিরোধ বজায় রাখতে হবে। বিপরীত ভোল্টেজ সমর্থন করার জন্য ঘন ড্রিফ্ট অঞ্চল সহ উচ্চ ভোল্টেজ রেটযুক্ত আইজিবিটিগুলির জন্য, প্রয়োজনীয় উচ্চ ক্যারিয়ার ঘনত্বগুলি চালু হওয়ার সময় ইনজেকশন করা হয় এবং বন্ধ হওয়ার সময় সরানো হয়, যা সুইচিং গতি কমিয়ে দেয়। দ্রুত স্যুইচিংয়ের জন্য একটি বিকল্প হল একাধিক, নিম্ন ভোল্টেজ রেটযুক্ত আইজিবিটি সিরিজ করা। ছয়টি, ১২০০ ভোল্ট রেটযুক্ত আইজিবিটি সিরিজের একটি আইজিবিটি-স্ট্যাক প্রোটোটাইপ পরীক্ষামূলকভাবে পরীক্ষা করা হয়েছে। ছয় সিরিজের আইজিবিটি স্ট্যাকটিতে পৃথক, অপটিক্যালি বিচ্ছিন্ন, গেট ড্রাইভার এবং অ্যালুমিনিয়াম কুলিং প্লেটগুলিকে বাধ্যতামূলক বায়ু শীতল করার জন্য রয়েছে যা একটি কমপ্যাক্ট প্যাকেজের ফলাফল দেয়। প্রতিটি আইজিবিটি ট্রানজিটার ভোল্টেজ দমনকারী দ্বারা সুরক্ষিত। ছয় সিরিজের আইজিবিটি স্ট্যাক এবং একটি একক 6.5 কেভি রেটযুক্ত আইজিবিটির চালু বর্তমানের উত্থানের সময়টি পরীক্ষামূলকভাবে একটি পালসড রেসিস্টিব-লোড, ক্যাপাসিটার স্রাব সার্কিটে পরিমাপ করা হয়েছে। আইজিবিটি স্ট্যাকটি সিরিজের দুটি আইজিবিটি মডিউলের সাথেও তুলনা করা হয়েছে, প্রতিটি 3.3 কেভি রেটযুক্ত, একটি বুস্ট সার্কিট অ্যাপ্লিকেশন স্যুইচিং 9 কেএইচজেড এবং 5 কেভি আউটপুট উত্পাদন করে। ছয়-সিরিজ আইজিবিটি স্ট্যাকের ফলে চালু-অন সুইচিং গতি উন্নত হয় এবং বন্ধ হওয়ার সময় কম বর্তমানের লেজের কারণে উল্লেখযোগ্যভাবে উচ্চতর পাওয়ার বুস্ট কনভার্টার দক্ষতা অর্জন করে। পরীক্ষামূলক পরীক্ষার পরামিতি এবং তুলনামূলক পরীক্ষার ফলাফল নিম্নলিখিত কাগজে আলোচনা করা হয়
20f5b475effb8fd0bf26bc72b4490b033ac25129	আমরা শহুরে রাস্তায় লেন মার্কার সনাক্তকরণের জন্য একটি শক্তিশালী এবং রিয়েল টাইম পদ্ধতির উপস্থাপন করছি। এটি রাস্তার একটি উপরের দৃশ্য তৈরি করে, নির্বাচনী ওরিয়েন্টেড গাউসিয়ান ফিল্টার ব্যবহার করে ফিল্টার করে, বেজিয়ার স্প্লাইনস ফিট করার জন্য একটি নতুন এবং দ্রুত র্যানস্যাক অ্যালগরিদমকে প্রাথমিক অনুমান দেওয়ার জন্য র্যানস্যাক লাইন ফিটিং ব্যবহার করে, যা তারপরে একটি পোস্ট-প্রসেসিং পদক্ষেপ দ্বারা অনুসরণ করা হয়। আমাদের অ্যালগরিদম বিভিন্ন পরিস্থিতিতে রাস্তার স্থির চিত্রগুলিতে সমস্ত লেন সনাক্ত করতে পারে, 50 হার্জ হারে কাজ করার সময় এবং পূর্ববর্তী কৌশলগুলির সাথে তুলনীয় ফলাফল অর্জন করে।
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	অনলাইন পর্যালোচনা এবং সুপারিশের প্রাপ্যতার দ্রুত বৃদ্ধি অনুভূতি শ্রেণীবিভাগকে একাডেমিক এবং শিল্প গবেষণায় একটি আকর্ষণীয় বিষয় করে তোলে। পর্যালোচনাগুলি এতগুলি বিভিন্ন ডোমেনকে স্প্যান করতে পারে যে তাদের সকলের জন্য টীকাযুক্ত প্রশিক্ষণ ডেটা সংগ্রহ করা কঠিন। এইভাবে, এই কাগজটি অনুভূতি শ্রেণিবদ্ধকরণের জন্য ডোমেন অভিযোজন সমস্যাটি অধ্যয়ন করে, যার মাধ্যমে একটি সিস্টেমকে একটি উত্স ডোমেন থেকে লেবেলযুক্ত পর্যালোচনাগুলিতে প্রশিক্ষণ দেওয়া হয় তবে অন্যটিতে স্থাপন করা হয়। আমরা একটি গভীর শিক্ষণ পদ্ধতির প্রস্তাব দিচ্ছি যা প্রতিটি পর্যালোচনার জন্য একটি অর্থপূর্ণ প্রতিনিধিত্বকে একটি অনিয়ন্ত্রিত ফ্যাশনে বের করতে শেখায়। Amazon এর এই উচ্চ পর্যায়ের বৈশিষ্ট্য প্রতিনিধিত্বের সাথে প্রশিক্ষিত অনুভূতি শ্রেণীবিভাগকারীরা 4 ধরণের অ্যামাজন পণ্যগুলির পর্যালোচনাগুলির সমন্বয়ে গঠিত একটি বেঞ্চমার্কে স্পষ্টভাবে অত্যাধুনিক পদ্ধতির চেয়ে ভাল পারফরম্যান্স করে। উপরন্তু, এই পদ্ধতিটি ভালভাবে স্কেল করে এবং আমাদেরকে সফলভাবে ডোমেন অভিযোজন করতে দেয় 22 ডোমেনের একটি বৃহত্তর শিল্প-শক্তি ডেটাসেটে।
7cbbe0025b71a265c6bee195b5595cfad397a734	মানুষ প্রায়ই চেয়ারের সাথে যোগাযোগ করে, যা তাদের একটি সম্ভাব্য অবস্থান করে তোলে যাতে ব্যবহারকারীদের দ্বারা কোন অতিরিক্ত প্রচেষ্টার প্রয়োজন হয় না। আমরা ৫৫০ জন অংশগ্রহণকারীকে জরিপ করেছি কিভাবে মানুষ চেয়ারে বসে থাকে তা বোঝার জন্য এবং একটি চেয়ারের ডিজাইন তৈরির জন্য যা হাতের কাছে এবং চেয়ারের পিছনে হৃদস্পন্দন এবং শ্বাস-প্রশ্বাসের হার সনাক্ত করে। ১৮ জন অংশগ্রহণকারীর সাথে একটি পরীক্ষাগার গবেষণায়, আমরা বিভিন্ন সাধারণ বসার অবস্থার মূল্যায়ন করেছি যখন হার্ট রেট এবং শ্বাসকষ্টের হার সনাক্ত করা সম্ভব ছিল (হার্ট রেট জন্য সময় 32%, শ্বাসকষ্টের হার জন্য 52%) এবং সনাক্ত হার সঠিকতা মূল্যায়ন (83% হার্ট রেট জন্য, শ্বাসকষ্টের হার জন্য 73%) । আমরা এই সংবেদনকে বন্যায় স্থানান্তরিত করার চ্যালেঞ্জ নিয়ে আলোচনা করছি ১১ জন অংশগ্রহণকারীর সাথে ৪০ ঘণ্টার একটি ইন-সিচু গবেষণার মূল্যায়ন করে। আমরা দেখিয়েছি যে, একটি অন্তর্নিহিত সেন্সর হিসেবে, চেয়ারটি তার বাসিন্দার কাছ থেকে গুরুত্বপূর্ণ তথ্য সংগ্রহ করতে পারে চেয়ারের সাথে স্বাভাবিক মিথস্ক্রিয়া মাধ্যমে।
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	এই স্বয়ংক্রিয় যানটি একটি মোবাইল রোবট যা মাল্টি-সেন্সর নেভিগেশন এবং পজিশনিং, বুদ্ধিমান সিদ্ধান্ত গ্রহণ এবং নিয়ন্ত্রণ প্রযুক্তিকে একত্রিত করে। এই গবেষণাপত্রটি স্বয়ংক্রিয় যানবাহনের নিয়ন্ত্রণ ব্যবস্থা স্থাপত্যের উপস্থাপনা করে, যাকে বলা হয় "বুদ্ধিমান অগ্রদূত", এবং অজানা পরিবেশে কার্যকরভাবে নেভিগেট করার জন্য গতির পথ ট্র্যাকিং এবং স্থায়িত্ব নিয়ে আলোচনা করা হয়। এই পদ্ধতিতে, একটি দুই ডিগ্রি-ফ্রিডম গতিশীল মডেল রাষ্ট্র স্থান বিন্যাসে পথ-ট্র্যাকিং সমস্যাটি তৈরি করার জন্য বিকাশ করা হয়। তাত্ক্ষণিক পথ ত্রুটি নিয়ন্ত্রণের জন্য, প্রচলিত নিয়ামকগুলি প্যারামিটার পরিবর্তন এবং ব্যাঘাতের বিস্তৃত পরিসরে পারফরম্যান্স এবং স্থায়িত্বের গ্যারান্টি দিতে অসুবিধা হয়। তাই নতুনভাবে তৈরি করা একটি অ্যাডাপ্টিভ-পিআইডি কন্ট্রোলার ব্যবহার করা হবে। এই পদ্ধতি ব্যবহার করে গাড়ির নিয়ন্ত্রণ ব্যবস্থার নমনীয়তা বৃদ্ধি করা হবে এবং বড় সুবিধা অর্জন করা হবে। পুরো বিষয়টিতে আমরা ইন্টেলিজেন্ট পাইওনিয়ারের উদাহরণ এবং ফলাফল প্রদান করছি এবং এই পদ্ধতি ব্যবহার করে চালিত স্বয়ংক্রিয় যানটি ২০১০ এবং ২০১১ সালের চীনের ভবিষ্যৎ চ্যালেঞ্জের প্রতিযোগিতায় অংশগ্রহণ করেছিল। ইন্টেলিজেন্ট পাইওনিয়ার সব প্রতিযোগিতার প্রোগ্রাম শেষ করে এবং ২০১০ সালে প্রথম স্থান এবং ২০১১ সালে তৃতীয় স্থান অর্জন করে।
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	প্রতিযোগিতামূলক এমএনআইএসটি হস্তাক্ষরযুক্ত অঙ্ক স্বীকৃতির মানদণ্ডের 1998 সাল থেকে রেকর্ড ভাঙার দীর্ঘ ইতিহাস রয়েছে। অন্যদের সর্বশেষ অগ্রগতি ৮ বছর আগের (ত্রুটি হার ০.৪%) । সাধারণ বহুস্তরীয় পেরসেপ্ট্রনগুলির জন্য ভাল পুরানো অন-লাইন ব্যাক-প্রোপাগেশনটি একটি একক এমএলপি এবং সাতটি এমএলপি কমিটির সাথে এমএনআইএসটি হস্তাক্ষরযুক্ত অঙ্কগুলির বেঞ্চমার্কে খুব কম 0.35% ত্রুটি হার দেয়। ২০১১ সালের মধ্যে এই লক্ষ্যে পৌঁছতে আমাদের যা দরকার তা হলো অনেকগুলো লুকানো স্তর, প্রতি স্তরে অনেকগুলো নিউরন, অনেকগুলো বিকৃত প্রশিক্ষণ চিত্র যাতে ওভারফিট না হয়, এবং গ্রাফিক্স কার্ড যা শেখার গতিকে অনেকটা ত্বরান্বিত করে।
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	বিটকয়েন একটি বিতরণকৃত ডিজিটাল মুদ্রা যা প্রচুর সংখ্যক ব্যবহারকারীকে আকর্ষণ করেছে। বিটকয়েনকে এত সফল করে তোলার কারণগুলো আমরা গভীরভাবে অনুসন্ধান করেছি, কিন্তু দশকের পর দশক ধরে ক্রিপ্টোগ্রাফিক ই-নগদ নিয়ে গবেষণা করার পরও এর ব্যাপক ব্যবহারের কোনো ফলাফল পাওয়া যায়নি। আমরা আরও জিজ্ঞাসা করি কিভাবে বিটকয়েন দীর্ঘজীবী স্থিতিশীল মুদ্রার জন্য একটি ভাল প্রার্থী হতে পারে। এটি করার সময়, আমরা বিটকয়েনের বিভিন্ন সমস্যা এবং আক্রমণ চিহ্নিত করি এবং সেগুলি মোকাবেলার জন্য উপযুক্ত কৌশল প্রস্তাব করি।
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	এই গবেষণাপত্রটি পঞ্চম প্রজন্মের (5G) পূর্ণ মাত্রার একাধিক ইনপুট একাধিক আউটপুট (FD-MIMO) সিস্টেমের জন্য 29 গিগাহার্জ ফ্রিকোয়েন্সিতে WR28 ওয়েভগাইডের উপর ভিত্তি করে একটি বিম স্টিয়ারেবল হাই লাভ ফেজড অ্যারে অ্যান্টেনার একটি নতুন নকশা ধারণা উপস্থাপন করে। 8×8 প্ল্যানার ফেজড অ্যারেটি একটি ত্রিমাত্রিক বিমফর্মার দ্বারা খাওয়ানো হয় যাতে আয়তনবিম স্ক্যানিং -60 থেকে +60 ডিগ্রি উভয়ই অজিমথ এবং উচ্চতা দিক থেকে পাওয়া যায়। বিমফর্মিং নেটওয়ার্ক (বিএফএন) 16 টি 8 × 8 বাটলার ম্যাট্রিক্স বিমফর্মার ব্যবহার করে 64 টি বিম রাজ্য পেতে ডিজাইন করা হয়েছে, যা অনুভূমিক এবং উল্লম্ব কোণ নিয়ন্ত্রণ করে। এটি একটি নতুন ধারণা যা 5 জি অ্যাপ্লিকেশনের জন্য কা ব্যান্ডে ভলিউম্যাট্রিক মাল্টিবিমের জন্য ওয়েভগাইড ভিত্তিক উচ্চ ক্ষমতাসম্পন্ন ত্রিমাত্রিক বিম ফর্মার ডিজাইন করে। ফেজড অ্যারেগুলির সর্বাধিক লাভ ২৮.৫ ডিবিআই যা ২৮.৯ গিগাহার্টজ থেকে ২৯.৪ গিগাহার্টজ ফ্রিকোয়েন্সি ব্যান্ডকে আচ্ছাদন করে।
34feeafb5ff7757b67cf5c46da0869ffb9655310	পরিবেশগত শক্তি কম শক্তির ওয়্যারলেস সেন্সর নেটওয়ার্কগুলির জন্য একটি আকর্ষণীয় শক্তি উৎস। আমরা প্রমিথিয়সের উপস্থাপনা করছি, একটি সিস্টেম যা বুদ্ধিমানভাবে শক্তি স্থানান্তর পরিচালনা করে মানুষের হস্তক্ষেপ বা সার্ভিসিং ছাড়াই চিরস্থায়ী অপারেশনের জন্য। বিভিন্ন শক্তি সঞ্চয়কারী উপাদানগুলির ইতিবাচক বৈশিষ্ট্যগুলিকে একত্রিত করে এবং মাইক্রোপ্রসেসরটির বুদ্ধিমত্তাকে কাজে লাগিয়ে আমরা একটি দক্ষ বহু-পর্যায়ের শক্তি স্থানান্তর ব্যবস্থা প্রবর্তন করি যা একক শক্তি সঞ্চয়কারী সিস্টেমের সাধারণ সীমাবদ্ধতাগুলি হ্রাস করে প্রায় চিরস্থায়ী অপারেশন অর্জন করে। আমরা আমাদের নকশা পছন্দ, বাণিজ্য, সার্কিট মূল্যায়ন, পারফরম্যান্স বিশ্লেষণ, এবং মডেল উপস্থাপন। আমরা সিস্টেম উপাদানগুলির মধ্যে সম্পর্ক নিয়ে আলোচনা করি এবং অ্যাপ্লিকেশনের চাহিদা মেটাতে সর্বোত্তম হার্ডওয়্যার পছন্দগুলি চিহ্নিত করি। অবশেষে আমরা আমাদের বাস্তবায়ন উপস্থাপন করছি একটি বাস্তব সিস্টেম যা সৌর শক্তি ব্যবহার করে বার্কলে এর তেলোস মোটে শক্তি সরবরাহ করে। আমাদের বিশ্লেষণ বলছে যে, এই সিস্টেমটি ৪৩ বছর ১% লোডের অধীনে, ৪ বছর ১০% লোডের অধীনে এবং ১ বছর ১০০% লোডের অধীনে কাজ করবে। আমাদের বাস্তবায়ন একটি দুই পর্যায়ের স্টোরেজ সিস্টেম ব্যবহার করে যা সুপারক্যাপাসিটর (প্রাথমিক বাফার) এবং একটি লিথিয়াম রিচার্জেবল ব্যাটারি (দ্বিতীয় বাফার) নিয়ে গঠিত। মোটের শক্তির স্তরের সম্পূর্ণ জ্ঞান রয়েছে এবং এটি বুদ্ধিমানভাবে শক্তি স্থানান্তর পরিচালনা করে যাতে এটির জীবনকাল সর্বোচ্চ হয়।
3689220c58f89e9e19cc0df51c0a573884486708	অ্যাম্বিম্যাক্স একটি শক্তি সংগ্রহের সার্কিট এবং ওয়্যারলেস সেন্সর নোডের জন্য একটি সুপারক্যাপাসিটার ভিত্তিক শক্তি সঞ্চয় ব্যবস্থা। পূর্ববর্তী ডব্লিউএসএন বিভিন্ন উৎস থেকে শক্তি সংগ্রহের চেষ্টা করে এবং কিছু ব্যাটারি বৃদ্ধির সমস্যা সমাধানের জন্য ব্যাটারির পরিবর্তে সুপারক্যাপাসিটার ব্যবহার করে। যাইহোক, তারা প্রতিরোধের অসঙ্গতির কারণে প্রচুর পরিমাণে বিদ্যুৎ অপচয় করে, অথবা তাদের সক্রিয় ডিজিটাল নিয়ন্ত্রণের প্রয়োজন হয় যা ওভারহেডের সাথে জড়িত, অথবা তারা শুধুমাত্র একটি নির্দিষ্ট ধরণের উত্সের সাথে কাজ করে। অ্যাম্বিম্যাক্স এই সমস্যাগুলি সমাধান করে প্রথমে সর্বোচ্চ পাওয়ার পয়েন্ট ট্র্যাকিং (এমপিপিটি) স্বয়ংক্রিয়ভাবে সম্পাদন করে এবং তারপরে সর্বোচ্চ দক্ষতায় সুপারক্যাপাসিটারগুলি চার্জ করে। এছাড়াও, অ্যাম্বিম্যাক্স মডুলার এবং সৌর, বায়ু, তাপ এবং কম্পন সহ একাধিক শক্তি সংগ্রহের উত্সের সংমিশ্রণ সক্ষম করে, প্রতিটি একটি ভিন্ন সর্বোত্তম আকারের। একটি বাস্তব WSN প্ল্যাটফর্ম, ইকো উপর পরীক্ষামূলক ফলাফল দেখায় যে AmbiMax সফলভাবে একাধিক শক্তি উত্স পরিচালনা করে একই সময়ে এবং স্বয়ংক্রিয়ভাবে WSNs জন্য বর্তমান রাষ্ট্র-এর-শিল্প দক্ষতা কয়েক গুণ
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	একটি কম শক্তি ব্যয়বহুল উচ্চ দক্ষ সর্বোচ্চ পাওয়ার পয়েন্ট ট্র্যাকার (এমপিপিটি) একটি ফটোভোলটাইক (পিভি) প্যানেলে সংহত করার প্রস্তাব করা হয়েছে। এর ফলে স্ট্যান্ডার্ড ফোটোভোলটাইক প্যানেলের তুলনায় ২৫ শতাংশ বেশি শক্তি খরচ হয়। একই সঙ্গে ব্যাটারি ভোল্টেজ নিয়ন্ত্রণ এবং লোডের সাথে PV অ্যারের মিলনের মতো কাজও করা যায়। একটি বহিরাগত সংযুক্ত MPPT ব্যবহার করার পরিবর্তে, এটি PV প্যানেল অংশ হিসাবে একটি সমন্বিত MPPT কনভার্টার ব্যবহার করার প্রস্তাব করা হয়। এই সমন্বিত এমপিপিটি খরচ কার্যকর করার জন্য একটি সহজ নিয়ামক ব্যবহার করে। এছাড়াও, কনভার্টারকে খুব দক্ষ হতে হবে, যাতে সরাসরি কপলড সিস্টেমের চেয়ে বেশি শক্তি লোডে স্থানান্তর করতে পারে। এটি একটি সাধারণ নরম-সুইচড টপোলজি ব্যবহার করে অর্জন করা হয়। এর ফলে কম খরচে অনেক বেশি রূপান্তর দক্ষতা অর্জন করা হবে, যা এমপিপিটিকে ছোট পিভি শক্তি সিস্টেমের জন্য সাশ্রয়ী মূল্যের সমাধান করে।
61c1d66defb225eda47462d1bc393906772c9196	আমাদের সমাজে ওয়্যারলেস সেন্সর নেটওয়ার্কগুলির ইতিবাচক প্রভাবের বিশাল সম্ভাবনা এই বিষয়ে অনেক গবেষণা করেছে এবং এই গবেষণা এখন পরিবেশ-প্রস্তুত সিস্টেম তৈরি করছে। বর্তমান প্রযুক্তির সীমাবদ্ধতা এবং ব্যাপকভাবে পরিবর্তিত অ্যাপ্লিকেশন প্রয়োজনীয়তা ডিজাইন স্পেসের বিভিন্ন অংশের জন্য বিভিন্ন হার্ডওয়্যার প্ল্যাটফর্মের দিকে পরিচালিত করে। উপরন্তু, একটি সিস্টেমের অনন্য শক্তি এবং নির্ভরযোগ্যতা সীমাবদ্ধতা যা মানুষের হস্তক্ষেপ ছাড়াই এক সময়ে কয়েক মাস ধরে কাজ করতে হবে তার অর্থ হল সেন্সর নেটওয়ার্ক হার্ডওয়্যারের চাহিদা স্ট্যান্ডার্ড ইন্টিগ্রেটেড সার্কিটের চাহিদার চেয়ে আলাদা। এই গবেষণাপত্রে সেন্সর নোড এবং সেগুলি নিয়ন্ত্রণের জন্য নিম্ন স্তরের সফটওয়্যার ডিজাইন করার আমাদের অভিজ্ঞতা বর্ণনা করা হয়েছে। জিব্রা নেট সিস্টেমে আমরা জিপিএস প্রযুক্তি ব্যবহার করে সূক্ষ্ম-গ্রানুল পজিশন ডেটা রেকর্ড করি যাতে দীর্ঘমেয়াদী পশুদের মাইগ্রেশন ট্র্যাক করা যায় [14]. জেব্রানেট হার্ডওয়্যারটি একটি ১৬-বিট টিআই মাইক্রোকন্ট্রোলার, ৪ এমবিট অফ-চিপ ফ্ল্যাশ মেমরি, ৯০০ মেগাহার্টজ রেডিও এবং একটি কম শক্তির জিপিএস চিপ নিয়ে গঠিত। এই গবেষণাপত্রে আমরা সেন্সর নেটওয়ার্কের জন্য দক্ষ বিদ্যুৎ সরবরাহের কৌশল, নোডের শক্তি খরচ পরিচালনার পদ্ধতি এবং রেডিও, ফ্ল্যাশ এবং সেন্সর সহ পেরিফেরিয়াল ডিভাইস পরিচালনার পদ্ধতি নিয়ে আলোচনা করব। আমরা জিব্রা নেট নোডের নকশা মূল্যায়ন করে এবং এটি কীভাবে উন্নত করা যায় তা নিয়ে আলোচনা করে শেষ করি। এই হার্ডওয়্যারটি তৈরির মাধ্যমে আমরা যে শিক্ষা পেয়েছি তা ভবিষ্যতে সেন্সর নোড ডিজাইন করার জন্য এবং বাস্তব সিস্টেমে ব্যবহার করার জন্য উভয় ক্ষেত্রেই উপযোগী হতে পারে।
146da74cd886acbd4a593a55f0caacefa99714a6	কৃত্রিম বুদ্ধিমত্তার বিকাশ প্রযুক্তির ক্ষেত্রে অনুঘটক হিসেবে কাজ করেছে। আমরা এখন এমন কিছু বিকাশ করতে পারি যা একসময় শুধু কল্পনা ছিল। এর মধ্যে একটি হচ্ছে স্বয়ংচালিত গাড়ির জন্ম। এখন মানুষ গাড়ি চালিয়ে কাজ করতে পারে, গাড়িতে ঘুমাতে পারে, স্টিয়ারিং হুইল না ছুঁয়ে, গ্যাসলটারে না চাপিয়েও নিরাপদে গন্তব্যে পৌঁছতে পারে। এই গবেষণাপত্রে একটি স্বয়ংচালিত গাড়ির একটি কার্যকরী মডেলের প্রস্তাব দেওয়া হয়েছে যা এক স্থান থেকে অন্য স্থানে বা বিভিন্ন ধরণের ট্র্যাক যেমন বাঁকা ট্র্যাক, সোজা ট্র্যাক এবং সোজা অনুসরণ করে বাঁকা ট্র্যাকগুলিতে চালাতে সক্ষম। গাড়ির উপরে একটি ক্যামেরা মডিউল লাগানো হয় এবং রাস্পবেরি পাই বাস্তব জগতে থেকে ছবিগুলো কনভোলুশনাল নিউরাল নেটওয়ার্কে পাঠায় যা তারপর নিম্নলিখিত দিকগুলোর একটির পূর্বাভাস দেয়। অর্থাৎ ডান, বাম, এগিয়ে বা থামার জন্য আরডুইনো থেকে একটি সংকেত দূরবর্তী নিয়ন্ত্রিত গাড়ির কন্ট্রোলারে পাঠানো হয় এবং এর ফলে গাড়িটি কোনও মানুষের হস্তক্ষেপ ছাড়াই কাঙ্ক্ষিত দিকে চলে যায়।
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	আমরা বিরল ক্যানোনিকাল সংশ্লেষণ বিশ্লেষণ (সিসিএ) সমস্যা বিবেচনা করি, অর্থাৎ, দুটি রৈখিক কম্বি জাতির জন্য অনুসন্ধান, প্রতিটি মাল্টিভেরিয়েন্টের জন্য একটি, যা একটি নির্দিষ্ট সংখ্যক ভেরিয়েবল ব্যবহার করে সর্বাধিক সম্পর্ক দেয়। আমরা একটি কার্যকর সংখ্যাসূচক আনুমানিক প্রস্তাব করছি যা প্রত্যক্ষ লোভী পদ্ধতির উপর ভিত্তি করে তৈরি করা হয়েছে যা প্রতিটি পর্যায়ে সংশ্লিষ্টতার সাথে সংযুক্ত। এই পদ্ধতিটি বিশেষভাবে বড় বড় ডেটা সেটগুলির সাথে মোকাবিলা করার জন্য ডিজাইন করা হয়েছে এবং এর গণনা জটিলতা কেবলমাত্র ক্ষুদ্রতার স্তরের উপর নির্ভর করে। আমরা অ্যালগরিদমের পারফরম্যান্স বিশ্লেষণ করি, যার মাধ্যমে আমরা সংশ্লিষ্টতা এবং সংযমকে একত্রিত করি। সংখ্যাসূচক সিমুলেশন ফলাফল থেকে জানা যায় যে, তুলনামূলকভাবে অল্প সংখ্যক ভেরিয়েবল ব্যবহার করে সংশ্লিষ্টতার একটি উল্লেখযোগ্য অংশ ধরা যায়। এছাড়াও, আমরা যখন উপলব্ধ নমুনার সংখ্যাটি বহু-পরিবর্তকের মাত্রার তুলনায় ছোট হয় তখন নিয়মিতকরণ পদ্ধতি হিসাবে ক্ষুদ্র সিসিএ ব্যবহারের বিষয়টি পরীক্ষা করি। হ্যারল ডি হোটেলিং [1] দ্বারা প্রবর্তিত ক্যানোনিকাল কররেলেশন অ্যানালিসিস (সিসিএ) একটি মাল্টিভেরিয়েট ডেটা এন লিসিসের একটি স্ট্যান্ডার্ড কৌশল যা একটি জোড়া ডেটা সোর্স থেকে সাধারণ বৈশিষ্ট্যগুলি বের করার জন্য ব্যবহৃত হয় [2] [3]। এই তথ্য উৎসগুলির প্রত্যেকটি একটি র্যান্ডম ভেক্টর r তৈরি করে যাকে আমরা মাল্টিভেরিয়েট বলি। ধ্রুপদী মাত্রিক হ্রাস পদ্ধতির বিপরীতে, যা একটি মাল্টিভেরিয়েন্টকে সম্বোধন করে, সিসিএ দুটি স্থান থেকে নমুনার মধ্যে পরিসংখ্যানগত সম্পর্কগুলিকে বিবেচনা করে যা সম্ভবত বিভিন্ন মাত্রা এবং কাঠামোর। বিশেষ করে, এটি দুটি রৈখিক সমন্বয় অনুসন্ধান করে, প্রতিটি মাল্টিভেরিয়েন্টের জন্য একটি, যাতে তাদের সম্পর্ককে সর্বাধিক করা যায়। এটি বিভিন্ন শাখায় একটি স্বতন্ত্র সরঞ্জাম হিসাবে বা অন্যান্য পরিসংখ্যান পদ্ধতির জন্য প্রাক প্রক্রিয়াকরণ পদক্ষেপ হিসাবে ব্যবহৃত হয়। এছাড়াও, সিসিএ একটি সাধারণ কাঠামো যা পরিসংখ্যানের অনেকগুলি ক্লাসিক পদ্ধতি অন্তর্ভুক্ত করে, যেমন, প্রধান উপাদান বিশ্লেষণ (পিসিএ), আংশিক সর্বনিম্ন স্কোয়ার (পিএলএস) এবং একাধিক রৈখিক রিগ্রেশন (এমএলআর) [4]। সম্প্রতি কার্নেল সিসিএ এবং স্বাধীন উপাদান বিশ্লেষণে এর প্রয়োগের মাধ্যমে সিসিএ-র প্রতি আবারও মনোযোগ দেওয়া হয়েছে [৫], [৬]। গত দশকে সংকেত এবং অল্প সংখ্যক পদ্ধতির অল্প সংখ্যক উপস্থাপনা অনুসন্ধানে ক্রমবর্ধমান আগ্রহ দেখা গেছে। এইভাবে, আমরা বিচ্ছিন্ন সিসিএ সমস্যাটি বিবেচনা করি, অর্থাৎ, অল্প সংখ্যক ভেরিয়েবল ব্যবহার করে সর্বাধিক সম্পর্কযুক্ত রৈখিক সংমিশ্রণের সন্ধান। বিভিন্ন কারণে এই ধরনের সংক্ষিপ্ততা চাওয়া যেতে পারে। প্রথমটি হচ্ছে ফলাফলের ব্যাখ্যা এবং কল্পনা করার ক্ষমতা। অল্প সংখ্যক ভেরিয়েবল আমাদেরকে "বড় ছবি" পেতে সাহায্য করে, যখন কিছু ছোট ছোট বিবরণ ত্যাগ করে। প্রথম দুই লেখক এই পাণ্ডুলিপিতে সমানভাবে অবদান রেখেছেন। এই কাজটি এফওএসআর মুরির অনুদান এএফ৯৫৫০-০৬-১-০ ৩২৪ এর আওতায় আংশিকভাবে সমর্থিত হয়েছিল। দ্বিতীয় কারণ হচ্ছে, নিয়মিততা এবং স্থায়িত্ব। সিসিএ-র অন্যতম প্রধান দুর্বলতা হচ্ছে, এটি অল্প সংখ্যক পর্যবেক্ষণের প্রতি সংবেদনশীল। তবে, রেজ সিসিএ [7] এর মতো নিয়মিত পদ্ধতি ব্যবহার করতে হবে। এই প্রসঙ্গে, স্পারস সিসিএ একটি উপসেট নির্বাচন স্কিম যা আমাদের ভেক্টরগুলির মাত্রা হ্রাস করতে এবং একটি স্থিতিশীল সমাধান পেতে দেয়। আমাদের জ্ঞানের সর্বোত্তম হিসাবে, প্রথম রেফারেন্সটি বিরল সিসিএ-তে [2] প্রকাশিত হয়েছিল যেখানে পশ্চাদপসরণ এবং ধাপে ধাপে উপসেট নির্বাচন প্রস্তাব করা হয়েছিল। এই আলোচনাটি গুণগত প্রকৃতির ছিল এবং কোন নির্দিষ্ট সংখ্যাসূচক অ্যালগরিদম প্রস্তাব করা হয়নি। সম্প্রতি, বহুমাত্রিক ডেটা প্রসেসিংয়ের চাহিদা বৃদ্ধি এবং গণনা ব্যয় হ্রাসের কারণে বিষয়টি আবারও বিশিষ্টতা অর্জন করেছে [1]- [1]। এই বর্তমান সমাধানগুলির প্রধান অসুবিধা হল যে ক্ষুদ্রতার উপর কোন সরাসরি নিয়ন্ত্রণ নেই এবং তাদের সর্বোত্তম হাইপারপ্যারামিটারগুলি নির্বাচন করা কঠিন (এবং অ-স্বজ্ঞাত) । উপরন্তু, এই পদ্ধতিগুলির বেশিরভাগের কম্পিউটেশনাল জটিলতা উচ্চ মাত্রিক ডেটা সেটগুলির সাথে ব্যবহারিক অ্যাপ্লিকেশনগুলির জন্য খুব বেশি। স্পারস সিসিএ-র উপরও [৯] [১৪] এ অস্পষ্টভাবে আলোচনা করা হয়েছে এবং ডি সাম্প্রতিক ফলাফলের সাথে ঘনিষ্ঠভাবে সম্পর্কিত। প্রকৃতপক্ষে, আমাদের প্রস্তাবিত সমাধানটি সিসিএ-তে [17] ফলাফলের একটি সম্প্রসারণ। এই কাজের মূল অবদান দুই প্রকার। প্রথমত, আমরা প্রতিটি মাল্টিভেরিয়েটগুলির মধ্যে ক্ষুদ্রতার উপর সরাসরি নিয়ন্ত্রণ সহ সিসিএ অ্যালগরিদমগুলি প্রাপ্ত করি এবং তাদের কার্যকারিতা পরীক্ষা করি। আমাদের কম্পিউটেশনাল দক্ষ পদ্ধতি বিশেষভাবে বড় আকারের দুটি ডেটা সেটের মধ্যে সম্পর্ক বুঝতে সাহায্য করে। আমরা একটি অগ্রসর (বা পশ্চাদপদ) লোভী পদ্ধতি অবলম্বন করি যা ধারাবাহিকভাবে বাছাই (বা ড্রপ) ভেরিয়েবলের উপর ভিত্তি করে। প্রতিটি পর্যায়ে, আমরা সর্বোত্তম সিসিএ সমাধানের সাথে সংযুক্ত থাকি এবং পুরো সমস্যাটি সমাধান করার প্রয়োজনকে বাইপাস করি। উপরন্তু, ফরওয়ার্ড লোভী পদ্ধতির কম্পিউটেশনাল জটিলতা ডেটার মাত্রার উপর নির্ভর করে না বরং শুধুমাত্র ক্ষুদ্রতার পরামিতিগুলির উপর নির্ভর করে। সংখ্যার সিমুলেশন ফলাফল দেখায় যে, এই সম্পর্কটির একটি উল্লেখযোগ্য অংশকে তুলনামূলকভাবে কম সংখ্যক অ-শূন্য সহগ ব্যবহার করে দক্ষতার সাথে ক্যাপচার করা যায়। আমাদের দ্বিতীয় অবদান হচ্ছে নিয়মিতকরণ পদ্ধতি হিসেবে বিচ্ছিন্ন সিসিএ-র তদন্ত। আমরা বিভিন্ন অ্যালগরিদমের ব্যবহার পরীক্ষা করি যখন মাল্টিভেরিয়েটগুলির মাত্রা নমুনার সংখ্যার চেয়ে বড় (বা একই অর্ডার) হয় এবং বিচ্ছিন্ন সিসিএর সুবিধা প্রদর্শন করে। এই প্রসঙ্গে, লোভী পদ্ধতির অন্যতম সুবিধা হল এটি একটি একক রান মধ্যে পূর্ণ sparsity পথ উত্পন্ন করে এবং ব্যবহার করে দক্ষ প্যারামিটার টিউনিং জন্য অনুমতি দেয়
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	পুনরাবৃত্তিমূলক ব্যাকপ্রোপাগেশনের মাধ্যমে দীর্ঘ সময়ের ব্যবধানে তথ্য সংরক্ষণ করা শিখতে অনেক সময় লাগে, বেশিরভাগই অপর্যাপ্ত, ক্ষয়প্রাপ্ত ত্রুটি ব্যাকফ্লো কারণে। আমরা এই সমস্যার উপর Hochreiter এর (1991) বিশ্লেষণের সংক্ষিপ্ত পর্যালোচনা করি, তারপর একটি নতুন, দক্ষ, গ্রেডিয়েন্ট ভিত্তিক পদ্ধতি চালু করে এটিকে সমাধান করি যা দীর্ঘ স্বল্পমেয়াদী মেমরি (এলএসটিএম) নামে পরিচিত। যেখানে এটি ক্ষতি করে না সেখানে গ্রেডিয়েন্টটি সংক্ষিপ্ত করে, এলএসটিএম বিশেষ ইউনিটগুলির মধ্যে ধ্রুবক ত্রুটি ক্যারোজেলের মাধ্যমে ধ্রুবক ত্রুটি প্রবাহকে জোরদার করে 1000 টিরও বেশি বিচ্ছিন্ন-সময় পদক্ষেপের মধ্যে ন্যূনতম সময় বিলম্বগুলি পূরণ করতে শিখতে পারে। বহুগুণক গেট ইউনিট ক্রমাগত ত্রুটি প্রবাহের জন্য অ্যাক্সেস খুলতে এবং বন্ধ করতে শিখবে। এলএসটিএম স্থান এবং সময়ে স্থানীয়; প্রতি সময়ের ধাপ এবং ওজনের প্রতি তার কম্পিউটেশনাল জটিলতা ও। ১। কৃত্রিম তথ্য নিয়ে আমাদের পরীক্ষায় স্থানীয়, বিতরণ, বাস্তব-মূল্যবান, এবং গোলমালপূর্ণ প্যাটার্ন প্রতিনিধিত্ব জড়িত। রিয়েল-টাইম পুনরাবৃত্তিমূলক লার্নিং, সময়ের মাধ্যমে পিছনে প্রসারণ, পুনরাবৃত্তিমূলক ক্যাসকেডের সম্পর্ক, এলম্যান নেট এবং নিউরাল সিকোয়েন্স চুনকিংয়ের সাথে তুলনা করে, এলএসটিএম অনেক বেশি সফল রান দেয় এবং অনেক দ্রুত শিখতে পারে। LSTM জটিল, কৃত্রিম দীর্ঘ-সময়-বিরতিযুক্ত কাজগুলিও সমাধান করে যা পূর্ববর্তী পুনরাবৃত্ত নেটওয়ার্ক অ্যালগরিদম দ্বারা কখনও সমাধান করা হয়নি।
9eb67ca57fecc691853636507e2b852de3f56fac	পূর্ববর্তী গবেষণায় দেখা গেছে যে শব্দ এবং পাঠ্যের অর্থপূর্ণ উপস্থাপনাগুলি নিউরাল এম্বেডিং মডেলের মাধ্যমে অর্জন করা যেতে পারে। বিশেষ করে, অনুচ্ছেদ ভেক্টর (পিভি) মডেলগুলি একটি নথি (বিষয়) স্তরের ভাষা মডেলের অনুমান করে কিছু প্রাকৃতিক ভাষা প্রক্রিয়াকরণ কার্যগুলিতে চিত্তাকর্ষক পারফরম্যান্স দেখিয়েছে। পিভি মডেলগুলিকে পুনরুদ্ধারের জন্য ঐতিহ্যবাহী ভাষা মডেল পদ্ধতির সাথে একীভূত করা, তবে অস্থির কর্মক্ষমতা এবং সীমিত উন্নতি তৈরি করে। এই গবেষণাপত্রে আমরা মূল পিভি মডেলের তিনটি অভ্যন্তরীণ সমস্যা নিয়ে আলোচনা করব যা পুনরুদ্ধারের কাজে এর কার্যকারিতা সীমাবদ্ধ করে। আমরা মডেলের পরিবর্তনগুলিও বর্ণনা করি যা এটিকে আইআর কাজের জন্য আরও উপযুক্ত করে তোলে এবং পরীক্ষার মাধ্যমে এবং কেস স্টাডিগুলির মাধ্যমে তাদের প্রভাব দেখায়। আমরা যে তিনটি বিষয়ের কথা বলছি তা হল (1) পিভি এর অনিয়ন্ত্রিত প্রশিক্ষণ প্রক্রিয়া সংক্ষিপ্ত নথির ওভার-ফিটিংয়ের জন্য ঝুঁকিপূর্ণ যা চূড়ান্ত পুনরুদ্ধারের মডেলটিতে দৈর্ঘ্যের পক্ষপাত সৃষ্টি করে; (2) পিভি এর কর্পাস-ভিত্তিক নেতিবাচক নমুনা গ্রহণের ফলে শব্দগুলির জন্য একটি ওজন স্কিম তৈরি হয় যা ঘন ঘন শব্দগুলির গুরুত্বকে দমন করে; এবং (3) শব্দ-সংক্রান্ত তথ্যের অভাব পিভিকে শব্দ প্রতিস্থাপন সম্পর্কগুলি ক্যাপচার করতে অক্ষম করে তোলে।
4df321947a2ac4365584a01d78a780913b171cf5	Aspect Based Sentiment Analysis (ABSA) হল নির্দিষ্ট কিছু বিষয় এবং তাদের দিক সম্পর্কে পাঠ্য থেকে মতামত সংগ্রহ এবং সংক্ষিপ্তসার করার কাজ। এই নিবন্ধে ফরাসি ভাষার জন্য ABSA সিস্টেমগুলির বিকাশ এবং পরীক্ষার জন্য দুটি ডেটাসেট বর্ণনা করা হয়েছে যার মধ্যে প্রাসঙ্গিক সত্তা, দিক এবং মেরুকরণের মান সহ ব্যবহারকারীর পর্যালোচনা রয়েছে। প্রথম ডাটাসেটে ABSA সিস্টেমগুলির প্রশিক্ষণ ও পরীক্ষার জন্য 457 রেস্টুরেন্ট পর্যালোচনা (2365 বাক্য) রয়েছে, যখন দ্বিতীয়টিতে 162 টি যাদুঘর পর্যালোচনা (655 বাক্য) রয়েছে যা আউট-অফ-ডোমেন মূল্যায়নের জন্য নিবেদিত। উভয় ডেটাসেটই সেম ইভাল ২০১৬ টাস্ক ৫ এর অংশ হিসেবে তৈরি করা হয়েছে। যেখানে সাতটি ভিন্ন ভাষার প্রতিনিধিত্ব করা হয়েছে এবং গবেষণা উদ্দেশ্যে সর্বজনীনভাবে উপলব্ধ। এই নিবন্ধে টীকাকরণের ধরন অনুযায়ী উদাহরণ এবং পরিসংখ্যান দেওয়া হয়েছে, টীকাকরণের নির্দেশিকা সংক্ষিপ্ত করা হয়েছে এবং তাদের ক্রস-ভাষাগত প্রযোজ্যতা নিয়ে আলোচনা করা হয়েছে। এটি ব্যাখ্যা করে যে কিভাবে তথ্য মূল্যায়ন জন্য ব্যবহৃত হয় সেমভ্যাল ABSA টাস্ক এবং সংক্ষিপ্তভাবে ফরাসি জন্য প্রাপ্ত ফলাফল উপস্থাপন করে।
2445089d4277ccbec3727fecfe73eaa4cc57e414	এই গবেষণাপত্রটি 8 টি ভাষা জোড়ের জন্য মেশিন অনুবাদ সিস্টেমের অনুবাদ মানের মূল্যায়ন করেঃ ফরাসি, জার্মান, স্প্যানিশ এবং চেক থেকে ইংরেজি এবং পিছনে অনুবাদ করা। আমরা একটি বিস্তৃত মানব মূল্যায়ন পরিচালনা করেছি যা আমাদেরকে শুধুমাত্র বিভিন্ন এমটি সিস্টেমকে র্যাঙ্ক করার অনুমতি দেয়নি, বরং মূল্যায়ন প্রক্রিয়ার উচ্চ স্তরের বিশ্লেষণও করতে দেয়। আমরা তিনটি ধরণের বিষয়গত মূল্যায়নের জন্য সময় এবং অভ্যন্তরীণ এবং আন্তঃ-অ্যানোটার চুক্তি পরিমাপ করেছি। আমরা মানুষের বিচার-বিবেচনার সাথে স্বয়ংক্রিয় মূল্যায়ন পরিমাপের সম্পর্ক পরিমাপ করেছি। এই মেটা-মূল্যায়ন সবচেয়ে বেশি ব্যবহৃত পদ্ধতি সম্পর্কে বিস্ময়কর তথ্য প্রকাশ করে।
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	একটি বৃত্তাকারভাবে পোলারাইজড একক স্তরযুক্ত ইউ-স্লট মাইক্রোস্ট্রিপ প্যাচ অ্যান্টেনার প্রস্তাব দেওয়া হয়েছে। প্রস্তাবিত অসামান্য ইউ-স্লটটি প্রোব-ফিড স্কয়ার প্যাচ মাইক্রোস্ট্রিপ অ্যান্টেনার কোনও কোণকে চ্যামফারিং না করে বৃত্তাকার পোলারাইজেশনের জন্য দুটি orthogonal মোড তৈরি করতে পারে। ইউ-স্লটের বিভিন্ন আর্ম দৈর্ঘ্যের কারণে যে প্রভাব পড়ে তা পরীক্ষা করার জন্য একটি পরামিতিগত গবেষণা করা হয়েছে। ফোমের স্তরটির বেধ অপারেটিং ফ্রিকোয়েন্সিতে তরঙ্গদৈর্ঘ্যের প্রায় ৮.৫%। অ্যান্টেনার ৩ ডিসিএল অক্ষীয় অনুপাত ব্যান্ডউইথ ৪%। এন্টেনের পরীক্ষামূলক ও তাত্ত্বিক ফলাফল উভয়ই উপস্থাপন ও আলোচনা করা হয়েছে। বৃত্তাকার পোলারাইজেশন, প্রিন্টেড অ্যান্টেনা, ইউ-স্লট।
9462cd1ec2e404b22f76c88b6149d1e84683acb7	এই চিঠিতে একটি ব্রডব্যান্ড কম্প্যাক্ট সার্কুলার পোলারাইজড (সিপি) প্যাচ অ্যান্টেনার প্রস্তাব দেওয়া হয়েছে। এই প্যাচ অ্যান্টেনা একটি মুদ্রিত মিন্ডারিং প্রোব (এম-প্রোব) এবং ট্রিঙ্কড প্যাচগুলি নিয়ে গঠিত যা একটি ব্রডব্যান্ড সিপি অপারেশন তৈরি করতে অর্টোগোনাল রেজোন্যান্ট মোডগুলিকে উত্তেজিত করে। এই স্ট্যাকড প্যাচটি 5G ওয়াই-ফাই অ্যাপ্লিকেশনের জন্য অক্ষীয় অনুপাত (এআর) ব্যান্ডউইথকে আরও উন্নত করতে ব্যবহৃত হয়। প্রস্তাবিত এন্টেনারটি যথাক্রমে ৪২.৩% প্রতিবন্ধকতা ব্যান্ডউইথ এবং ১৬.৮% এআর ব্যান্ডউইথ অর্জন করে। এআর ব্যান্ডউইথের মধ্যে গড় লাভ হল ৬.৬ ডিবিআইসি, যার পরিবর্তন ০.৫ ডিবিআইসির কম। এই কাজটি একটি এম-সোন্ডেড ফিড সিপি প্যাচ অ্যান্টেনার ব্যান্ডউইথ প্রসারিত করার কৌশল প্রদর্শন করে। এটি প্রথম গবেষণা যা এম-সোন্ডের অনুসন্ধান এবং প্রদর্শন করে যে এটি ডাইলেট্রিক লোডযুক্ত প্যাচ অ্যান্টেনার মধ্যেও ব্রডব্যান্ড বৈশিষ্ট্য সরবরাহ করতে পারে। এন্টেনের সম্ভাব্য অ্যাপ্লিকেশন হল ৫জি ওয়াই-ফাই এবং স্যাটেলাইট যোগাযোগ ব্যবস্থা।
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	এই গবেষণাপত্রে আমরা রিয়েল টাইমে একাধিক নির্দিষ্ট থ্রিডি অবজেক্ট সনাক্ত করার জন্য একটি নতুন পদ্ধতির প্রস্তাব দিচ্ছি। আমরা টেমপ্লেট ভিত্তিক পদ্ধতির থেকে শুরু করি যা সম্প্রতি Hinterstoisser et al দ্বারা চালু করা LINE2D/LINEMOD প্রতিনিধিত্বের উপর ভিত্তি করে, তবে এটি দুটি উপায়ে প্রসারিত করে। প্রথমত, আমরা টেমপ্লেটগুলিকে একটি বৈষম্যমূলক পদ্ধতিতে শিখতে প্রস্তাব করছি। আমরা দেখিয়েছি যে, এই কাজটি অনলাইনে করা যায়, উদাহরণস্বরূপ ছবি সংগ্রহের সময়, মাত্র কয়েক মিলিসেকেন্ডের মধ্যে, এবং এটি ডিটেক্টরের নির্ভুলতার উপর বড় প্রভাব ফেলে। দ্বিতীয়ত, আমরা ক্যাসকেডের উপর ভিত্তি করে একটি স্কিম প্রস্তাব করছি যা সনাক্তকরণকে ত্বরান্বিত করে। যেহেতু একটি বস্তুর সনাক্তকরণ দ্রুত হয়, নতুন বস্তুর খুব কম খরচে যোগ করা যেতে পারে, আমাদের পদ্ধতির স্কেল ভাল করে তোলে। আমাদের পরীক্ষায়, আমরা সহজেই ১০-৩০টি থ্রিডি অবজেক্টকে ১০ ফ্রেম/পিএস এর উপরে ফ্রেম রেটে পরিচালনা করতে পারি একটি সিপিইউ কোর ব্যবহার করে। আমরা দ্রুততার দিক থেকে এবং সঠিকতার দিক থেকে উভয় ক্ষেত্রেই অত্যাধুনিক প্রযুক্তির চেয়ে ভাল পারফর্ম করি, যা 3 টি ভিন্ন ডেটাসেটে যাচাই করা হয়েছে। এটি যখন একক রঙের চিত্র ব্যবহার করে (LINE2D সহ) এবং যখন RGBD চিত্র ব্যবহার করে (LINEMOD সহ) উভয়ই ধরে রাখে। তদুপরি, আমরা ১২টি বস্তুর একটি চ্যালেঞ্জিং নতুন ডেটা সেট প্রস্তাব করছি, একক রঙের চিত্রের ভবিষ্যৎ প্রতিযোগিতামূলক পদ্ধতির জন্য।
41d103f751d47f0c140d21c5baa4981b3d4c9a76	মানুষ তাদের ইন্টারনেট ওয়েব্লগে যেসব ব্যক্তিগত গল্প লিখে থাকে, তাতে দৈনন্দিন ঘটনার মধ্যেকার কারণ-সংক্রান্ত সম্পর্ক সম্পর্কে প্রচুর তথ্য থাকে। এই গবেষণাপত্রে আমরা লক্ষ লক্ষ গল্পের ব্যবহারের জন্য আমাদের প্রচেষ্টা বর্ণনা করছি স্বয়ংক্রিয় সাধারণ জ্ঞানযুক্ত যুক্তিযুক্ত যুক্তির জন্য। সাধারণ জ্ঞানমূলক কারণগত যুক্তি সমস্যাকে সম্ভাব্য বিকল্পের একটি পছন্দ হিসাবে নির্ণয় করে, আমরা চারটি পরীক্ষা বর্ণনা করি যা বিভিন্ন পরিসংখ্যানগত এবং তথ্য পুনরুদ্ধারের পদ্ধতির তুলনা করে গল্পের কর্পোরায় কারণগত তথ্যকে কাজে লাগায়। এই পরীক্ষাগুলিতে শীর্ষস্থানীয় পারফরম্যান্স সিস্টেমটি কারণগত পূর্বসূরীর এবং ফলস্বরূপ শব্দের মধ্যে একটি সাধারণ সহ-ঘটনা পরিসংখ্যান ব্যবহার করে, লক্ষ লক্ষ ব্যক্তিগত গল্পের একটি কর্পাসের মধ্যে পয়েন্টওয়াইস পারস্পরিক তথ্য হিসাবে গণনা করা হয়।
c9d1bcdb95aa748940b85508fd7277622f74c0a4	তথ্য ব্যবস্থা (আইএস) বিষয়ে অন্তত এক দশক ধরে কেস রিসার্চকে সম্মান দেওয়া হচ্ছে। কেস স্টাডিগুলির প্রাসঙ্গিকতা এবং সম্ভাব্য মূল্য সত্ত্বেও, এই পদ্ধতিগত পদ্ধতিটি একবার সবচেয়ে কম পদ্ধতিগত বলে বিবেচিত হয়েছিল। ১৯৮০ এর দশকের শেষের দিকে, আইএস কেস রিসার্চটি কঠোরভাবে পরিচালিত হয়েছিল কিনা তা নিয়ে প্রথম প্রশ্ন উত্থাপিত হয়েছিল। আমাদের ক্ষেত্রের গবেষকরা (যেমন, বেনবাসাত এবং অন্যান্যরা) ১৯৮৭; লি ১৯৮৯) এবং অন্যান্য শাখার (যেমন, আইজেনহার্ট ১৯৮৯; ইয়িন ১৯৯৪) কেস রিসার্চ-এ আরও কঠোরতার আহ্বান জানান এবং তাদের সুপারিশের মাধ্যমে কেস স্টাডি পদ্ধতির অগ্রগতিতে অবদান রাখেন। এই অবদানগুলি বিবেচনা করে, এই গবেষণায় কেস স্টাডি পদ্ধতির ব্যবহারে আইএস ক্ষেত্রের কতটা অগ্রগতি হয়েছে তা নির্ধারণের চেষ্টা করা হয়েছে। বিশেষ করে, গত দশকে পরিচালিত ইতিবাচক আইএস কেস গবেষণায় পদ্ধতিগত কঠোরতার মাত্রা নিয়ে এটি তদন্ত করে। এই লক্ষ্য পূরণের জন্য, আমরা সাতটি প্রধান আইএস জার্নাল থেকে ১৮৩টি কেস নিবন্ধ চিহ্নিত ও কোড করেছি। মূল্যায়ন বৈশিষ্ট্য বা মানদণ্ড এই পর্যালোচনা বিবেচনা তিনটি প্রধান এলাকায় ফোকাস, যথা, নকশা বিষয়, তথ্য সংগ্রহ, এবং তথ্য বিশ্লেষণ. যদিও পদ্ধতিগত কঠোরতার মাত্রা কিছু নির্দিষ্ট বৈশিষ্ট্যের সাথে সামান্য অগ্রগতি অর্জন করেছে, সামগ্রিকভাবে মূল্যায়িত কঠোরতা কিছুটা দ্ব্যর্থক এবং এখনও উন্নতির জন্য উল্লেখযোগ্য ক্ষেত্র রয়েছে। এর মধ্যে অন্যতম হল, তথ্য সংগ্রহ এবং ব্যবহারের ক্ষেত্রে আরও ভালো ডকুমেন্টেশন তৈরি করা।
025cdba37d191dc73859c51503e91b0dcf466741	আঙুলের ছাপের ছবির উন্নতি করা হচ্ছে আঙুলের ছাপ সনাক্তকরণ অ্যাপ্লিকেশনের একটি গুরুত্বপূর্ণ প্রাক-প্রক্রিয়াকরণ ধাপ। এই গবেষণাপত্রে আমরা এমন একটি পদ্ধতির কথা বলব যা গ্যাবর ওয়েভলেট ফিল্টার ব্যাংক দ্বারা আঙুলের ছাপ চিত্রের স্থানীয় রেঞ্জের দিকনির্দেশ এবং ফ্রিকোয়েন্সি একযোগে বের করে এবং গ্যাবর ফিল্টারিং ইমেজে ব্যবহার করে। এছাড়াও, আমরা আঙুলের ছাপ চিত্রের বর্ধনের একটি শক্তিশালী পদ্ধতির বর্ণনা করছি, যা গ্যাবর ফিল্টার এবং দিকনির্দেশমূলক মিডিয়ান ফিল্টার ((ডিএমএফ) এর একীকরণের উপর ভিত্তি করে। আসলে, গাওসিয়ান-বিতৃত শব্দগুলি গ্যাবর ফিল্টার দ্বারা কার্যকরভাবে হ্রাস করা হয় এবং DMF দ্বারা প্রেরণ শব্দগুলি হ্রাস করা হয়। প্রস্তাবিত ডিএমএফ কেবল তার মূল কাজ শেষ করতে পারে না, এটি ভাঙা আঙুলের ছাপের রেঞ্জগুলিকে একত্রিত করতে পারে, আঙুলের ছাপের চিত্রগুলির গর্তগুলি পূরণ করতে পারে, অনিয়মিত রেঞ্জগুলি মসৃণ করতে পারে এবং পাশাপাশি রেঞ্জের মধ্যে কিছু বিরক্তিকর ছোট শিল্পকর্মগুলি সরিয়ে ফেলতে পারে। পরীক্ষামূলক ফলাফল আমাদের পদ্ধতিকে সাহিত্যে বর্ণিত পদ্ধতির চেয়ে উন্নত বলে প্রমাণ করে।
3dfce4601c3f413605399267b3314b90dc4b3362	বর্তমান বিশ্বব্যাপী নেটওয়ার্কিং সমাজ তথ্যের প্রসার ও ভাগাভাগি করার জন্য অনেক বেশি চাহিদা রাখে। অতীতে প্রকাশিত তথ্য বেশিরভাগই সারণি এবং পরিসংখ্যানের আকারে ছিল, আজ অনেক পরিস্থিতিতে নির্দিষ্ট তথ্য (মাইক্রোডাটা) প্রকাশের প্রয়োজন হয়। তথ্যের সাথে সম্পর্কিত সত্তাগুলির (প্রতিবেদক বলা হয়) নাম প্রকাশ না করার জন্য, তথ্যধারীরা প্রায়শই নাম, ঠিকানা এবং ফোন নম্বরগুলির মতো স্পষ্ট সনাক্তকারীগুলি সরিয়ে বা এনক্রিপ্ট করে। তবে, পরিচয় গোপন করার জন্য ডেটা ব্যবহার করা হয় না। প্রকাশিত তথ্যে প্রায়শই অন্যান্য তথ্য থাকে, যেমন জাতি, জন্ম তারিখ, লিঙ্গ এবং জিপ কোড, যা উত্তরদাতাদের পুনরায় সনাক্ত করতে এবং তথ্য প্রকাশের উদ্দেশ্যে নয় এমন তথ্যের সাথে যুক্ত হতে পারে। এই গবেষণাপত্রে আমরা তথ্যের সাথে সংশ্লিষ্ট উত্তরদাতাদের নাম প্রকাশের সময় তাদের নাম গোপন রাখার বিষয়টি নিয়ে আলোচনা করব। এই পদ্ধতিটি k-anonymity এর সংজ্ঞার উপর ভিত্তি করে তৈরি। একটি টেবিল k-অনামীতা প্রদান করে যদি এর বিষয়বস্তুতে স্পষ্টভাবে সনাক্তকরণকারী তথ্যকে ম্যাপ করার প্রচেষ্টা তথ্যটি কমপক্ষে k সত্তাগুলির সাথে ম্যাপ করে। আমরা দেখাবো কিভাবে সাধারণীকরণ এবং দমন কৌশল ব্যবহার করে প্রকাশিত তথ্যের অখণ্ডতা (বা সত্যতা) এর সাথে আপস না করেই কে-অনামিত্ব প্রদান করা যেতে পারে। আমরা ন্যূনতম সাধারণীকরণের ধারণাটি প্রবর্তন করি যা প্রকাশের প্রক্রিয়াটির সম্পত্তিকে ক্যাপচার করে যাতে কে-অনামিত্ব অর্জনের জন্য প্রয়োজনীয়তার চেয়ে বেশি ডেটা বিকৃত না হয় এবং এই জাতীয় সাধারণীকরণের গণনার জন্য একটি অ্যালগরিদম উপস্থাপন করে। আমরা বিভিন্ন ন্যূনতম মধ্যে নির্বাচন করতে সম্ভাব্য পছন্দ নীতি আলোচনা
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	স্মার্ট কার্ডের মাধ্যমে ব্যবহারকারীকে প্রমাণীকরণ করার জন্য একটি স্মার্ট কার্ড ভিত্তিক ব্যবহারকারী প্রমাণীকরণ স্কিম (সংক্ষেপে, একটি এসইউএ-ডব্লিউএসএন স্কিম) কেবলমাত্র সেন্সর ডেটাতে অ্যাক্সেসকে সীমাবদ্ধ করার জন্য ডিজাইন করা হয়েছে যারা স্মার্ট কার্ড এবং সংশ্লিষ্ট পাসওয়ার্ড উভয়ই রয়েছে। যদিও সাম্প্রতিক বছরগুলোতে বেশ কিছু এসইউএ-ডব্লিউএসএন প্রকল্পের প্রস্তাব দেওয়া হয়েছে, তবে তাদের নিরাপত্তা বৈশিষ্ট্যগুলির জন্য কোনো প্রচলিত মডেলের মধ্যে আনুষ্ঠানিক সংজ্ঞা এবং প্রমাণের অভাব রয়েছে। এর ফলে বিভিন্ন আক্রমণের বিরুদ্ধে সুরক্ষিত নয় এমন এসইউএ-ডব্লিউএসএন প্রকল্পের সংখ্যা বেড়েছে। এই গবেষণাপত্রে আমরা বেলার, পয়েন্টচেভাল এবং রোগাওয়ের (২০০০) বহুল স্বীকৃত মডেলের সম্প্রসারণ করে এসইউএ-ডাব্লুএসএন স্কিমগুলির বিশ্লেষণের জন্য একটি সুরক্ষা মডেল তৈরি করেছি। আমাদের মডেলটি সাইড-চ্যানেল আক্রমণগুলি এবং অন্যান্য সাধারণ আক্রমণগুলি ক্যাপচার করার সময় প্রমাণীকৃত কী বিনিময় এবং ব্যবহারকারীর নাম প্রকাশের আনুষ্ঠানিক সংজ্ঞা সরবরাহ করে। আমরা একটি নতুন SUA-WSN স্কিম প্রস্তাব করছি যা এলিপটিক কার্ভ ক্রিপ্টোগ্রাফি (ইসিসি) এর উপর ভিত্তি করে এবং আমাদের বর্ধিত মডেলটিতে এর সুরক্ষা বৈশিষ্ট্যগুলি প্রমাণ করে। আমাদের জানা মতে, আমাদের প্রস্তাবিত এই স্কিমটিই প্রথম SUA-WSN স্কিম যা প্রমাণিতভাবে প্রমাণিত কী বিনিময় এবং ব্যবহারকারীর নাম প্রকাশের উভয়ই অর্জন করে। আমাদের এই স্কিমটি অন্যান্য ইসিসি-ভিত্তিক (প্রমাণিতভাবে নিরাপদ নয়) স্কিমগুলির সাথে কম্পিউটেশনালভাবে প্রতিযোগিতামূলক।
3973e14770350ed54ba1272aa3e19b4d21f5dad3	এই গবেষণাপত্রে বোসের জন্য তৈরি বাধাগুলি সনাক্তকরণ এবং ট্র্যাকিং অ্যালগরিদমের বর্ণনা দেওয়া হয়েছে, যা ২০০৭ সালে DARPA আরবান চ্যালেঞ্জে কার্নেগি মেলন বিশ্ববিদ্যালয়ের বিজয়ী এন্ট্রি। আমরা ট্র্যাকিং সাবসিস্টেম বর্ণনা করি এবং দেখাই যে এটি বৃহত্তর উপলব্ধি ব্যবস্থার প্রসঙ্গে কীভাবে কাজ করে। ট্র্যাকিং সাবসিস্টেমটি রোবটকে শহুরে গাড়ি চালানোর জটিল পরিস্থিতি বুঝতে এবং অন্যান্য যানবাহনের কাছাকাছি নিরাপদে কাজ করার ক্ষমতা দেয়। ট্র্যাকিং সিস্টেমটি এক ডজন সেন্সর থেকে সেন্সর ডেটাকে পরিবেশ সম্পর্কে অতিরিক্ত তথ্যের সাথে একত্রিত করে একটি সুসংগত পরিস্থিতিগত মডেল তৈরি করে। সেন্সর ডেটার মানের উপর ভিত্তি করে বস্তুর ট্র্যাকিংয়ের জন্য একটি নতুন মাল্টি-মডেল পদ্ধতি ব্যবহার করা হয়। অবশেষে, ট্র্যাকিং সাবসিস্টেমের স্থাপত্য স্পষ্টভাবে প্রক্রিয়াকরণের প্রতিটি স্তরকে বিমূর্ত করে। নতুন সেন্সর এবং ভ্যালিডেশন অ্যালগরিদম যোগ করে এই উপ-প্রণালীকে সহজেই সম্প্রসারিত করা যায়।
6a694487451957937adddbd682d3851fabd45626	অত্যাধুনিক প্রশ্ন উত্তর (QA) সিস্টেমগুলি উত্তর প্যাসেজগুলি পুনরুদ্ধার করতে শব্দ-ঘনত্বের র্যাঙ্কিং ব্যবহার করে। এই ধরনের পদ্ধতিগুলি প্রায়ই ভুল অনুচ্ছেদগুলি পুনরুদ্ধার করে কারণ প্রশ্নের শর্তগুলির মধ্যে সম্পর্কগুলি বিবেচনা করা হয় না। পূর্ববর্তী গবেষণায় প্রশ্ন ও উত্তরগুলির মধ্যে নির্ভরতা সম্পর্ককে মিলিয়ে এই সমস্যাটি সমাধান করার চেষ্টা করা হয়েছিল। তারা কঠোরভাবে মিল ব্যবহার করে, যা ব্যর্থ হয় যখন অর্থগতভাবে সমতুল্য সম্পর্কগুলি ভিন্নভাবে শব্দকোষযুক্ত হয়। আমরা পরিসংখ্যানগত মডেলের উপর ভিত্তি করে অস্পষ্ট সম্পর্ক মেলে প্রস্তাব করছি। আমরা অতীতের কোয়ালিটি কন্ট্রোল জোড়া থেকে সম্পর্ক ম্যাপিং স্কোর শেখার জন্য দুটি পদ্ধতি উপস্থাপন করিঃ একটি পারস্পরিক তথ্যের উপর ভিত্তি করে এবং অন্যটি প্রত্যাশা সর্বাধিকীকরণের উপর ভিত্তি করে। পরীক্ষামূলক ফলাফল দেখায় যে আমাদের পদ্ধতিটি আধুনিকতম ঘনত্ব-ভিত্তিক উত্তরণ পুনরুদ্ধারের পদ্ধতিকে উল্লেখযোগ্যভাবে অতিক্রম করে 78% পর্যন্ত গড় পারস্পরিক র্যাঙ্কে। সম্পর্ক মিলিয়ে ক্যোয়ারী সম্প্রসারণের মাধ্যমে উন্নত সিস্টেমে প্রায় ৫০% উন্নতি হয়।
2538e3eb24d26f31482c479d95d2e26c0e79b990	আমরা একটি ইউনিফাইড নিউরাল নেটওয়ার্ক আর্কিটেকচার এবং লার্নিং অ্যালগরিদমের প্রস্তাব দিচ্ছি যা বিভিন্ন প্রাকৃতিক ভাষা প্রক্রিয়াকরণ কাজে প্রয়োগ করা যেতে পারে যার মধ্যে রয়েছেঃ অংশ-ভাষার ট্যাগিং, চঙ্কিং, নামযুক্ত সত্তা স্বীকৃতি, এবং শব্দার্থিক ভূমিকা লেবেলিং। এই বহুমুখিতা টাস্ক-নির্দিষ্ট প্রকৌশল এড়ানোর চেষ্টা করে এবং তাই পূর্বের জ্ঞান অনেক উপেক্ষা করে অর্জন করা হয়। প্রতিটি কাজের জন্য সাবধানে অপ্টিমাইজ করা মানব-সৃষ্ট ইনপুট বৈশিষ্ট্যগুলিকে কাজে লাগানোর পরিবর্তে, আমাদের সিস্টেমটি বিশাল পরিমাণে বেশিরভাগ লেবেলবিহীন প্রশিক্ষণ ডেটার ভিত্তিতে অভ্যন্তরীণ উপস্থাপনাগুলি শিখে। এই কাজটি একটি মুক্তভাবে উপলব্ধ ট্যাগিং সিস্টেম তৈরির ভিত্তি হিসাবে ব্যবহৃত হয় যা ভাল পারফরম্যান্স এবং ন্যূনতম কম্পিউটেশনাল প্রয়োজনীয়তা সহ।
317deb87586baa4ee7c7b5dfc603ebed94d1da07	আমরা একটি নতুন দ্রুত বিশুদ্ধ বৈষম্যমূলক অ্যালগরিদম প্রাকৃতিক ভাষা পার্সিং জন্য প্রস্তাব, একটি গভীর পুনরাবৃত্তিমূলক কনভোলুশনাল গ্রাফ ট্রান্সফরমার নেটওয়ার্ক (জিটিএন) উপর ভিত্তি করে। একটি পার্স গাছের একটি স্তরকে levels এর একটি স্ট্যাকের মধ্যে ভেঙ্গে ফেলা অনুমান করে, নেটওয়ার্কটি পূর্ববর্তী স্তরের পূর্বাভাসগুলি বিবেচনা করে গাছের একটি স্তরের পূর্বাভাস দেয়। কলোবার্ট এবং ওয়েস্টন (২০০৮) এর কয়েকটি মৌলিক পাঠ্য বৈশিষ্ট্য ব্যবহার করে আমরা বিদ্যমান বিশুদ্ধ বৈষম্যমূলক পার্সার এবং বিদ্যমান "বেঞ্চমার্ক" পার্সারগুলির সাথে (কলিন্স পার্সার, সম্ভাব্যতাবাদী প্রসঙ্গ-মুক্ত ব্যাকরণ ভিত্তিক) অনুরূপ কার্যকারিতা (এফ 1 স্কোর) দেখাই, যার সাথে একটি বিশাল গতির সুবিধা রয়েছে।
04cc04457e09e17897f9256c86b45b92d70a401f	সামাজিক নেটওয়ার্ক, চলচ্চিত্র পছন্দ বা জ্ঞান বেসগুলির মতো অনেকগুলি তথ্য বহু-সম্পর্কীয়, যেহেতু তারা সত্তাগুলির মধ্যে একাধিক সম্পর্ক বর্ণনা করে। যদিও এই তথ্য মডেলিং উপর দৃষ্টি নিবদ্ধ করা একটি বড় কাজ আছে, যৌথভাবে এই একাধিক ধরনের সম্পর্ক মডেলিং চ্যালেঞ্জিং রয়ে যায়। এছাড়াও, বর্তমান পদ্ধতিগুলো যখন এই ধরনের সংখ্যা বৃদ্ধি পায় তখন তা ভেঙে পড়ে। এই গবেষণাপত্রে আমরা একটি পদ্ধতির প্রস্তাব দিচ্ছি, যার মাধ্যমে বড় বড় মাল্টি-রিলেশনাল ডেটাসেট মডেলিং করা যায়, যেখানে সম্ভবত হাজার হাজার সম্পর্ক রয়েছে। আমাদের মডেলটি একটি দ্বি-রেখাযুক্ত কাঠামোর উপর ভিত্তি করে তৈরি, যা তথ্যের বিভিন্ন ক্রমানুসারে ইন্টারঅ্যাকশনকে ক্যাপচার করে এবং বিভিন্ন সম্পর্কের মধ্যে বিরল লুকানো কারণগুলিও ভাগ করে নেয়। আমরা স্ট্যান্ডার্ড টেনসর-ফ্যাক্টরাইজেশন ডেটাসেটগুলিতে আমাদের পদ্ধতির পারফরম্যান্স চিত্রিত করি যেখানে আমরা সর্বশেষ ফলাফলগুলি অর্জন করি বা অতিক্রম করি। অবশেষে, একটি এনএলপি অ্যাপ্লিকেশন আমাদের স্কেলযোগ্যতা এবং আমাদের মডেলের দক্ষতা এবং অর্থগতভাবে অর্থপূর্ণ ক্রিয়া প্রতিনিধিত্ব শিখতে ক্ষমতা প্রদর্শন করে।
052b1d8ce63b07fec3de9dbb583772d860b7c769	আমরা নিউরনের মত ইউনিটগুলির নেটওয়ার্কগুলির জন্য একটি নতুন শেখার পদ্ধতি, ব্যাক-প্রোপাগেশন বর্ণনা করছি। এই পদ্ধতিতে নেটওয়ার্কের সংযোগের ওজন বারবার সামঞ্জস্য করা হয় যাতে নেটওয়ার্কের প্রকৃত আউটপুট ভেক্টর এবং কাঙ্ক্ষিত আউটপুট ভেক্টরের মধ্যে পার্থক্যের পরিমাপকে সর্বনিম্ন করা যায়। ওজন সমন্বয় করার ফলে, অভ্যন্তরীণ "অবরুদ্ধ" ইউনিটগুলি যা ইনপুট বা আউটপুটের অংশ নয় তা কার্য ডোমেনের গুরুত্বপূর্ণ বৈশিষ্ট্যগুলি উপস্থাপন করতে আসে এবং কার্যের নিয়মাবলী এই ইউনিটগুলির মিথস্ক্রিয়া দ্বারা ধরা হয়। উপকারী নতুন বৈশিষ্ট্য তৈরি করার ক্ষমতা ব্যাক-প্রোপাগেশনকে আগের, সহজ পদ্ধতি যেমন পার্সপেক্ট্রন-কনভার্জেন্স পদ্ধতি থেকে আলাদা করে দেয়।
07f3f736d90125cb2b04e7408782af411c67dd5a	অনেক প্রাকৃতিক ভাষার কাজেই অর্থগত মিলের গুরুত্ব অপরিসীম [২, ২৮]। একটি সফল মিলিত অ্যালগরিদমের ভাষা বস্তুর অভ্যন্তরীণ কাঠামো এবং তাদের মধ্যে মিথস্ক্রিয়াকে যথাযথভাবে মডেলিং করা প্রয়োজন। এই লক্ষ্যে একটি পদক্ষেপ হিসেবে, আমরা দুটি বাক্যকে মিলিয়ে তুলতে কনভলুশনাল নিউরাল নেটওয়ার্ক মডেলের প্রস্তাব দিচ্ছি, দৃষ্টি এবং বক্তৃতায় কনভলুশনাল কৌশলটি অভিযোজিত করে। প্রস্তাবিত মডেলগুলি কেবলমাত্র তাদের স্তর-পর্যায়ের রচনা এবং পুলেটিংয়ের সাথে বাক্যগুলির শ্রেণিবদ্ধ কাঠামোর সুন্দর উপস্থাপনা করে না, তবে বিভিন্ন স্তরে সমৃদ্ধ মিলিত নিদর্শনগুলিও ক্যাপচার করে। আমাদের মডেলগুলো বেশ সাধারণ, ভাষা সম্পর্কে কোন পূর্বের জ্ঞান প্রয়োজন হয় না, এবং তাই বিভিন্ন প্রকৃতির এবং বিভিন্ন ভাষায় কাজগুলো মিলিয়ে তুলতে প্রয়োগ করা যেতে পারে। বিভিন্ন ধরণের মেলামেশার কাজ নিয়ে গবেষণায় প্রস্তাবিত মডেলের কার্যকারিতা এবং প্রতিযোগী মডেলের তুলনায় এর শ্রেষ্ঠত্বের প্রমাণ পাওয়া গেছে।
0af737eae02032e66e035dfed7f853ccb095d6f5	উত্তর নির্বাচন (এএস), প্যারাফ্রেজ সনাক্তকরণ (পিআই) এবং পাঠ্য জড়িত (টিই) এর মতো অনেক এনএলপি কাজে বাক্যগুলির জোড়া কীভাবে মডেল করা যায় তা একটি গুরুত্বপূর্ণ বিষয়। বেশিরভাগ পূর্ববর্তী কাজ (i) একটি নির্দিষ্ট সিস্টেমকে সূক্ষ্ম-টুন করে একটি পৃথক কাজ নিয়ে কাজ করে; (ii) প্রতিটি বাক্যের প্রতিনিধিত্বকে আলাদাভাবে মডেল করে, খুব কমই অন্য বাক্যের প্রভাব বিবেচনা করে; বা (iii) সম্পূর্ণরূপে ম্যানুয়ালি ডিজাইন করা, টাস্ক-নির্দিষ্ট ভাষাগত বৈশিষ্ট্যগুলির উপর নির্ভর করে। এই কাজটি একটি সাধারণ মনোযোগ ভিত্তিক কনভোলুশনাল নিউরাল নেটওয়ার্ক (এবিসিএনএন) উপস্থাপন করে যা একটি জোড়া বাক্য মডেলিংয়ের জন্য। আমরা তিনটি অবদান রাখি। (i) ABCNN-কে বিভিন্ন ধরনের কাজ করতে ব্যবহার করা যায় যার জন্য বাক্য জুটির মডেলিং প্রয়োজন। (ii) আমরা তিনটি মনোযোগের স্কিম প্রস্তাব করি যা সিএনএন-তে বাক্যগুলির মধ্যে পারস্পরিক প্রভাবকে সংহত করে; সুতরাং, প্রতিটি বাক্যটির উপস্থাপনা তার প্রতিপক্ষকে বিবেচনা করে। এই পরস্পর নির্ভরশীল বাক্য জোড়া উপস্থাপনাগুলি বিচ্ছিন্ন বাক্য উপস্থাপনার চেয়ে বেশি শক্তিশালী। (iii) এ বি সি এন এন এগুলি এএস, আইপি এবং টিই কার্যক্রমে অত্যাধুনিক পারফরম্যান্স অর্জন করে। আমরা কোডটি https://github.com/yinwenpeng/Answer_Selection এ প্রকাশ করছি।
1c059493904b2244d2280b8b4c0c7d3ca115be73	নেটওয়ার্কের নোড এবং এজগুলির উপর পূর্বাভাস কার্যগুলি শেখার অ্যালগরিদম দ্বারা ব্যবহৃত প্রকৌশল বৈশিষ্ট্যগুলিতে সতর্ক প্রচেষ্টা প্রয়োজন। প্রতিনিধিত্বমূলক শিক্ষার বিস্তৃত ক্ষেত্রে সাম্প্রতিক গবেষণায় বৈশিষ্ট্যগুলি নিজেই শেখার মাধ্যমে পূর্বাভাস স্বয়ংক্রিয়করণের ক্ষেত্রে উল্লেখযোগ্য অগ্রগতি হয়েছে। তবে, বর্তমান বৈশিষ্ট্য শেখার পদ্ধতিগুলি নেটওয়ার্কগুলিতে দেখা সংযোগের নিদর্শনগুলির বৈচিত্র্যকে ক্যাপচার করার জন্য যথেষ্ট প্রকাশক নয়। এখানে আমরা নোড২ভেকের প্রস্তাব দিচ্ছি, যা নেটওয়ার্কের নোডের জন্য ক্রমাগত বৈশিষ্ট্য উপস্থাপনা শেখার জন্য একটি অ্যালগরিদমিক কাঠামো। নোড২ভেক-এ আমরা নোডের মানচিত্র তৈরি করতে শিখি যা নেটওয়ার্ক প্রতিবেশী নোডগুলিকে সংরক্ষণের সম্ভাবনাকে সর্বাধিক করে তোলে। আমরা একটি নোডের নেটওয়ার্ক প্রতিবেশী একটি নমনীয় ধারণা সংজ্ঞায়িত এবং একটি পক্ষপাতমূলক র্যান্ডম হাঁটা পদ্ধতি ডিজাইন, যা দক্ষতার বিভিন্ন প্রতিবেশীদের অন্বেষণ করে। আমাদের অ্যালগরিদম পূর্ববর্তী কাজকে সাধারণীকরণ করে যা নেটওয়ার্ক প্রতিবেশীদের কঠোর ধারণার উপর ভিত্তি করে এবং আমরা যুক্তি দিচ্ছি যে প্রতিবেশীদের অন্বেষণে যুক্ত নমনীয়তা হ ল সমৃদ্ধ উপস্থাপনা শেখার মূল চাবিকাঠি। আমরা বিভিন্ন ডোমেইন থেকে বেশ কয়েকটি বাস্তব বিশ্বের নেটওয়ার্কে মাল্টি-লেবেল শ্রেণিবিন্যাস এবং লিঙ্ক পূর্বাভাসের উপর বিদ্যমান অত্যাধুনিক কৌশলগুলির উপর নোড 2 ভেকের কার্যকারিতা প্রদর্শন করি। আমাদের কাজগুলোকে একসাথে নিয়ে, আমরা জটিল নেটওয়ার্কে অত্যাধুনিক টাস্ক-নির্ভর উপস্থাপনা দক্ষতার সাথে শেখার একটি নতুন উপায়ের প্রতিনিধিত্ব করছি।
de93c4f886bdf55bfc1bcaefad648d5996ed3302	এই অধ্যায়টি আধুনিক অনুপ্রবেশ সনাক্তকরণের অবস্থা পরীক্ষা করে, ডেটা মাইনিংয়ের উদীয়মান পদ্ধতির উপর বিশেষ জোর দিয়ে। এই আলোচনাটি অনুপ্রবেশ সনাক্তকরণের দুটি গুরুত্বপূর্ণ দিকের সমান্তরালঃ সাধারণ সনাক্তকরণ কৌশল (অপব্যবহার সনাক্তকরণ বনাম অস্বাভাবিকতা সনাক্তকরণ) এবং ডেটা উত্স (অনন্য হোস্ট বনাম নেটওয়ার্ক ট্র্যাফিক) । অপব্যবহার সনাক্তকরণ অনুপ্রবেশের পরিচিত নিদর্শনগুলির সাথে মিলিত হওয়ার চেষ্টা করে , যখন অ্যানোমালি সনাক্তকরণ স্বাভাবিক আচরণ থেকে বিচ্যুতির সন্ধান করে । এই দুই পদ্ধতির মধ্যে, শুধুমাত্র অ্যানোমালি ডিটেকশন অজানা আক্রমণ সনাক্ত করার ক্ষমতা রাখে। অস্বাভাবিকতা সনাক্তকরণের জন্য একটি বিশেষভাবে প্রতিশ্রুতিবদ্ধ পদ্ধতিটি শ্রেণিবিন্যাসের মতো মেশিন লার্নিংয়ের অন্যান্য ফর্মগুলির সাথে সমিতি খনির সমন্বয় করে। এছাড়াও, একটি অনুপ্রবেশ সনাক্তকরণ সিস্টেম যে ডেটা উত্স ব্যবহার করে তা এটি সনাক্ত করতে পারে এমন ধরণের আক্রমণগুলিকে উল্লেখযোগ্যভাবে প্রভাবিত করে। বিস্তারিত তথ্যের স্তর সম্পর্কে একটি সমঝোতা আছে। বারবারা এট আল। (সম্পাদক) ), কম্পিউটার নিরাপত্তা তথ্য খনির অ্যাপ্লিকেশন © Kluwer Academic Publishers 2002 s
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	আমরা একটি বড় লেবেলযুক্ত বস্তুর স্বীকৃতি ডেটাসেটে প্রশিক্ষিত একটি গভীর কনভলুশনাল নিউরাল নেটওয়ার্কের (সিএনএন) বৈশিষ্ট্য নিষ্কাশন স্তর ব্যবহার করে গণনা করা একটি ভিজ্যুয়াল ধারণা প্রতিনিধিত্ব ভেক্টরের সাথে একটি স্কিপ-গ্রাম ভাষাগত প্রতিনিধিত্ব ভেক্টরকে সংযুক্ত করে মাল্টি-মোডাল ধারণা উপস্থাপনা তৈরি করি। এই ট্রান্সফার লার্নিং পদ্ধতিটি ঐতিহ্যগত ব্যাগ-অফ-ভিজ্যুয়াল-ওয়ার্ড পদ্ধতির উপর ভিত্তি করে বৈশিষ্ট্যগুলির উপর স্পষ্ট পারফরম্যান্স লাভ করে। ওয়ার্ডসিম৩৫৩ এবং মেনের অর্থগত সম্পর্ক মূল্যায়ন কার্যের পরীক্ষামূলক ফলাফলের প্রতিবেদন দেওয়া হয়েছে। আমরা ইমেজনেট বা ইএসপি গেম ইমেজ ব্যবহার করে গণনা করা ভিজ্যুয়াল বৈশিষ্ট্য ব্যবহার করি।
a65e815895bed510c0549957ce6baa129c909813	আমরা একটি অনিয়ন্ত্রিত পদ্ধতির প্রস্তাব দিচ্ছি, যা আরবি ভাষার শিকড় এবং নিদর্শন টেমপ্লেটগুলির একটি শব্দকোষ তৈরি করতে ব্যবহার করা হয়। এই পদ্ধতির ধারণাটি ভিত্তি করে যে মূল এবং নিদর্শনগুলি অনুমানিত প্যাটার্ন এবং মূল ফ্রিকোয়েন্সিগুলির উপর ভিত্তি করে পারস্পরিক পুনরাবৃত্তিমূলক স্কোরিংয়ের মাধ্যমে প্রকাশ করা যেতে পারে। আরও একটি পুনরাবৃত্তিমূলক পরিমার্জন পর্যায়ে, প্ররোচিত শব্দকোষের সাথে রূপবিজ্ঞান বিশ্লেষণ 94% এরও বেশি মূল সনাক্তকরণের নির্ভুলতা অর্জন করে। আমাদের পদ্ধতির আরবি ভাষার রূপকথার অনিয়ন্ত্রিত শিক্ষার পূর্ববর্তী কাজের থেকে আলাদা যে এটি প্রাকৃতিকভাবে লিখিত, অস্বাভাবিক পাঠ্যের জন্য প্রযোজ্য।
3f4e71d715fce70c89e4503d747aad11fcac8a43	এই কেস স্টাডি অটো ইনক-এর মধ্যে তিনটি ভিন্ন ডিজিটাল উদ্ভাবন প্রকল্পের পরীক্ষা করে -- একটি বড় ইউরোপীয় গাড়ি নির্মাতা। প্রতিযোগিতামূলক মূল্যবোধের কাঠামোকে একটি তাত্ত্বিক লেন্স হিসাবে ব্যবহার করে আমরা অনুসন্ধান করি যে কীভাবে একটি ফার্মে গতিশীল ক্ষমতা ঘটে যা ডিজিটালাইজেশনের উত্স এবং উদ্ভাবনের ক্রমবর্ধমান চাহিদা পূরণের চেষ্টা করে। এই ডিজিটালাইজেশন প্রক্রিয়ায়, আমাদের গবেষণায় দেখা গেছে যে প্রতিষ্ঠিত সামাজিক-প্রযুক্তিগত সমান্তরালতা চ্যালেঞ্জের মুখে পড়েছে। এর চেয়েও বেশি, আমরা ডিজিটালাইজেশনের যুগে নতুন পরীক্ষামূলক শিক্ষণ প্রক্রিয়া গ্রহণের উপায় খুঁজে বের করার জন্য সংস্থাগুলির প্রয়োজনীয়তার কথা উল্লেখ করছি। এই ধরনের পরিবর্তনের জন্য দীর্ঘমেয়াদী প্রতিশ্রুতি এবং দৃষ্টিভঙ্গির প্রয়োজন হলেও এই গবেষণায় এই ধরনের পরীক্ষামূলক প্রক্রিয়াগুলির জন্য তিনটি অনানুষ্ঠানিক সক্ষমকারী উপস্থাপন করা হয়েছে। এই সক্ষমকারীরা হলেন সময়, অধ্যবসায় এবং যোগাযোগ।
c22366074e3b243f2caaeb2f78a2c8d56072905e	একটি সংক্ষিপ্ত ট্রান্সভার্সাল মাত্রা সহ একটি লম্বা-স্লটড রিজ ওয়েভগাইড অ্যান্টেনা অ্যারে উপস্থাপিত হয়। অ্যারের ব্যান্ডউইথ প্রসারিত করার জন্য, এটি দুটি উপ-অ্যারেতে বিভক্ত করা হয় যা একটি নতুন কম্প্যাক্ট কনভেক্স ওয়েভগাইড ডিভাইডার দ্বারা খাওয়ানো হয়। এক্স-ব্যান্ডে ১৬-উপাদানের একটি অভিন্ন রৈখিক অ্যারে তৈরি করা হয়েছিল এবং নকশার বৈধতা যাচাই করার জন্য পরিমাপ করা হয়েছিল। S11les-15 dB এর পরিমাপকৃত ব্যান্ডউইথ 14.9% এবং পরিমাপকৃত ক্রস-পোলারাইজেশন লেভেল পুরো ব্যান্ডউইথ জুড়ে -36 dB এর কম। এই অ্যারেটি প্রান্ত-স্লটযুক্ত ওয়েভগাইড অ্যারের সাথে সংযুক্ত করা যেতে পারে সিন্থেটিক অ্যাপারচার রাডার (এসএআর) অ্যাপ্লিকেশনের জন্য দ্বি-মাত্রিক দ্বৈত-ধ্রুবীকরণ অ্যান্টেনা অ্যারে তৈরি করতে
0d57ba12a6d958e178d83be4c84513f7e42b24e5	গভীর শিক্ষণ বড় বড় নিউরাল নেটওয়ার্ক এবং বড় বড় ডেটাসেটের সাথে সমৃদ্ধ হয়। তবে বড় নেটওয়ার্ক এবং বড় ডেটাসেট দীর্ঘ প্রশিক্ষণ সময় সৃষ্টি করে যা গবেষণা ও উন্নয়ন অগ্রগতিকে বাধা দেয়। বিতরণকৃত সিঙ্ক্রোনিক এসজিডি এই সমস্যার একটি সম্ভাব্য সমাধান প্রদান করে, যা এসজিডি মিনি-ব্যাচগুলিকে সমান্তরাল শ্রমিকদের একটি পুলের মধ্যে ভাগ করে দেয়। কিন্তু এই প্রকল্পের কার্যকারিতা নিশ্চিত করতে হলে প্রতি শ্রমিকের কাজের চাপ অনেক বেশি হওয়া প্রয়োজন, যার অর্থ হচ্ছে এসজিডি মিনি-ব্যাচের আকারের অস্বাভাবিক বৃদ্ধি। এই গবেষণাপত্রে আমরা প্রমাণ করেছি যে ইমেজনেট ডেটাসেটে বড় মিনি ব্যাচগুলি অপ্টিমাইজেশনের অসুবিধা সৃষ্টি করে, কিন্তু যখন এগুলিকে সম্বোধন করা হয় তখন প্রশিক্ষিত নেটওয়ার্কগুলি ভাল সাধারণীকরণ প্রদর্শন করে। বিশেষ করে, আমরা 8192 ইমেজ পর্যন্ত বড় মিনি ব্যাচ আকারের সঙ্গে প্রশিক্ষণ যখন সঠিকতা কোন ক্ষতি দেখায়। এই ফলাফল অর্জনের জন্য, আমরা মিনি ব্যাচের আকারের ফাংশন হিসাবে শেখার হারগুলি সামঞ্জস্য করার জন্য একটি রৈখিক স্কেলিং নিয়ম গ্রহণ করি এবং একটি নতুন উষ্ণতা স্কিম বিকাশ করি যা প্রশিক্ষণের প্রথম দিকে অপ্টিমাইজেশনের চ্যালেঞ্জগুলি কাটিয়ে উঠে। এই সহজ কৌশলগুলির সাহায্যে, আমাদের ক্যাফফ ২-ভিত্তিক সিস্টেমটি রেসনেট ৫০-কে এক ঘন্টার মধ্যে 256 জিপিইউতে 8192 মিনি ব্যাচের আকারের সাথে প্রশিক্ষণ দেয়, যখন ছোট মিনি ব্যাচের সঠিকতা মেলে। কমোডিটি হার্ডওয়্যার ব্যবহার করে, আমাদের বাস্তবায়ন 8 থেকে 256 জিপিইউতে যাওয়ার সময় ∼90% স্কেলিং দক্ষতা অর্জন করে। এই সিস্টেমটি আমাদেরকে ইন্টারনেট স্কেল ডেটাতে উচ্চ দক্ষতার সাথে ভিজ্যুয়াল রিকগনিশন মডেলগুলিকে প্রশিক্ষণ দিতে সক্ষম করে।
2bbe9735b81e0978125dad005656503fca567902	কার্নেল রুটকিট কম্পিউটার সিস্টেমের জন্য ভয়ঙ্কর হুমকি। তারা চুপচাপ থাকে এবং সিস্টেমের সম্পদগুলিতে সীমাবদ্ধ অ্যাক্সেস থাকতে পারে। এই কাগজটি NumChecker উপস্থাপন করে, একটি নতুন ভার্চুয়াল মেশিন (ভিএম) মনিটর ভিত্তিক কাঠামো যা একটি অতিথি ভিএম-তে কন্ট্রোল-ফ্লো সংশোধনকারী কার্নেল রুটকিটগুলি সনাক্ত এবং সনাক্ত করতে পারে। NumChecker সিস্টেম কলের সময় ঘটে যাওয়া নির্দিষ্ট হার্ডওয়্যার ইভেন্টের সংখ্যা পরিমাপ করে গেস্ট ভিএম-এ সিস্টেম কলের ক্ষতিকারক পরিবর্তনগুলি সনাক্ত করে এবং চিহ্নিত করে। এই ইভেন্টগুলি স্বয়ংক্রিয়ভাবে গণনা করতে, নুমচেকার হার্ডওয়্যার পারফরম্যান্স কাউন্টার (এইচপিসি) ব্যবহার করে, যা আধুনিক প্রসেসরে বিদ্যমান। এইচপিসি ব্যবহারের ফলে পরীক্ষার খরচ অনেক কমে যায় এবং হস্তক্ষেপ প্রতিরোধ ক্ষমতা বাড়তে থাকে। আমরা কার্নেল ভিত্তিক ভিএম দিয়ে লিনাক্সে নুমচেকারের একটি প্রোটোটাইপ বাস্তবায়ন করি। এইচপিসি ভিত্তিক দুই ধাপে কার্নেল রুটকিট সনাক্তকরণ এবং সনাক্তকরণ কৌশলটি উপস্থাপিত এবং বেশ কয়েকটি বাস্তব-বিশ্বের কার্নেল রুটকিটগুলিতে মূল্যায়ন করা হয়। ফলাফলগুলি এর কার্যকারিতা এবং কার্যকারিতা প্রদর্শন করে।
a3d638ab304d3ef3862d37987c3a258a24339e05	সাইকেলগ্যান [ঝু এট আল, ২০১৭] দুটি চিত্র বিতরণের মধ্যে একটি রূপান্তর শিখতে একটি সাম্প্রতিক সফল পদ্ধতি। বিভিন্ন পরীক্ষায় আমরা মডেলটির একটি আকর্ষণীয় বৈশিষ্ট্য প্রদর্শন করেছি: সাইকেলগ্যান একটি উৎস চিত্রের তথ্যকে প্রায় অস্পষ্ট, উচ্চ-ফ্রিকোয়েন্সি সংকেতে এটি তৈরি করা চিত্রগুলিতে "লুকিয়ে" রাখতে শিখেছে। এই কৌশলটি নিশ্চিত করে যে জেনারেটরটি মূল নমুনাটি পুনরুদ্ধার করতে পারে এবং এইভাবে চক্রীয় সামঞ্জস্যের প্রয়োজনীয়তা পূরণ করে, যখন উত্পন্ন চিত্রটি বাস্তবসম্মত থাকে। আমরা এই ঘটনাটিকে প্রতিপক্ষীয় আক্রমণের সাথে যুক্ত করি, সাইকেলগ্যানের প্রশিক্ষণ পদ্ধতিকে প্রতিপক্ষীয় উদাহরণগুলির একটি জেনারেটরকে প্রশিক্ষণ দেওয়ার মতো দেখায় এবং প্রদর্শন করে যে চক্রীয় ধারাবাহিকতার ক্ষতি সাইকেলগ্যানকে প্রতিপক্ষীয় আক্রমণের জন্য বিশেষভাবে দুর্বল করে তোলে।
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	এই সংখ্যাটির জন্য নিবন্ধগুলো বেছে নিয়েছেন অ্যান্টনি জি। লন্ডন গ্র্যাজুয়েট স্কুল অব বিজনেস স্টাডিজ-এ অ্যাকাউন্টিং এবং ফাইন্যান্সিয়াল রিপোর্টিং-এর অধ্যাপক হপউড। প্রফেসর হপউড লিখেছেন, এই প্রবন্ধগুলোতে তথ্য ব্যবস্থা নিয়ে আগ্রহী সকল ব্যক্তির জন্য গুরুত্বপূর্ণ ধারণা রয়েছে, তারা হোক প্র্যাকটিশনার অথবা একাডেমিক। লেখক, তাদের পেশাগত অধিভুক্ততা সঙ্গে, ছিল ক্রিস Argyris, গ্র্যাজুয়েট স্কুল অফ এডুকেশন, হার্ভার্ড বিশ্ববিদ্যালয়; বো Hedberg এবং Sten Jonsson, ব্যবসা প্রশাসন বিভাগ, বিশ্ববিদ্যালয় of Gothenburg; J. ফ্রিস্কো ডেন হের্টোগ, এন। ভি. ফিলিপস গ্লোইল্যাম্পেনফ্যাব্রিকেন, নেদারল্যান্ডস, এবং মাইকেল জে। আর্ল, অক্সফোর্ড সেন্টার ফর ম্যানেজমেন্ট স্টাডিজ। এই নিবন্ধগুলো মূলত Accounting, Organizations and Society-এ প্রকাশিত হয়েছিল, যার প্রধান সম্পাদক অধ্যাপক হপউড। এওএস উদ্ভূত উন্নয়ন পর্যবেক্ষণ এবং সক্রিয়ভাবে নতুন পদ্ধতির এবং দৃষ্টিকোণ উত্সাহিত করার জন্য বিদ্যমান।
02227c94dd41fe0b439e050d377b0beb5d427cda	প্রাকৃতিক চিত্র থেকে পাঠ্য সনাক্তকরণ এবং পড়া একটি কঠিন কম্পিউটার দৃষ্টি কাজ যা বিভিন্ন উদীয়মান অ্যাপ্লিকেশনগুলির কেন্দ্রীয়। নথিপত্রের অক্ষর স্বীকৃতির মতো সম্পর্কিত সমস্যাগুলি কম্পিউটার ভিশন এবং মেশিন লার্নিং গবেষকরা ব্যাপকভাবে অধ্যয়ন করেছেন এবং হস্তাক্ষরযুক্ত অঙ্কগুলি পড়ার মতো ব্যবহারিক অ্যাপ্লিকেশনগুলির জন্য কার্যত সমাধান করা হয়েছে। তবে ছবির মতো জটিল দৃশ্যের চরিত্রগুলোকে বিশ্বাসযোগ্যভাবে চিনতে পারা অনেক কঠিন: বর্তমানের সেরা পদ্ধতিগুলো একই কাজগুলোতে মানুষের পারফরম্যান্সের চেয়ে অনেক পিছিয়ে আছে। এই গবেষণাপত্রে আমরা একটি বাস্তব অ্যাপ্লিকেশনে সংখ্যাগুলিকে স্বীকৃতি দেওয়ার সমস্যাটি আক্রমণ করি যা অনিয়ন্ত্রিত বৈশিষ্ট্য শেখার পদ্ধতি ব্যবহার করেঃ রাস্তার স্তরের ছবি থেকে বাড়ির নম্বর পড়া। এই লক্ষ্যে, আমরা গবেষণা ব্যবহারের জন্য একটি নতুন বেঞ্চমার্ক ডেটাসেট চালু করছি যা স্ট্রিট ভিউ ইমেজ থেকে কাটা 600,000 এরও বেশি লেবেলযুক্ত সংখ্যা ধারণ করে। তারপর আমরা দেখাবো যে এই সংখ্যাগুলোকে চিনতে কত কষ্ট হয় যখন এই সমস্যাটি হাতে তৈরি করা বৈশিষ্ট্য দিয়ে সমাধান করা হয়। অবশেষে, আমরা সম্প্রতি প্রস্তাবিত দুটি অনিয়ন্ত্রিত বৈশিষ্ট্য শেখার পদ্ধতির বৈকল্পিক ব্যবহার করি এবং দেখতে পাই যে তারা আমাদের মানদণ্ডের উপর দৃঢ়ভাবে উন্নত।
081651b38ff7533550a3adfc1c00da333a8fe86c	প্রাকৃতিক চিত্রের উপর প্রশিক্ষিত অনেক গভীর নিউরাল নেটওয়ার্ক একটি কৌতূহলজনক ঘটনা প্রকাশ করে: প্রথম স্তরে তারা গ্যাবর ফিল্টার এবং রঙের ব্লবগুলির মতো বৈশিষ্ট্যগুলি শিখতে পারে। প্রথম স্তরের এই ধরনের বৈশিষ্ট্যগুলি একটি নির্দিষ্ট ডেটাসেট বা কার্যের জন্য নির্দিষ্ট নয়, তবে তারা অনেক ডেটাসেট এবং কার্যের জন্য প্রযোজ্য বলে সাধারণ। নেটওয়ার্কের শেষ স্তর দ্বারা বৈশিষ্ট্যগুলিকে সাধারণ থেকে নির্দিষ্ট রূপান্তর করতে হবে, তবে এই রূপান্তরটি ব্যাপকভাবে অধ্যয়ন করা হয়নি। এই গবেষণাপত্রে আমরা গভীর কনভলুশনাল নিউরাল নেটওয়ার্কের প্রতিটি স্তরের নিউরনের সাধারণতা বনাম নির্দিষ্টতার পরিমাণ পরীক্ষা করে দেখি এবং কিছু বিস্ময়কর ফলাফলের কথা বলি। স্থানান্তরযোগ্যতা দুটি স্বতন্ত্র সমস্যার দ্বারা নেতিবাচকভাবে প্রভাবিত হয়: (1) উচ্চ স্তরের নিউরনগুলি তাদের মূল কাজের জন্য লক্ষ্য কার্যের উপর পারফরম্যান্সের ব্যয়ে তাদের মূল কাজের জন্য বিশেষীকরণ, যা প্রত্যাশিত ছিল এবং (2) সহ-অনুকূলিত নিউরনগুলির মধ্যে নেটওয়ার্কগুলি বিভক্ত করার সাথে সম্পর্কিত অপ্টিমাইজেশন অসুবিধা, যা প্রত্যাশিত ছিল না। ImageNet-এ প্রশিক্ষিত একটি উদাহরণ নেটওয়ার্কে, আমরা দেখিয়েছি যে এই দুটি বিষয়ের মধ্যে যে কোন একটি প্রভাবশালী হতে পারে, তার উপর নির্ভর করে যে বৈশিষ্ট্যগুলি নীচের, মাঝের, বা নেটওয়ার্কের শীর্ষ থেকে স্থানান্তরিত হয় কিনা। আমরা নথিভুক্ত করেছি যে, বেস টাস্ক এবং টার্গেট টাস্কের মধ্যে দূরত্ব বাড়ার সাথে সাথে বৈশিষ্ট্যগুলির স্থানান্তরযোগ্যতা হ্রাস পায়, তবে দূরবর্তী কাজ থেকে এমনকি বৈশিষ্ট্যগুলি স্থানান্তরিত করা এলোমেলো বৈশিষ্ট্য ব্যবহার করার চেয়ে ভাল হতে পারে। একটি চূড়ান্ত বিস্ময়কর ফলাফল হল যে প্রায় যেকোন সংখ্যক স্তর থেকে স্থানান্তরিত বৈশিষ্ট্যগুলির সাথে একটি নেটওয়ার্ককে প্রাথমিককরণ করা সাধারণীকরণের জন্য একটি উত্সাহ তৈরি করতে পারে যা লক্ষ্য ডেটাসেটে সূক্ষ্ম-টুনিংয়ের পরেও স্থায়ী হয়।
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	উচ্চ-প্রবাহের ক্রমকরণ তাত্ত্বিকভাবে উচ্চ-মানের ডি নোভো সমন্বিত জিনোম ক্রমগুলি প্রাপ্ত করা সম্ভব করেছে তবে অনুশীলনে ডিএনএ নির্যাসগুলি প্রায়শই অন্যান্য জীবের ক্রমগুলির সাথে দূষিত হয়। বর্তমানে, ইউকারিওটিক সমষ্টিগুলিকে কঠোরভাবে দূষিত করার জন্য কয়েকটি বিদ্যমান পদ্ধতি রয়েছে। যেসব প্রজাতি বিদ্যমান, তারা দূষকগুলির সাথে নিউক্লিওটাইডের সাদৃশ্যের ভিত্তিতে ফিল্টার সিকোয়েন্সগুলি ফিল্টার করে এবং লক্ষ্য জীব থেকে সিকোয়েন্সগুলি নির্মূল করার ঝুঁকি নিয়ে থাকে। আমরা একটি প্রতিষ্ঠিত মেশিন লার্নিং পদ্ধতির একটি নতুন অ্যাপ্লিকেশন উপস্থাপন করছি, একটি সিদ্ধান্ত গাছ, যা ক্রমকে কঠোরভাবে শ্রেণীবদ্ধ করতে পারে। সিদ্ধান্ত গাছের প্রধান শক্তি হল যে এটি ইনপুট হিসাবে যে কোনও পরিমাপ করা বৈশিষ্ট্য গ্রহণ করতে পারে এবং তাৎপর্যপূর্ণ বর্ণনাকারীদের পূর্ব নির্ধারিত সনাক্তকরণের প্রয়োজন হয় না। আমরা সিদ্ধান্তের গাছ ব্যবহার করে ডি নোভো অ্যাসেম্বল করা সিকোয়েন্সকে শ্রেণীবদ্ধ করি এবং পদ্ধতিটি প্রকাশিত প্রোটোকলের সাথে তুলনা করি। ইউকারিওটিক ডি নভো অ্যাসেম্বলিতে ক্রম শ্রেণীবদ্ধ করার সময় একটি সিদ্ধান্ত গাছ বিদ্যমান পদ্ধতির চেয়ে ভাল কাজ করে। এটি কার্যকর, সহজেই প্রয়োগ করা যায় এবং সঠিকভাবে লক্ষ্য এবং দূষক ক্রমগুলি চিহ্নিত করে। গুরুত্বপূর্ণভাবে, একটি সিদ্ধান্ত গাছ পরিমাপ করা বর্ণনাকারী অনুযায়ী ক্রম শ্রেণীবদ্ধ করতে ব্যবহার করা যেতে পারে এবং জৈবিক ডেটাসেটগুলিকে নিষ্কাশন করার ক্ষেত্রে সম্ভাব্যভাবে অনেকগুলি ব্যবহার রয়েছে।
26433d86b9c215b5a6871c70197ff4081d63054a	মাল্টিমোডাল বায়োমেট্রিক্স সম্প্রতি বায়োমেট্রিক স্বীকৃতি ব্যবস্থায় উচ্চ কার্যকারিতার জন্য যথেষ্ট আগ্রহ আকর্ষণ করেছে। এই গবেষণাপত্রে আমরা মুখ ও হাতের ছাপের ছবির জন্য মাল্টিমোডাল বায়োমেট্রিক্সের সূচনা করছি। গ্যাবর ভিত্তিক ইমেজ প্রসেসিং ব্যবহার করা হয় বৈষম্যমূলক বৈশিষ্ট্যগুলি বের করার জন্য, যখন প্রধান উপাদান বিশ্লেষণ (পিসিএ) এবং রৈখিক বৈষম্যমূলক বিশ্লেষণ (এলডিএ) প্রতিটি মোডালিটির মাত্রা হ্রাস করতে ব্যবহৃত হয়। এলডিএ এর আউটপুট বৈশিষ্ট্যগুলি সিরিয়ালি সংযুক্ত এবং একটি ইউক্লিডিয়ান দূরত্ব শ্রেণিবদ্ধকরণ দ্বারা শ্রেণিবদ্ধ করা হয়। ওআরএল মুখ এবং পলি-ইউ হ্যান্ডমার্ক ডাটাবেসের উপর ভিত্তি করে পরীক্ষামূলক ফলাফলগুলি প্রমাণ করেছে যে এই ফিউশন কৌশলটি একক মোডাল বায়োমেট্রিক্সের তুলনায় বায়োমেট্রিক স্বীকৃতি হার বাড়িয়ে তুলতে সক্ষম।
1c01e44df70d6fde616de1ef90e485b23a3ea549	আমরা মার্কভের র্যান্ডম ফিল্ডের (এমআরএফ) লগ বিভাজন ফাংশনের উপর একটি নতুন শ্রেণীর উপরের সীমা প্রবর্তন করি। এই পরিমাণ বিভিন্ন প্রসঙ্গে গুরুত্বপূর্ণ ভূমিকা পালন করে, যার মধ্যে রয়েছে প্রান্তিক বন্টন, প্যারামিটার অনুমান, সংমিশ্রণীয় গণনা, পরিসংখ্যানগত সিদ্ধান্ত তত্ত্ব এবং বড়-বিচ্যুতি সীমা। আমাদের উৎপত্তি কনভেক্স দ্বৈততা এবং তথ্য জ্যামিতি থেকে ধারণাগুলির উপর ভিত্তি করেঃ বিশেষত, এটি এক্সপোনেন্সিয়াল ডোমেনের বিতরণের মিশ্রণ এবং এক্সপোনেন্সিয়াল এবং গড় পরামিতিগুলির মধ্যে লেজেন্ড্রে ম্যাপিং ব্যবহার করে। বৃক্ষ-নির্মিত বন্টনের উত্তোলিত সমন্বয়গুলির বিশেষ ক্ষেত্রে, আমরা বেথের বৈচিত্র্য সমস্যাটির অনুরূপ একটি বৈচিত্র্য সমস্যা পাই, কিন্তু নিম্নলিখিত পছন্দসই বৈশিষ্ট্যগুলির দ্বারা আলাদাঃ i) তারা উত্তোলিত, এবং একটি অনন্য বিশ্বব্যাপী সর্বোত্তম আছে; এবং ii) সর্বোত্তম লগরাম বিভাজন ফাংশনের উপর একটি উপরের সীমা দেয়। এই সর্বোত্তম স্থির অবস্থার দ্বারা সংজ্ঞায়িত করা হয় যা সমষ্টি-পণ্য অ্যালগরিদমের নির্দিষ্ট পয়েন্টগুলিকে সংজ্ঞায়িত করে, বা আরও সাধারণভাবে, বেথের বৈচিত্র্য সমস্যাটির কোনও স্থানীয় সর্বোত্তম। সমষ্টি-পণ্যের স্থির পয়েন্টগুলির মতো, অপ্টিমাইজিং আর্গুমেন্টের উপাদানগুলি মূল মডেলের প্রান্তিকের কাছাকাছি হিসাবে ব্যবহার করা যেতে পারে। এই বিশ্লেষণটি হাইপারট্রি-নির্মিত বন্টনের উত্তল সমন্বয়গুলিতে প্রাকৃতিকভাবে প্রসারিত হয়, যার ফলে কিকুচি আনুমানিক এবং বৈকল্পিকগুলির সাথে সংযোগ স্থাপন করা হয়।

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

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

Dataset Description

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

Usage

This dataset is designed for:

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

Dataset Structure

The dataset consists of three main components:

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

Citation

If you use this dataset, please cite:

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