Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_ta

like 0

d31798506874705f900e72203515abfaa9278409

கட்டுரை வரலாறு: 26 ஆகஸ்ட் 2007 அன்று பெறப்பட்டது திருத்தப்பட்ட வடிவத்தில் 7 மே 2008 அன்று பெறப்பட்டது 13 மே 2008 அன்று ஏற்றுக்கொள்ளப்பட்டது

6d96f946aaabc734af7fe3fc4454cf8547fcd5ed

1c26786513a0844c3a547118167452bed17abf5d

மொழிபெயர்ப்புப் பிரச்சினையில் ஒரு சுருக்கமான அறிமுகத்தை அளித்த பின்னர், அரபு மொழியில் இருந்து ஆங்கில மொழிபெயர்ப்புக்கான சில சிக்கல்களை முன்னிலைப்படுத்திய பின்னர், மூன்று கட்ட வழிமுறை சிக்கலுக்கான கணக்கீட்டு தீர்வாக அறிமுகப்படுத்தப்படுகிறது. இந்த வழிமுறை மறைக்கப்பட்ட மார்கோவ் மாதிரி அணுகுமுறையை அடிப்படையாகக் கொண்டது, ஆனால் ஆன்லைன் தரவுத்தளங்களில் கிடைக்கும் தகவல்களையும் பயன்படுத்துகிறது. பின்னர், இந்த வழிமுறை மதிப்பீடு செய்யப்பட்டு, 80% துல்லியத்தை அடைவதாக நிரூபிக்கப்பட்டுள்ளது.

dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea

பொது அறிவு பகுத்தறிவு பற்றிய நமது ஆராய்ச்சியில், ஒரு முக்கிய அறிவு என்பது மனித இலக்குகள் பற்றிய அறிவு என்பதை நாம் கண்டறிந்தோம். குறிப்பாக பொது அறிவு பகுத்தறிவை இடைமுக முகவர்களிடம் பயன்படுத்தும் போது, பயனர் செயல்களிலிருந்து இலக்குகளை நாம் அங்கீகரிக்க வேண்டும் (திட்ட அங்கீகாரம்), மற்றும் இலக்குகளை செயல்படுத்தும் செயல்களின் வரிசைகளை உருவாக்க வேண்டும் (திட்டமிடல்). மேலும், எப்போது, எங்கு ஒரு குறிப்பிட்ட இலக்கை அடையலாம், அல்லது எவ்வளவு காலம் எடுக்கும் என்பது போன்ற பொதுவான கேள்விகளுக்கு நாம் பதிலளிக்க வேண்டும். பொது அறிவு அறிவு பெறுதல் தொடர்பான கடந்த காலப் பணிகளில், பயனர்களிடம் நேரடியாக இதுபோன்ற தகவல்கள் கேட்கப்பட்டன. சமீபத்தில், மற்றொரு அணுகுமுறை தோன்றியுள்ளது - பயனர்களை விளையாடுவதற்கு கவர்ந்திழுக்க, அங்கு அறிவை வழங்குவது விளையாட்டில் நல்ல மதிப்பெண் பெறுவதற்கான வழிமுறையாகும், இதனால் வீரர்களை ஊக்குவிக்கிறது. இந்த அணுகுமுறைக்கு முன்னோடியாக லூயிஸ் வான் அன் மற்றும் அவரது சகாக்கள் இருந்தனர், அவர்கள் இதை மனித கணக்கீடு என்று குறிப்பிடுகின்றனர். பொதுவான ஒருமித்த கருத்து என்பது ஒரு வேடிக்கையான, சுய-உறுதிப்படுத்தும் வலை அடிப்படையிலான விளையாட்டு ஆகும், இது அன்றாட இலக்குகள் பற்றிய பொது அறிவு அறிவை சேகரித்து சரிபார்க்கிறது. இது தொலைக்காட்சி விளையாட்டு நிகழ்ச்சியான குடும்பப் போர்1 இன் கட்டமைப்பை அடிப்படையாகக் கொண்டது. ஒரு சிறிய பயனர் ஆய்வு பயனர்கள் விளையாட்டை வேடிக்கையாகக் காண்கிறார்கள், அறிவு தரம் மிகவும் நல்லது, மற்றும் அறிவு சேகரிப்பு விகிதம் வேகமாக உள்ளது என்பதைக் காட்டியது. ACM வகைப்பாடுஃ H.3.3 [தகவல் சேமிப்பு மற்றும் மீட்டெடுப்பு]: தகவல் தேடல் மற்றும் மீட்டெடுப்பு; I.2.6 [செயற்கை நுண்ணறிவு]: கற்றல்

f8b1534b26c1a4a30d32aec408614ecff2412156

4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9

பின்னணி சிறிய அளவிலான போதிலும், குதிரைப்பால் பல முக்கியமான செயல்பாடுகளைக் கொண்டுள்ளது. பல தசைகள், இழைகள் மற்றும் தசைநாடிகள் செருகப்படுவதற்கு இடமாக இருப்பதுடன், இது முக்கால் காலின் ஒரு காலாகவும் செயல்படுகிறது - இஷியல் துபேரோசிட்டிகளுடன் - இது அமர்ந்த நிலையில் ஒரு நபருக்கு எடை தாங்கும் ஆதரவை வழங்குகிறது. கோக்ஸிடீனியா (கோக்ஸிக்ஸ் பகுதியில் வலி) ஏற்படுவது குறித்து அறிக்கை செய்யப்படவில்லை, ஆனால் கொழுப்பு மற்றும் பெண் பாலினம் ஆகியவை கோக்ஸிடீனியாவை உருவாக்கும் அதிக ஆபத்துடன் தொடர்புடைய காரணிகள். இந்த கட்டுரையில், காக்ஸிடினியாவின் உடற்கூறியல், உடலியல், சிகிச்சை ஆகியவற்றைப் பற்றி விரிவாகக் கூறப்பட்டுள்ளது. முடிவுகள் 90% வழக்குகளில் கன்சர்வேடிவ் சிகிச்சை வெற்றிகரமாக உள்ளது, மேலும் பல வழக்குகள் மருத்துவ சிகிச்சை இல்லாமல் குணமடைகின்றன. தீங்கற்ற நோய்களுக்கு சிகிச்சையானது இடுப்புத் தள மறுவாழ்வு, கையேடு கையாளுதல் மற்றும் மசாஜ், தோல் மின்சார நரம்பு தூண்டுதல், உளவியல் சிகிச்சை, ஸ்டீராய்டு ஊசி, நரம்புத் தடுப்பு, முதுகெலும்பு தூண்டுதல் மற்றும் அறுவை சிகிச்சை ஆகியவை அடங்கும். முடிவில் உடல் சிகிச்சை, பணிச்சூழலியல் மாற்றங்கள், மருந்துகள், ஊசிகள், மற்றும், ஒருவேளை, உளவியல் சிகிச்சை ஆகியவற்றைப் பயன்படுத்தி ஒரு பன்முக அணுகுமுறை, தீங்கற்ற கோசிக்ஸ் வலி கொண்ட நோயாளிகளுக்கு வெற்றிக்கான மிகப்பெரிய வாய்ப்பை அளிக்கிறது. புதிய அறுவை சிகிச்சை முறைகள் உருவாகி வருகின்றன என்றாலும், அவற்றின் செயல்திறனை உறுதிப்படுத்தும் முன் மேலும் ஆராய்ச்சி தேவைப்படுகிறது.

0989bbd8c15f9aac24e8832327df560dc8ec5324

ஆய்வாளர்கள் அவற்றை உருவாக்கும் முறைகளை ஆராய்ந்து வந்த கிட்டத்தட்ட ஆறு தசாப்தங்களில், வெளி எலும்புக்கூடுகள் அறிவியல் புனைகதைப் பொருளிலிருந்து கிட்டத்தட்ட வணிகரீதியான தயாரிப்புகளாக முன்னேறியுள்ளன. எக்ஸோஸ்கெலட் வளர்ச்சியுடன் தொடர்புடைய பல சவால்கள் இன்னும் நிறைவு செய்யப்படாத நிலையில், இந்த துறையில் முன்னேற்றங்கள் மிகப்பெரியவை. இந்த ஆய்வில், நாம் வரலாற்றை மீளாய்வு செய்து, கீழ் கால்களின் வெளி எலும்புக்கூடுகள் மற்றும் செயலில் உள்ள ஆர்த்தோசிஸின் நவீன நிலை பற்றி விவாதிக்கிறோம். பெரும்பாலான சாதனங்களுக்கான வன்பொருள், இயக்க, உணர்திறன் மற்றும் கட்டுப்பாட்டு அமைப்புகளின் வடிவமைப்பு கண்ணோட்டத்தை நாங்கள் வழங்குகிறோம், மேலும் இலக்கியத்தில் விவரிக்கப்பட்டுள்ள முக்கிய முன்னேற்றங்கள் மற்றும் இன்னும் கடக்கப்பட வேண்டிய தடைகள் பற்றிய விவாதத்துடன் முடிக்கிறோம்.

4adffe0ebdda59d39e43d42a41e1b6f80164f07e

எதிர்மறை அல்லாத மேட்ரிக்ஸ் காரணி (NMF) என்பது பட செயலாக்கம் மற்றும் ஆவணங்களின் சொற்பொருள் பகுப்பாய்வு உள்ளிட்ட பல்வேறு பயன்பாடுகளில் பயனுள்ள ஒரு மேற்பார்வை செய்யப்படாத கற்றல் முறையாகும். இந்த ஆய்வறிக்கை சமச்சீரான NMF (SNMF) மீது கவனம் செலுத்துகிறது, இது NMF சிதைவின் ஒரு சிறப்பு வழக்கு ஆகும். இந்த சிக்கலுக்காக நேரடியாக நிலை 3 அடிப்படை நேரியல் அல்ஜீப்ரா துணை நிரல்களைப் பயன்படுத்தி மூன்று இணையான பெருக்க புதுப்பிப்பு வழிமுறைகள் உருவாக்கப்பட்டுள்ளன. முதலில், யூக்ளிடியன் தூரத்தை குறைப்பதன் மூலம், ஒரு பெருக்க புதுப்பிப்பு வழிமுறை முன்மொழியப்படுகிறது, மேலும் அதன் ஒத்திசைவு லேசான நிலைமைகளின் கீழ் நிரூபிக்கப்படுகிறது. அதன் அடிப்படையில், நாம் மேலும் இரண்டு விரைவான இணை முறைகளை முன்மொழிகிறோம்: α-SNMF மற்றும் β-SNMF வழிமுறைகள். அவை அனைத்தும் செயல்படுத்த எளிதானவை. இந்த வழிமுறைகள் நிகழ்தகவுக் குழுவிற்காகப் பயன்படுத்தப்படுகின்றன. முக படங்களை தொகுத்தல், ஆவண வகைப்படுத்தல், மற்றும் மரபணு வெளிப்பாட்டில் வடிவங்களை தொகுத்தல் ஆகியவற்றில் அவற்றின் செயல்திறனை நாங்கள் நிரூபிக்கிறோம்.

2a4423b10725e54ad72f4f1fcf77db5bc835f0a6

புள்ளியியல் இயந்திரவியல் (ஒரு குறிப்பிட்ட வெப்பநிலையில் வெப்ப சமநிலையில் பல பட்ட சுதந்திரம் கொண்ட அமைப்புகளின் நடத்தை) மற்றும் பன்முக அல்லது இணைப்பு உகப்பாக்கம் (பல அளவுருக்களைப் பொறுத்து கொடுக்கப்பட்ட செயல்பாட்டின் குறைந்தபட்சத்தைக் கண்டறிதல்) ஆகியவற்றுக்கு இடையே ஆழமான மற்றும் பயனுள்ள இணைப்பு உள்ளது. திடப்பொருட்களில் அனிலிங் செய்வதற்கு ஒரு விரிவான ஒப்புமை மிகப் பெரிய மற்றும் சிக்கலான அமைப்புகளின் பண்புகளை மேம்படுத்துவதற்கான ஒரு கட்டமைப்பை வழங்குகிறது. புள்ளியியல் இயந்திரவியலுடன் இந்த இணைப்பு புதிய தகவல்களை வெளிப்படுத்துகிறது மற்றும் பாரம்பரிய தேர்வுமுறை சிக்கல்கள் மற்றும் முறைகள் குறித்த அறிமுகமில்லாத பார்வையை வழங்குகிறது.

dec997b20ebe2b867f68cc5c123d9cb9eafad6bb

ஆழமான நரம்பியல் நெட்வொர்க்குகளை பயிற்றுவிப்பது பொதுவாக அதிக அளவு தரவுகளை தேவைப்படுகிறது மற்றும் மிகவும் கணக்கீடு தீவிரமானது. செலவு மிகுந்த சாய்வு இறங்கு நடைமுறையைத் தவிர்த்து, பயிற்சி தரவுகளின் பண்புகளிலிருந்து நேரடியாக ஒரு நரம்பியல் வலையமைப்பின் அளவுருக்களைப் பெறுவது சாத்தியமாகும் என்பதை நாங்கள் இங்கு காட்டுகிறோம். நாம், நெருக்கமான நெருக்கமான, உள்ளீடு அருகில் அடுக்குகள் சாய்வு இறக்கம் சமன்பாடுகள் நேரியல் மற்றும் ஒவ்வொரு வர்க்கம் தரவு covariance தொடர்பான சத்தம் கொண்ட ஸ்டோகாஸ்டிக் சமன்பாடுகள் ஆக முடியும் என்று காட்ட. இந்த சமன்பாடுகளுக்கான தீர்வுகளின் விநியோகத்தை நாம் பெறுகிறோம், அது ஒரு மேற்பார்வையிடப்பட்ட பிரதான கூறு பகுப்பாய்வுடன் தொடர்புடையது என்பதைக் கண்டுபிடிப்போம். இந்த முடிவுகளை MNIST, CIFAR10 மற்றும் CIFAR100 பட தரவுத்தொகுப்புகளில் செயல்படுத்துகிறோம், மேலும் உண்மையில், எங்கள் கண்டுபிடிப்புகளைப் பயன்படுத்தி முன் பயிற்சி பெற்ற அடுக்குகள் ஒரே அளவிலான மற்றும் கட்டமைப்பின் நரம்பியல் நெட்வொர்க்குகளுடன் ஒப்பிடக்கூடிய அல்லது சிறப்பாக செயல்படுகின்றன என்பதைக் காணலாம். மேலும், நமது பயிற்சிக்கு முந்தைய அடுக்குகளை பயிற்சி தரவுகளின் ஒரு பகுதியை பயன்படுத்தி கணக்கிடலாம், ஏனெனில் கூட்டு மாறுபாடு மேட்ரிக்ஸின் விரைவான ஒத்திசைவு. எனவே, எங்கள் கண்டுபிடிப்புகள், பயிற்சியின் செலவுமிக்க பின்னோக்கி பரவல் கட்டத்தில் அடுக்குகளை நீக்குவதன் மூலம், சாய்வு இறங்குதலில் பயன்படுத்தப்படும் தரவுகளின் ஒரு பகுதியை மட்டுமே தேவைப்படுவதன் மூலம் பயிற்சி நேரத்தை குறைக்க முடியும் என்பதைக் குறிக்கிறது. கூடுதலாக, இந்த கண்டுபிடிப்புகள் ஆழமான நரம்பியல் நெட்வொர்க்குகளின் உள் செயல்பாட்டை ஓரளவு தெளிவுபடுத்துகின்றன, மேலும் வகைப்படுத்தல் சிக்கல்களின் சில நிலைகளுக்கு உகந்த தீர்வுகளை கணித ரீதியாக கணக்கிட அனுமதிக்கின்றன, இதனால் அத்தகைய சிக்கல்களை திறம்பட தீர்க்கும் திறனை கணிசமாக அதிகரிக்கிறது.