_id stringlengths 40 40 | text stringlengths 0 5.02k | title stringlengths 0 277 |
|---|---|---|
907149ace088dad97fe6a6cadfd0c9260bb75795 | مقدمه هیجان و بیان فیزیکی آن بخشی جدایی ناپذیر از تعامل اجتماعی است که دیگران را در مورد اینکه چگونه احساس می کنیم و بر نتایج اجتماعی تأثیر می گذارد آگاه می کند (واسک، فورهند و فیگوئروآ 1983). مطالعات بر روی بیان فیزیکی احساسات را می توان با کتاب مهم داروین بیان احساسات در انسان و حیوانات که نقش کلیدی حالات صورت و حرکت بدن در برقراری ارتباط وضعیت و احساسات را آشکار می کند، به قرن نوزدهم ردیابی کرد (داروین 1872). . | بیان احساسات از طریق حالت و ژست مقدمه |
2538e3eb24d26f31482c479d95d2e26c0e79b990 | ما یک معماری شبکه عصبی یکپارچه و الگوریتم یادگیری را پیشنهاد میکنیم که میتواند برای وظایف مختلف پردازش زبان طبیعی از جمله: برچسبگذاری بخشی از گفتار، تکهشدن، تشخیص موجودیت نامگذاری شده و برچسبگذاری نقش معنایی استفاده شود. این تطبیق پذیری با تلاش برای اجتناب از مهندسی ویژه کار و در نتیجه نادیده گرفتن بسیاری از دانش قبلی به دست می آید. به جای بهرهبرداری از ویژگیهای ورودی ساخته شده توسط انسان که به دقت برای هر کار بهینهسازی شدهاند، سیستم ما بازنماییهای داخلی را بر اساس مقادیر زیادی از دادههای آموزشی عمدتاً بدون برچسب میآموزد. سپس این کار به عنوان مبنایی برای ساختن یک سیستم برچسبگذاری آزادانه در دسترس با عملکرد خوب و حداقل نیازهای محاسباتی استفاده میشود. | پردازش زبان طبیعی (تقریبا) از ابتدا |
f8be08195b1a7e9e45028eee4844ea2482170a3e | جامعه میکروبی متنوعی که در روده انسان زندگی میکند، مجموعه متابولیک گستردهای دارد که متمایز از آن است، اما مکمل فعالیت آنزیمهای پستانداران در کبد و مخاط روده است و شامل عملکردهای ضروری برای هضم میزبان میشود. به این ترتیب، میکروبیوتای روده یک عامل کلیدی در شکل دادن به مشخصات بیوشیمیایی رژیم غذایی و بنابراین تأثیر آن بر سلامت و بیماری میزبان است. نقش مهمی که به نظر می رسد میکروبیوتای روده در متابولیسم و سلامت انسان ایفا می کند، تحقیقات را برای شناسایی میکروارگانیسم های خاص درگیر در فرآیندهای مختلف و روشن کردن مسیرهای متابولیک، به ویژه مسیرهای مرتبط با متابولیسم اجزای غذایی و برخی از مواد تولید شده توسط میزبان تحریک کرده است. . در بخش اول بررسی، ما میکروارگانیسمهای اصلی روده، بهویژه باکتریها و مسیرهای میکروبی مرتبط با متابولیسم کربوهیدراتهای غذایی (به اسیدهای چرب و گازهای با زنجیره کوتاه)، پروتئینها، پلیفنولهای گیاهی، اسیدهای صفراوی و ویتامینها را مورد بحث قرار میدهیم. بخش دوم مرور بر روی روشهای موجود و جدید تمرکز دارد که میتوانند برای کشف مسیرهای میکروبی روده متابولیسم مورد استفاده قرار گیرند. اینها شامل مدل های ریاضی، تکنیک های omics، میکروب های جدا شده، و سنجش آنزیمی است. | عملکرد میکروبیوتای روده: متابولیسم مواد مغذی و سایر اجزای غذا |
55ea7bb4e75608115b50b78f2fea6443d36d60cc | پس زمینه
این مطالعه سعی دارد یک مدل رگرسیون لجستیک ترتیبی (OLR) را برای شناسایی عوامل تعیین کننده سوء تغذیه کودکان به جای توسعه مدل رگرسیون لجستیک باینری سنتی (BLR) با استفاده از داده های بررسی جمعیتی و سلامت بنگلادش در سال 2004 ایجاد کند.
روش ها
وضعیت تغذیه کودک بر اساس شاخص تن سنجی وزن برای سن (امتیاز Z) به سه گروه با سوءتغذیه شدید (3.0-)، کم تغذیه (3.0- تا 2.01-) و تغذیه شده (≥-2.0) طبقه بندی می شود. از آنجایی که وضعیت تغذیه عادی است، یک مدل شانس متناسب با مدل OLR (POM) را می توان به جای دو مدل BLR جداگانه برای یافتن پیش بینی کننده های سوء تغذیه و سوء تغذیه شدید در صورت برآورده شدن فرض شانس متناسب، توسعه داد. این فرض با مقدار p پایین (0.144) به دلیل نقض فرض یک متغیر مشترک برآورده می شود. بنابراین مدل شانس نسبتی جزئی (PPOM) و دو مدل BLR نیز برای بررسی کاربردی بودن مدل OLR توسعه یافتهاند. آزمون گرافیکی نیز برای بررسی فرض شانس متناسب اتخاذ شده است.
نتایج
همه مدلها تعیین میکنند که سن کودک، فاصله زمانی تولد، تحصیلات مادران، تغذیه مادر، وضعیت ثروت خانوار، شاخص تغذیه کودک، و بروز تب، ARI و اسهال پیشبینیکنندههای مهم سوءتغذیه کودک بودند. با این حال، نتایج PPOM دقیق تر از مدل های دیگر بود.
نتیجه گیری
این یافته ها به وضوح توجیه می کنند که مدل های OLR (POM و PPOM) برای یافتن پیش بینی کننده های سوء تغذیه به جای مدل های BLR مناسب هستند. | کاربرد تحلیل رگرسیون لجستیک ترتیبی در تعیین عوامل خطر سوء تغذیه کودکان در بنگلادش |
41e4eb8fbb335ae70026f4216069f33f8f9bbe53 | کیفیت رابطه والد و فرزند ناتنی با ثبات خانواده ناتنی و رفاه فرزندان مرتبط است. با این حال، ادبیات درک ناقصی از عواملی را ارائه می دهد که روابط ناتنی-فرزند با کیفیت بالا را ارتقا می بخشد، به ویژه در میان خانواده های ناتنی با تنوع اجتماعی و جمعیتی. در این مطالعه، ما ارتباط بین مشارکت ناپدری و کیفیت رابطه ناپدری-فرزندی را در میان یک نمونه نژادی متنوع و عمدتاً کم درآمد از خانوادههای ناپدری با کودکان پیش از نوجوانی بررسی میکنیم. با استفاده از یک نمونه فرعی از 467 خانواده مادر و ناپدری از سال 9 مطالعه خانواده شکننده و سلامت کودک، نتایج نشان میدهد که مشارکت ناپدری با کیفیت روابط ناپدری-فرزندی ارتباط مثبتی دارد. این ارتباط از نظر آماری در بین گروههای نژادی قابل تشخیص نیست، اگرچه این ارتباط در بین کودکان در خانوادههای ناتنی در مقایسه با کودکان خانوادههای ناتنی متاهل قویتر است. | مشارکت ناپدری و کیفیت رابطه ناپدری-فرزندی: نژاد و وضعیت تاهل والدین به عنوان تعدیل کننده. |
22ba26e56fc3e68f2e6a96c60d27d5f721ea00e9 | روشهای نرخ یادگیری تطبیقی خاص پارامتر، روشهای محاسباتی کارآمدی برای کاهش مشکلات بد شرطیسازی هستند که هنگام آموزش شبکههای عمیق بزرگ با آن مواجه میشوند. به دنبال کار اخیر که قویاً نشان میدهد که اکثر نقاط بحرانی که هنگام آموزش چنین شبکههایی با آنها مواجه میشوند، نقاط زینتی هستند، متوجه میشویم که چگونه در نظر گرفتن وجود مقادیر ویژه منفی هسین میتواند به ما در طراحی طرحهای نرخ یادگیری تطبیقی مناسبتر کمک کند. ما نشان میدهیم که پیششرطیکننده محبوب Jacobi در حضور هر دو انحنای مثبت و منفی رفتار نامطلوبی دارد و شواهد نظری و تجربی ارائه میکنیم که به اصطلاح پیششرطیکننده تعادل نسبتاً برای مسائل غیر محدب مناسبتر است. ما یک طرح نرخ یادگیری تطبیقی جدید به نام ESGD را بر اساس پیششرطیکننده تعادل معرفی میکنیم. آزمایشهای ما نشان میدهد که ESGD از نظر سرعت همگرایی به خوبی یا بهتر از RMSProp عمل میکند، و همیشه به وضوح نسبت به نزول گرادیان تصادفی ساده بهبود مییابد. | RMSProp و نرخ یادگیری تطبیقی متعادل برای بهینه سازی غیر محدب |
8e0eacf11a22b9705a262e908f17b1704fd21fa7 | ما نشان میدهیم که یک رویکرد یادگیری عمیق پایان به انتها میتواند برای تشخیص گفتار انگلیسی یا ماندارین چینی - دو زبان بسیار متفاوت - استفاده شود. از آنجایی که کل خطوط لوله اجزای مهندسی شده دستی را با شبکه های عصبی جایگزین می کند، یادگیری سرتاسری به ما امکان می دهد انواع مختلفی از گفتار از جمله محیط های پر سر و صدا، لهجه ها و زبان های مختلف را مدیریت کنیم. کلید رویکرد ما استفاده از تکنیک های HPC است که منجر به افزایش 7 برابری نسبت به سیستم قبلی ما می شود [26]. به دلیل این کارایی، آزمایشهایی که قبلاً هفتهها طول میکشید، اکنون در چند روز اجرا میشوند. این ما را قادر می سازد تا با سرعت بیشتری تکرار کنیم تا معماری ها و الگوریتم های برتر را شناسایی کنیم. در نتیجه، در چندین مورد، سیستم ما با رونویسی کارگران انسانی در هنگام محک زدن بر روی مجموعه دادههای استاندارد رقابتی است. در نهایت، با استفاده از تکنیکی به نام توزیع دستهای با پردازندههای گرافیکی در مرکز داده، نشان میدهیم که سیستم ما میتواند بهطور ارزان در یک تنظیمات آنلاین مستقر شود و در هنگام ارائه خدمات به کاربران در مقیاس، تأخیر پایینی ارائه دهد. | Deep Speech 2: Recognition End-to-End Speech Recognition به زبان انگلیسی و ماندارین |
5a131856df045cf27a2d5056cea2d2401e2d81b2 | ربات های اجتماعی برنامه های کامپیوتری خودکار یا نیمه خودکاری هستند که انسان و/یا رفتار انسان را در شبکه های اجتماعی آنلاین تقلید می کنند. رباتهای اجتماعی میتوانند به کاربران (هدفها) در شبکههای اجتماعی آنلاین حمله کنند تا اهداف پنهان مختلفی را دنبال کنند، مانند انتشار اطلاعات یا تأثیرگذاری بر اهداف. بدون درک عمیق ماهیت چنین حملاتی یا حساسیت کاربران، پتانسیل رسانه های اجتماعی به عنوان ابزاری برای تسهیل گفتمان یا فرآیندهای دموکراتیک در خطر است. در این مقاله، ما دادههای چالش ربات اجتماعی 2011 را مطالعه میکنیم، آزمایشی که توسط WebEcologyProject در سال 2011 انجام شد که در آن سه تیم تعدادی ربات اجتماعی را اجرا کردند که هدفشان تأثیرگذاری بر رفتار کاربر در توییتر بود. با استفاده از این داده ها، هدف ما توسعه مدل هایی برای (i) شناسایی کاربران مستعد در میان مجموعه ای از اهداف و (ii) پیش بینی سطح حساسیت کاربران است. ما پیش بینی سه گروه مختلف از ویژگی ها (ویژگی های شبکه، رفتاری و زبانی) را برای این وظایف بررسی می کنیم. نتایج ما نشان میدهد که کاربران مستعد تمایل به استفاده از توییتر برای هدف گفتگو دارند و تمایل دارند که بازتر و اجتماعیتر باشند زیرا با کاربران مختلف ارتباط برقرار میکنند، از کلمات اجتماعی بیشتری استفاده میکنند و محبت بیشتری نسبت به کاربران غیر حساس نشان میدهند. | وقتی رباتهای اجتماعی حمله میکنند: مدلسازی حساسیت کاربران در شبکههای اجتماعی آنلاین |
58bd0411bce7df96c44aa3579136eff873b56ac5 | رصد زمین از طریق تصاویر سنجش از دور امکان شناسایی دقیق و شناسایی مواد روی سطح از فضا و سکوهای هوابرد را فراهم می کند. منابع تصویری چندگانه و ناهمگون می توانند برای یک منطقه جغرافیایی در دسترس باشند: تصاویر چند طیفی، فراطیفی، راداری، چند زمانی و چند زاویه ای امروزه می توانند در یک صحنه معین به دست آیند. این منابع را می توان برای بهبود طبقه بندی مواد روی سطح با هم ترکیب کرد. حتی اگر این نوع سیستمها به طور کلی دقیق باشند، میدان با چالشهای جدیدی روبرو خواهد شد: صورتهای فلکی حسگرهای ماهوارهای، مقادیر زیادی از تصاویر با وضوحهای مختلف مکانی، طیفی، زاویهای و زمانی را به دست خواهند آورد. در این سناریو، ترکیب تصاویر چندوجهی به عنوان چارچوب مناسب برای رسیدگی به این مشکلات برجسته می شود. در این مقاله، ما یک نمای طبقهبندی از میدان ارائه میکنیم و روشهای فعلی را برای طبقهبندی چندوجهی تصاویر سنجش از دور مرور میکنیم. ما همچنین آخرین پیشرفتها را برجسته میکنیم که از هم افزایی با یادگیری ماشین و پردازش سیگنال استفاده میکنند: روشهای پراکنده، همجوشی مبتنی بر هسته، مدلسازی مارکوف، و همترازی چندگانه. سپس، ما رویکردهای مختلف را در هفت کاربرد چالش برانگیز سنجش از دور نشان میدهیم: 1) ترکیب چند وضوحی برای طبقهبندی تصاویر چند طیفی. 2) کاهش مقیاس تصویر به عنوان شکلی از ادغام تصویر چند زمانی و درون یابی چند بعدی در میان حسگرهایی با وضوح های مختلف مکانی، طیفی و زمانی. 3) طبقه بندی تصویر چند گوشه؛ 4) ترکیب تصویر چندحسگر با بهرهبرداری از استخراج ویژگیهای مبتنی بر فیزیکی. 5) طبقه بندی تصاویر چندزمانی پوشش های زمین در منابع تصویری ناقص، ناسازگار و مبهم. 6) ادغام چندحسگر فضایی تصاویر نوری و راداری برای تشخیص تغییر. و 7) انطباق سنسور متقابل طبقه بندی کننده ها. اتخاذ این تکنیک ها در تنظیمات عملیاتی به نظارت بر سیاره ما از فضا در آینده بسیار نزدیک کمک می کند. | طبقه بندی چندوجهی تصاویر سنجش از دور: بررسی و جهت گیری های آینده |
fb7f39d7d24b30df7b177bca2732ff8c3ade0bc0 | در سناریوهای ورزشی مانند فوتبال یا بسکتبال، ما اغلب با نماهای مرکزی سروکار داریم که در آن فقط دایره مرکزی و برخی موارد اولیه اضافی مانند خط مرکزی و نقطه مرکزی یا یک خط لمسی قابل مشاهده است. در این مقاله ابتدا، از دیدگاه ریاضی، مجموعه ای از هموگرافی ها را که یک بیضی معین را به دایره واحد نشان می دهند، مشخص می کنیم، سپس با استفاده از حداقل اطلاعات اضافی اضافی مانند دانش موقعیت در تصویر خط مرکزی و نقطه مرکزی یا یک خط لمسی روشی را برای تعیین کامل هموگرافی صفحه نشان می دهیم. ما برخی از آزمایشها را در سناریوهای ورزشی ارائه میکنیم تا توانایی روش پیشنهادی برای بازیابی مناسب هموگرافی صفحه را نشان دهیم. | تخمین هموگرافی با استفاده از یک تناظر بیضی و حداقل اطلاعات اضافی |
c171faac12e0cf24e615a902e584a3444fcd8857 | مقیاس رضایت از زندگی | |
154d62d97d43243d73352b969b2335caaa6c2b37 | یادگیری تکاملی با تکامل جمعیتی از طبقهبندیکنندهها پیش میرود، که از آن به طور کلی (به استثنای برخی موارد قابل توجه) بهترین طبقهبندیکننده منفرد را به عنوان نتیجه نهایی برمیگرداند. در همین حال، Ensemble Learning، یکی از کارآمدترین رویکردها در یادگیری ماشین نظارت شده در دهه گذشته، با ایجاد جمعیتی از طبقهبندیکنندههای متنوع پیش میرود. بنابراین، یادگیری گروهی با محاسبات تکاملی توجه روزافزونی را به خود جلب می کند. رویکرد یادگیری گروه تکاملی (EEL) ارائه شده در این مقاله دارای دو مشارکت است. ابتدا، یک تابع تناسب اندام جدید، با الهام از تکامل مشترک و اعمال تنوع طبقه بندی، ارائه شده است. علاوه بر این، یک معیار انتخاب جدید بر اساس حاشیه طبقه بندی پیشنهاد شده است. این معیار برای استخراج مجموعه طبقهبندیکننده فقط از جمعیت نهایی (Off-EEL) یا به صورت تدریجی در طول تکامل (On-EEL) استفاده میشود. آزمایشها روی مجموعهای از مشکلات معیار نشان میدهند که Off-EEL از یادگیری تکاملی تک فرضیه و تقویت پیشرفته بهتر عمل میکند و مجموعههای طبقهبندیکننده کوچکتری تولید میکند. | یادگیری گروهی به صورت رایگان با الگوریتم های تکاملی؟ |
3146fabd5631a7d1387327918b184103d06c2211 | تخمین نگرش مستقل از فرد و تغییر وضعیت آن برای تجزیه و تحلیل موقعیت و برای حاشیه نویسی ویدیویی خودکار مهم است. ما یک روش مبتنی بر رگرسیون آبشاری سریع را پیشنهاد میکنیم که ابتدا مکان یک مجموعه متراکم از نشانگرها و دید آنها را تخمین میزند، سپس شکل صورت را با برازش یک مدل سهبعدی مبتنی بر بخشی بازسازی میکند. در مرحله بعد، شکل سه بعدی بازسازی شده برای تخمین نمای متعارف چشم ها برای تخمین نگاه سه بعدی استفاده می شود. این مدل در یک فضای ویژگی عمل میکند که به طور طبیعی ویژگیهای ترتیبی محلی شدت پیکسلها را که منجر به تخمین ثابت فتومتریک نگاه میشود، رمزگذاری میکند. برای ارزیابی الگوریتم در مقایسه با روشهای جایگزین، از سه پایگاه داده در دسترس عموم، ردیابی سر دانشگاه بوستون، مجموعه دادههای Multi-View Gaze و CAVE Gaze استفاده شد. دقت برای ژست سر و نگاه به طور متوسط 4 درجه یا کمتر برای گام، انحراف و چرخش است. الگوریتم از روش های جایگزین در هر دو مجموعه داده عملکرد بهتری داشت. | تخمین نگرش سه بعدی مستقل از شخص با استفاده از جلونمایی چهره |
104829c56a7f1236a887a6993959dd52aebd86f5 | به هم پیوستگی بازیگران مختلف در صنعت حمل و نقل کالای جهانی، چنین سیستمی را به عنوان یک سیستم پیچیده بزرگ تبدیل کرده است که در آن زیرسیستم های مختلف به هم مرتبط هستند. در چنین سیستمی، انجام تحلیلهای اکتشافی مرتبط با سیاست که دارای ظرفیت پیشبینی هستند، دشوار است. اگرچه بسیاری از مدلهای شبیهسازی جهانی برای سیستمهای مختلف پیچیده بزرگ وجود دارد، متاسفانه تحقیقات بسیار کمی با هدف توسعه یک مدل حملونقل کالای جهانی انجام شده است. در این مقاله، ما یک چارچوب چند سطحی برای توسعه یک مدل یکپارچه از سیستم حمل و نقل کالای جهانی ارائه میکنیم. ما از یک نمای سیستمی برای ترکیب زیرسیستم های مرتبط مختلف و دسته بندی آنها در سطوح مختلف استفاده می کنیم. مدل چهار مرحله ای حمل و نقل بار به عنوان پایه اساسی چارچوب پیشنهادی استفاده می شود. علاوه بر آن، ما همچنین چارچوب محاسباتی را ارائه میکنیم که به چارچوب مدلسازی سطح بالا پایبند است تا مفهومی از مدل شبیهسازی رویداد گسسته را ارائه دهد که توسعه خواهد یافت. | مدلسازی سیستم حمل و نقل کالای جهانی: دیدگاه مدلسازی چند سطحی |
45063cf2e0116e700da5ca2863c8bb82ad4d64c2 | در مقایسه پایگاههای داده گراف با پایگاههای داده سنتی، به عنوان مثال، پایگاههای داده رابطهای، برخی از ویژگیهای مهم پایگاه داده اغلب در آنجا وجود ندارند. به ویژه، یک طرح پایگاه داده گراف شامل محدودیت های یکپارچگی به طور صریح تعریف نشده است، همچنین یک مدل سازی مفهومی به هیچ وجه استفاده نمی شود. بررسی سازگاری پایگاه داده گراف دشوار است، زیرا تقریباً هیچ محدودیتی برای یکپارچگی تعریف نشده است. در این مقاله، ما این مسائل را مورد بحث قرار میدهیم و احتمالات و چالشهای فعلی در مدلسازی پایگاه داده گراف را ارائه میکنیم. همچنین سطح مفهومی طراحی پایگاه داده گراف در نظر گرفته شده است. ما یک مدل مفهومی کافی پیشنهاد می کنیم و رابطه آن را با یک مدل پایگاه داده گراف نشان می دهیم. ما همچنین بر روی محدودیتهای یکپارچگی مدلسازی وابستگیهای عملکردی بین انواع موجودیت تمرکز میکنیم، که مدلسازی وابستگیهای عملکردی شناختهشده از پایگاههای داده رابطهای را یادآوری میکند و آنها را به وابستگیهای تابعی شرطی گسترش میدهد. | مدل سازی مفهومی و پایگاه داده پایگاه های نموداری |
d2f210e3f34d65e3ae66b60e98d9c3a740b3c52a | تخصیص ثبت رنگ آمیزی نمودار تلاش می کند تا هزینه کل محدوده های زنده ریخته شده متغیرها را به حداقل برساند. تقسیم و ادغام محدوده زنده اغلب قبل از رنگ آمیزی انجام می شود تا هزینه کل کاهش یابد. ادغام محدودههای زنده تقسیمشده، که زیرمحدودهها نامیده میشوند، میتوانند هزینه کل را با کاهش درجه تداخل همسایگان تداخل مشترک کاهش دهند. با این حال، می تواند هزینه کل را نیز افزایش دهد زیرا زیرمجموعه های ادغام شده می توانند غیرقابل رنگ شوند. در این مقاله، ادغام مبتنی بر رنگآمیزی را پیشنهاد میکنیم، که ابتدا رنگآمیزی آزمایشی را انجام میدهد و سپس همه زیرمجموعههای مرتبط با کپی را که به همان رنگ اختصاص داده شدهاند، با هم ترکیب میکند. سپس گراف ادغام شده دوباره با تخصیص ثبت رنگ آمیزی گراف رنگ می شود. منطق این است که ادغام طیفهای فرعی با رنگهای متفاوت میتواند منجر به ریختن آن شود، زیرا برخی از همسایههای تداخلی وجود دارند که از انتساب یک رنگ به آنها جلوگیری میکنند. آزمایشها روی برنامههای جاوا نشان میدهد که ترکیبی از تقسیمبندی محدوده زنده و ادغام مبتنی بر رنگآمیزی، هزینه نشت استاتیک را به طور متوسط در مقایسه با رنگآمیزی پایه بدون تقسیم، بیش از ۶ درصد کاهش میدهد. در مقابل، الگوریتم های ادغام تکراری و خوش بینانه شناخته شده، زمانی که با تقسیم کردن ترکیب می شوند، هزینه را بیش از 20 درصد افزایش می دهند. ادغام مبتنی بر رنگ آمیزی زمان اجرا را به طور متوسط تا 15% و 3% بهبود می بخشد، در حالی که الگوریتم های موجود به طور متوسط تا 12% و 1% بهبود می یابند. | ادغام مبتنی بر رنگ برای تخصیص ثبت رنگ آمیزی نمودار |
8a718fccc947750580851f10698de1f41f5991f4 | شناخت در نتیجه پردازش هماهنگ بین نواحی توزیع شده مغز ایجاد می شود و اختلال در ارتباطات در این شبکه های عصبی می تواند منجر به اختلال عملکرد شناختی شود. بنابراین قطع ارتباط قشر مغز ممکن است به کاهش برخی از جنبه های عملکرد شناختی که در پیری سالم مشاهده می شود کمک کند. تصویربرداری تانسور انتشار (DTI) برای مطالعه قطع ارتباط قشر مغز بسیار مناسب است زیرا شاخصهایی از یکپارچگی ساختاری را در شبکههای عصبی به هم پیوسته ارائه میدهد. بررسی فعلی نتایج تحقیقات قبلی پیری DTI را با هدف شناسایی الگوهای ثابت تفاوتهای مرتبط با سن در یکپارچگی ماده سفید و روابط بین معیارهای یکپارچگی ماده سفید و عملکرد رفتاری به عنوان تابعی از سن بزرگسال خلاصه میکند. ما تعدادی از جهت گیری های آینده را ترسیم می کنیم که درک فعلی ما را از این روابط مغز-رفتار در پیری گسترش می دهد. به طور خاص، تحقیقات آینده باید با هدف (1) بررسی مدل های متعدد روابط سن-مغز-رفتار باشد. (2) تعیین ویژگی دستگاه در مقابل اثر جهانی پیری بر یکپارچگی ماده سفید. (3) سهم نسبی تنوع طبیعی در یکپارچگی ماده سفید در مقابل ضایعات ماده سفید را در تفاوت های مربوط به سن در شناخت ارزیابی کنید. (4) بهبود تعریف جنبه های خاص عملکرد شناختی مربوط به تفاوت های مربوط به سن در یکپارچگی ماده سفید با استفاده از وظایف پردازش اطلاعات. و (5) روشهای تصویربرداری متعدد (مانند تصویربرداری رزونانس مغناطیسی عملکردی در حالت استراحت و مربوط به کار؛ fMRI) را با DTI ترکیب میکند تا نقش یکپارچگی ماده سفید مغزی در پیری شناختی را روشن کند. | پیری منقطع: یکپارچگی ماده سفید مغز و تفاوت های مربوط به سن در شناخت |
9b69889c7d762c04a2d13b112d0b37e4f719ca34 | پیشرفت فناوریهای سلول خورشیدی پروسکایت به سمت راندمان تبدیل انرژی نظری (PCE) نیازمند کنترل ظریفی بر دینامیک حامل در کل دستگاه است. با کنترل تشکیل لایه پروسکایت و انتخاب دقیق مواد دیگر، نوترکیبی حامل را در جاذب مهار کردیم، تزریق حامل را به لایههای انتقال حامل تسهیل کردیم و استخراج حامل خوب را در الکترودها حفظ کردیم. هنگامی که از طریق اسکن بایاس معکوس اندازه گیری می شود، PCE سلول معمولاً به طور متوسط به 16.6٪ افزایش می یابد، با بالاترین راندمان ~19.3٪ در یک هندسه مسطح بدون پوشش ضد انعکاس. ساخت سلولهای خورشیدی پروسکایت ما در هوا و از محلول در دماهای پایین انجام شد، که باید ساخت دستگاههای پروسکایتی با مساحت بزرگ را که ارزان هستند و در سطوح بالا کار میکنند، سادهتر کند. | مهندسی رابط سلول های خورشیدی پروسکایت بسیار کارآمد |
16e39000918a58e0755dc42abed368b2215c2aed | این مقاله در مورد طراحی، اجرا و ارزیابی عملکرد یک چارچوب مدیریت منابع رادیویی (RRM) برای بهره برداری از فضاهای سفید تلویزیون (TVWS)، تحت یک رویکرد مبتنی بر حراج توضیح می دهد. چارچوب RRM پیشنهادی در یک معماری شبکه رادیویی شناختی متمرکز (CR) اعمال میشود، که در آن بهرهبرداری از TVWS موجود توسط سیستمهای ثانویه از طریق یک کارگزار طیف هماهنگ میشود. عملکرد چارچوب RRM کارآمد، به عنوان موضوع استفاده حداکثری ممکن از منابع و بهره برداری از Spectrum Broker، با پیشنهاد و ارزیابی یک الگوریتم مبتنی بر حراج به دست می آید. این الگوریتم مبتنی بر حراج، هم دامنه فرکانس و هم دامنه زمان را در طول فرآیند تخصیص TVWS در نظر میگیرد که به عنوان یک مسئله بهینهسازی تعریف شد، که در آن حداکثر بازده Spectrum Broker هدف بهینهسازی است. آزمونهای تجربی که در محیط شرایط کنترلشده انجام شد، اعتبار چارچوب پیشنهادی را تأیید کرد و زمینههایی را برای تحقیقات بیشتر شناسایی کرد. | یک چارچوب مدیریت منابع رادیویی برای بهره برداری از TVWS تحت یک رویکرد مبتنی بر حراج |
5592c7e0225c956419a9a315718a87190b33f4c2 | شبکههای عصبی کانولوشنال با وزن دودویی (BCNN) میتوانند به دقت طبقهبندی تقریباً پیشرفته دست یابند و پیچیدگی محاسباتی بسیار کمتری در مقایسه با CNNهای سنتی با استفاده از وزنهای با دقت بالا دارند. با توجه به وزن دودویی، BCNN ها برای سیستم های اینترنت اشیاء مبتنی بر بینایی که به مصرف انرژی حساس هستند مناسب هستند. BCNN ها دستیابی به توان عملیاتی بسیار بالا را با اتلاف توان متوسط ممکن می سازند. در این مقاله، یک معماری کارآمد انرژی برای BCNN ها پیشنهاد شده است. این به طور کامل از وزن های باینری و سایر ویژگی های سخت افزاری BCNN ها بهره برداری می کند. یک برنامه پردازش عاقلانه پیشنهاد شده است به طوری که دسترسی ورودی/خروجی خارج از تراشه به حداقل برسد و فعالسازیها حداکثر استفاده مجدد را داشته باشند. برای کاهش قابل توجه تأخیر مسیر بحرانی، درختان کمپرسور بهینهسازی شده و ضربکنندههای تقریبی باینری را با دو طرح جبران جدید معرفی میکنیم. دومی قادر است منابع سخت افزاری قابل توجهی را ذخیره کند و تقریباً هیچ دقت محاسباتی به خطر نمی افتد. با بهره گیری از انعطاف پذیری خطای BCNN ها، یک جمع کننده تقریبی ابتکاری ایجاد شده است که به طور قابل توجهی ناحیه سیلیکونی و تاخیر مسیر داده را کاهش می دهد. تجزیه و تحلیل کامل خطا و نتایج تجربی گسترده در چندین مجموعه داده نشان می دهد که جمع کننده های تقریبی در مسیر داده باعث از دست دادن دقت ناچیز می شوند. علاوه بر این، تبدیلهای الگوریتمی برای لایههای خاصی از BCNN و یک طرح کوانتیزاسیون کارآمد حافظه برای کاهش بیشتر هزینه انرژی و نیاز ذخیرهسازی روی تراشه گنجانده شدهاند. در نهایت، معماری سخت افزاری پیشنهادی BCNN با فناوری 130 نانومتری SMIC پیاده سازی شده است. نتایج postlayout نشان میدهد که طراحی ما میتواند به بازده انرژی بیش از 2.0TOp/s/W در مقیاس 65 نانومتر دست یابد، که بیش از دو برابر بهتر از هنر قبلی است. | یک معماری کارآمد انرژی برای شبکههای عصبی کانولوشنال با وزن دودویی |
6733017c5a01b698cc07b57fa9c9b9207b85cfbc | در علوم اعصاب، انواع مدلهای محاسباتی برای پاسخ به این سوال باز طراحی شدند که چگونه محرکهای حسی توسط نورونها رمزگذاری میشوند و برعکس، چگونه محرکهای حسی را میتوان از فعالیتهای عصبی رمزگشایی کرد. به خصوص، مطالعات تصویربرداری تشدید مغناطیسی عملکردی (fMRI) با توسعه سریع محاسبات شبکه عمیق، دستاوردهای بزرگ بسیاری را به دست آورده است. با این حال، در مقایسه با هدف رمزگشایی جهت، موقعیت و دسته شی از فعالیتهای قشر بینایی، بازسازی دقیق محرکهای تصویر از fMRI انسان هنوز یک کار چالش برانگیز است. در این مقاله، روش بازسازی بصری مبتنی بر معماری شبکه کپسولی (CNAVR) برای بازسازی محرک های تصویر توسعه داده شده است. کپسول به معنای شامل گروهی از نورون ها برای انجام سازماندهی بهتر ساختار و نمایش ویژگی است که از ساختار مینی ستون قشر مغز شامل چند صد نورون در پستانداران الهام گرفته شده است. ویژگیهای کپسول سطح بالا در CapsNet شامل ویژگیهای متنوعی از محرکهای تصویر مانند کلاس معنایی، جهتگیری، مکان و غیره است. ما از این ویژگی ها برای ایجاد پل بین fMRI انسان و محرک های تصویر استفاده کردیم. ما ابتدا از CapsNet برای آموزش نقشهبرداری غیرخطی از محرکهای تصویر به ویژگیهای کپسول سطح بالا و از ویژگیهای کپسول سطح بالا به محرکهای تصویری دوباره به روشی انتها به انتها استفاده کردیم. پس از تخمین قابلیت سرویس دهی هر وکسل با کدگذاری عملکرد برای انجام انتخاب وکسل ها، در مرحله دوم نقشه برداری غیرخطی را از داده های fMRI کاهش ابعاد تا ویژگی های کپسول سطح بالا آموزش دادیم. در نهایت، میتوانیم ویژگیهای کپسول سطح بالا را با دادههای fMRI پیشبینی کنیم و محرکهای تصویر را با CapsNet بازسازی کنیم. ما روش CNAVR پیشنهادی را روی مجموعه دادههای تصاویر دیجیتالی دستنویس ارزیابی کردیم و از دقت تمام روشهای پیشرفته موجود در شاخص تشابه ساختاری (SSIM) فراتر رفتیم. | بازسازی دقیق محرک های تصویر از fMRI انسان بر اساس مدل رمزگشایی با معماری شبکه کپسولی |
de0597313056b05fd7dd6b2d5e031cfb96564920 | شبکههای متخاصم انتقالی (TAN) یک چارچوب جدید یادگیری ماشینی سازگار با دامنه است که برای یادگیری توزیع احتمال شرطی بر روی دادههای ورودی بدون برچسب در یک دامنه هدف طراحی شده است، در حالی که فقط به موارد زیر دسترسی دارد: (1) دادههای برچسبگذاری شده به راحتی از یک مرتبط مرتبط. دامنه منبع، که ممکن است توزیع احتمال شرطی متفاوتی نسبت به دامنه هدف داشته باشد، و (2) توزیع قبلی حاشیهای روی برچسبها برای دامنه هدف. TAN از یک روش آموزشی کاملاً متخاصم و یک معماری مولد/رمزگذار منحصربهفرد استفاده میکند که ترکیب انتقالی دادههای منبع و دامنه هدف موجود را تقریب میزند. یکی از مزایای TAN این است که اجازه میدهد فاصله بین توزیعهای احتمال حاشیهای بردار-بردار منبع و دامنه هدف بیشتر از 0 باشد (یعنی وظایف مختلف در دامنه منبع و هدف) در حالی که سایر الگوریتمهای تطبیق دامنه نیاز دارند که این فاصله برابر با 0 باشد. (یعنی یک کار واحد در دامنه منبع و مقصد). با این حال، TAN هنوز هم می تواند مورد دوم را مدیریت کند و یک رویکرد عمومی تر برای این مورد است. یکی دیگر از مزایای TAN این است که به دلیل یک الگوریتم کاملاً خصمانه، پتانسیل تقریب دقیق توزیع های بسیار پیچیده را دارد. تجزیه و تحلیل نظری قابلیت حیات چارچوب TAN را نشان می دهد. | شبکه های متخاصم انتقالی (TAN) |
e4edc414773e709e8eb3eddd77b519637f26f9a5 | در 5 سال گذشته، رقابت ILSVRC و مجموعه داده ImageNet توجه زیادی را از سوی جامعه Computer Vision به خود جلب کرده است و به دقت پیشرفته امکان رشد فوق العاده ای را می دهد. این را باید به دلیل استفاده از طرح های شبکه عصبی مصنوعی عمیق دانست. با پیچیده تر شدن این موارد، نیازهای ذخیره سازی، پهنای باند و محاسبات افزایش یافت. این بدان معنی است که با یک رویکرد غیر توزیعی، حتی زمانی که از پرتراکمترین سرور موجود استفاده میکنید، فرآیند آموزش ممکن است هفتهها طول بکشد و آن را بازدارنده کند. علاوه بر این، با رشد مجموعه دادهها، پتانسیل یادگیری بازنمایی شبکههای عمیق نیز با استفاده از مدلهای پیچیدهتر رشد میکند. این همزمانی باعث افزایش شدید نیازمندیهای محاسباتی میشود و ما را تشویق میکند تا رفتار مقیاسپذیری را در ابررایانههای مقیاس پتافلاپ بررسی کنیم. در این مقاله، چالشها و راهحلهای جدید مورد نیاز برای آموزش ResNet50 در این محیط در مقیاس بزرگ را شرح خواهیم داد. ما بالاتر از 90 درصد راندمان مقیاسبندی و زمان تمرین 28 دقیقه را با استفاده از هستههای 104K x86 نشان میدهیم. این توسط ابزارهای نرم افزاری اکوسیستم اینتل پشتیبانی می شود. علاوه بر این، ما نشان میدهیم که با قطارهای دورهای 90 120 میتوانیم به دقت بالای 1 تا 77 درصد برای توپولوژی اصلاحنشده ResNet-50 دست یابیم. ما همچنین تکنیک جدید Collapsed Ensemble (CE) را معرفی میکنیم که به ما امکان میدهد دقت 77.5% top-1 را، مشابه دقت ResNet-152، به دست آوریم، در حالی که یک توپولوژی ResNet-50 اصلاح نشده را برای همان بودجه آموزشی ثابت آموزش میدهیم. تمام مدل های ResNet-50 و همچنین اسکریپت های مورد نیاز برای تکرار آنها به زودی پست خواهند شد. کلمات کلیدی- یادگیری عمیق، مقیاس بندی، همگرایی، مینی دسته بزرگ، مجموعه ها. | مقیاس کوچک برای SGD مینی دسته بزرگ: آموزش شبکه باقی مانده در ImageNet-1K با دقت بهبود یافته و کاهش زمان برای آموزش |
10466df2b511239674d8487101229193c011a657 | افراد مورد اعتماد به دلیل آموزش ناکافی، سهل انگاری و فشارهای اجتماعی مختلف، در هنگام محافظت از دیافراگم دسترسی به سیستم های رایانه ای ایمن می توانند قابل اعتماد نباشند. مردم اغلب ضعیف ترین حلقه در یک سیستم کامپیوتری ایمن هستند و در نتیجه هدف حملات مهندسی اجتماعی قرار می گیرند. مهندسی اجتماعی تکنیکی است که توسط هکرها یا سایر مهاجمان برای دسترسی به سیستم های فناوری اطلاعات از طریق دریافت اطلاعات مورد نیاز (به عنوان مثال، نام کاربری و رمز عبور) از یک شخص به جای نفوذ به سیستم از طریق روش های هک الکترونیکی یا الگوریتمی استفاده می شود. چنین حملاتی می تواند هم در سطح فیزیکی و هم در سطح روانی رخ دهد. تنظیمات فیزیکی این حملات در جایی اتفاق میافتد که قربانی احساس امنیت میکند: اغلب محل کار، تلفن، سطل زباله و حتی آنلاین. روانشناسی اغلب برای ایجاد یک محیط عجولانه یا رسمی استفاده می شود که به مهندس اجتماعی کمک می کند تا اطلاعات مربوط به دسترسی به سیستم را از یک کارمند به دست آورد.
قوانین حفظ حریم خصوصی داده ها در ایالات متحده و کشورهای بین المللی که استانداردهای حفظ حریم خصوصی و جریمه هایی را برای عدم رعایت سهل انگاری یا عمدی اعمال می کند، فوریت را برای اندازه گیری قابلیت اعتماد افراد و سیستم ها افزایش می دهد. یکی از معیارهای تعیین انطباق، شبیه سازی، با حسابرسی، یک حمله مهندسی اجتماعی به سازمانی است که باید استانداردهای حفظ حریم خصوصی داده ها را رعایت کند. چنین سازمانی متعهد می شود که از محرمانه بودن داده های شخصی که به آن سپرده شده است محافظت کند.
این مقاله نتایج یک ممیزی مهندسی اجتماعی تایید شده را ارائه می کند که بدون اطلاع قبلی در سازمانی که امنیت داده ها یک نگرانی است انجام شده است. حوزه های مورد تاکید شامل تجربیات بین مهندس اجتماعی و کاربران حسابرسی شده، تکنیک های مورد استفاده توسط مهندس اجتماعی و سایر یافته های ممیزی است. گامهای احتمالی برای کاهش قرار گرفتن در معرض خطرات مهندسی اجتماعی از طریق آموزش بهبود یافته کاربران بررسی میشود. | ضرورت آموزش موثر حریم خصوصی کاربر برای مقابله با حملات مهندسی اجتماعی در سیستم های کامپیوتری ایمن |
69393d1fe9d68b7aeb5dd57741be392d18385e13 | کارگروه حافظه سازمانی گزارشی را در کنفرانس بینالمللی هاوایی برای علوم سیستم در ژانویه 1998 ارائه کرد. این گزارش شامل دیدگاههایی درباره تحقیقات دانشمحور، مدلهای مفهومی برای حافظه سازمانی و روشهای تحقیق برای محققانی بود که کار در حافظه سازمانی را در نظر میگرفتند. این مقاله با بررسی تحقیقات ارائه شده در HICSS در زمینه های کلی مدیریت دانش، حافظه سازمانی و یادگیری سازمانی در پنج سال پس از گزارش اولیه کارگروه، بر ایده هایی است که در ابتدا در گزارش 1998 ارائه شد. | فراتحلیل روشهای تحقیق در مدیریت دانش، یادگیری سازمانی و حافظه سازمانی: پنج سال در HICSS |
aa6da71c3099cd394b9af663cfadce1ef77cb37b | در فرآیند انتخاب محصولات تجاری خارج از قفسه (COTS)، مواجهه با عدم تطابق بین محصولات COTS و الزامات سیستم اجتناب ناپذیر است. عدم تطابق زمانی رخ می دهد که ویژگی های COTS دقیقاً با نیازهای ما مطابقت نداشته باشد. بسیاری از این عدم تطابق ها پس از انتخاب یک محصول COTS به منظور بهبود تناسب آن با الزامات برطرف می شود. این مقاله یک رویکرد پشتیبانی تصمیم را پیشنهاد میکند که هدف آن رسیدگی به عدم تطابق COTS در طول و بعد از فرآیند انتخاب است. رویکرد ما میتواند با روشهای انتخاب COTS موجود در دو مرحله ادغام شود: (I) هنگام ارزیابی نامزدهای COTS: رویکرد ما برای تخمین تناسب پیشبینیشده کاندیداها در صورت رفع عدم تطابق آنها استفاده میشود. این کمک می کند تا تصمیمات انتخاب COTS خود را بر اساس تناسب اندام که نامزدهای COTS در نهایت در صورت انتخاب خواهند داشت، قرار دهیم. (2) پس از انتخاب محصول COTS: این رویکرد طرحهای جایگزینی را برای رفع مناسبترین ناهماهنگیها با استفاده از اقدامات مناسب پیشنهاد میکند، به طوری که مهمترین محدودیتهای ریسک، فنی و منابع برآورده شوند. یک مطالعه موردی از حوزه خدمات الکترونیکی برای نشان دادن روش و بحث در مورد ارزش افزوده آن استفاده میشود | پشتیبانی تصمیم برای رسیدگی به عدم تطابق بین محصولات COTS و الزامات سیستم |
09c5b100f289a3993d91a66116e35ee95e99acc0 | t-این مقاله یک روش جدید را برای بخشبندی و استخراج MRI قلب توصیف میکند. روش ما مبتنی بر استفاده جدید از یک بانک دو بعدی است. با انحراف تصویر ورودی برچسب گذاری شده با ilter، خطوط برچسب گذاری به طور خودکار افزایش می یابد. ما بانک فیلتر گابور را بر اساس ویژگی های مکانی و فرکانسی سن طراحی می کنیم. این ترکیبی از پاسخ هر فیلتر در بانک است. ما نشان میدهیم که در مقایسه با dsهای باند گذر مانند HARP، این روش منجر به قوی و برجستهسازی خطوط برچسبگذاری میشود. | بخش بندی خطوط برچسب گذاری MRI قلبی با استفاده از بانک های فیلتر گابور |
8db81373f22957d430dddcbdaebcbc559842f0d8 | طیف وسیعی از کاربردها، از پیشبینی انتشار ویروسهای انسانی و الکترونیکی گرفته تا برنامهریزی شهری و مدیریت منابع در ارتباطات سیار، به توانایی ما در پیشبینی محل سکونت و تحرک افراد بستگی دارد و این سوال اساسی را مطرح میکند: رفتار انسان تا چه حد قابل پیشبینی است؟ در اینجا ما محدودیتهای قابل پیشبینی در پویایی انسان را با مطالعه الگوهای تحرک کاربران تلفن همراه ناشناس بررسی میکنیم. با اندازهگیری آنتروپی مسیر هر فرد، 93 درصد قابلیت پیشبینی بالقوه در تحرک کاربر در کل پایگاه کاربر پیدا میکنیم. علیرغم تفاوت های قابل توجه در الگوهای سفر، ما کمبود قابل توجهی از تغییرپذیری را در پیش بینی پذیری می یابیم، که تا حد زیادی مستقل از مسافتی است که کاربران به طور منظم طی می کنند. | محدودیت های قابل پیش بینی در تحرک انسان |
6c1cabe3f5980cbc50d290c2ed60b9aca624eab8 | مقدمه
مدلهای ریاضی به ما امکان میدهند تا از اطلاعات فعلی در مورد وضعیت و پیشرفت یک شیوع بیماری، پیشبینی آینده و مهمتر از همه، تعیین کمیت عدم قطعیت در این پیشبینیها را انجام دهیم. در اینجا، ما این اصول را در رابطه با اپیدمی فعلی H1N1 نشان می دهیم.
منابع داده
بسیاری از منابع داده در مدلسازی ریاضی مورد استفاده قرار میگیرند و برخی از اشکال مدلها به دادههای بسیار بیشتری نسبت به سایرین نیاز دارند. با این حال، برآورد خوب تعداد موارد بسیار مهم است.
زمینه های توافق
مدلهای ریاضی و ابزارهای آماری که زیربنای آنها هستند، اکنون یک عنصر اساسی در برنامهریزی اقدامات کنترل و کاهش در برابر هر اپیدمی آینده یک بیماری عفونی هستند. مدلهای ریاضی با پارامتر مناسب به ما اجازه میدهند تا انواع استراتژیهای کنترلی ممکن را در شبیهسازیهای رایانهای قبل از اعمال آنها در واقعیت آزمایش کنیم.
زمینه های مناقشه
تعامل بین مدلسازان و پزشکان بهداشت عمومی و سطح جزئیات مورد نیاز برای استفاده از مدلها.
نقاط رشد
نیاز به پیوندهای آماری قوی تر بین مدل ها و داده ها.
مناطق به موقع برای توسعه تحقیقات
درک بیشتر جامعه پزشکی از کاربردها و محدودیتهای مدلها و قدردانی بیشتر توسط مدلسازان از محدودیتهای منابع بهداشت عمومی. | مدل سازی ریاضی بیماری های عفونی. |
355f9782e9667c19144e137761a7d44977c7a5c2 | این مطالعه به بررسی گفتگوهای مرتبط با افسردگی در توییتر می پردازد تا بینشی از شبکه های اجتماعی در مورد سلامت روان به دست آورد. ما مضامین یک نمونه تصادفی (n=2000) از توییتهای مرتبط با افسردگی (ارسال 4-11 به 5-4-14) را ارزیابی کردیم. توییتها برای بیان علائم DSM-5 برای اختلال افسردگی اساسی (MDD) کدگذاری شدند. توئیتهای حمایتی یا کمککننده درباره افسردگی رایجترین مضمون (787 نفر، 40٪) بود، و پس از آن افشای احساسات افسردگی (n=625؛ 32٪) قرار داشت. دو سوم توییتها یک یا چند علامت را برای تشخیص MDD نشان دادند و/یا افکار یا ایدههایی را که با مبارزه با افسردگی مطابقت داشتند، پس از حساب کردن توییتهایی که به طور بیاهمیت به افسردگی اشاره میکردند، نشان دادند. متخصصان سلامت می توانند از یافته های ما برای تنظیم و هدف قرار دادن پیام های پیشگیری و آگاهی برای آن دسته از کاربران توییتر استفاده کنند که نیاز دارند. | تحلیل محتوای توییت های مرتبط با افسردگی |
7ec5f9694bc3d061b376256320eacb8ec3566b77 | سیستمهایی برای القای توصیف مفاهیم از مثالها ابزار ارزشمندی برای کمک به کار کسب دانش برای سیستمهای خبره هستند. این مقاله توصیف و ارزیابی تجربی یک سیستم القایی جدید، CN2 را ارائه میکند که برای القای کارآمد قوانین تولید ساده و قابل درک در حوزههایی طراحی شده است که مشکلات زبان توصیف ضعیف و/یا نویز ممکن است وجود داشته باشد. پیادهسازی الگوریتمهای CN2، ID3 و AQ در سه وظیفه طبقهبندی پزشکی مقایسه میشوند. | الگوریتم القایی CN2 |
a79f43246bed540084ca2d1fcf99a68c69820747 | تشخیص و محلی سازی متن در تصاویر صحنه طبیعی برای تجزیه و تحلیل تصویر مبتنی بر محتوا مهم است. این مشکل به دلیل پسزمینه پیچیده، نور غیر یکنواخت، تغییرات فونت متن، اندازه و جهتگیری خط چالشبرانگیز است. در این مقاله، ما یک رویکرد ترکیبی برای شناسایی قوی و بومیسازی متون در تصاویر صحنه طبیعی ارائه میکنیم. یک آشکارساز منطقه متنی برای تخمین اطمینان و مقیاس اطلاعات موجود در متن در هرم تصویر طراحی شده است که به بخش بندی اجزای متن نامزد با باینری سازی محلی کمک می کند. برای فیلتر کردن مؤلفههای غیر متنی، یک مدل میدان تصادفی شرطی (CRF) با در نظر گرفتن ویژگیهای مؤلفه واحد و روابط مؤلفه متنی باینری با یادگیری پارامترهای نظارت شده پیشنهاد شدهاست. در نهایت، اجزای متن در خطوط/کلمات متنی با روش کمینهسازی انرژی مبتنی بر یادگیری گروهبندی میشوند. از آنجایی که هر سه مرحله مبتنی بر یادگیری هستند، پارامترهای بسیار کمی وجود دارد که به تنظیم دستی نیاز دارند. نتایج تجربی ارزیابیشده بر روی مجموعه داده رقابت ICDAR 2005 نشان میدهد که رویکرد ما در مقایسه با روشهای پیشرفته، دقت و عملکرد یادآوری بالاتری را به همراه دارد. ما همچنین رویکرد خود را بر روی یک مجموعه داده تصویری چند زبانه با نتایج امیدوارکننده ارزیابی کردیم. | یک رویکرد ترکیبی برای تشخیص و بومی سازی متون در تصاویر صحنه طبیعی |
e9b87d8ba83281d5ea01e9b9fab14c73b0ae75eb | یافتههای تصویربرداری عصبی شبکههای مغزی مشابه مرتبط با تخیل و اجرای یک حرکت را نشان دادهاند. از سوی دیگر، مطالعات عصبروانشناختی بیماران مبتلا به ضایعه جداری نشان میدهد که این شبکهها ممکن است حداقل تا حدی متمایز باشند. در مطالعه حاضر، از افراد عادی خواسته شد تا حرکات دست را با نشانه شنوایی تصور یا اجرا کنند. در مقایسه با استراحت، تخیل و اجرا شبکههای همپوشانی، از جمله نواحی دو طرفه پیش حرکتی و جداری، عقدههای پایه و مخچه را نشان داد. با این حال، مقایسه مستقیم بین دو شرایط تجربی نشان داد که نواحی خاص قشر زیر قشری بیشتر درگیر شبیهسازی ذهنی هستند، از جمله نواحی پیش حرکتی دوطرفه، پیشپیشانی، حرکتی تکمیلی و قسمتهای جداری خلفی چپ و هستههای دمی. این نتایج نشان می دهد که یک بستر عصبی خاص در پردازش نمایش های حرکتی دست دخیل است. | شبکه های عصبی تا حدی همپوشانی برای حرکات دست واقعی و خیالی. |
dd18d4a30cb1f516b62950db44f73589f8083c3e | در طول دو دهه گذشته، تمرکز مهم تحقیقات درد، مطالعه مکانیسمهای درد مزمن، بهویژه فرآیندهایی است که منجر به حساسیت غیرطبیعی - درد خود به خود و پردردی - مرتبط با این حالات میشود. مدتی است که مشخص شده است که واسطه های التهابی آزاد شده از سلول های ایمنی می توانند به این حالت های درد مداوم کمک کنند. با این حال، اخیراً مشخص شده است که محصولات سلولی ایمنی ممکن است نقش مهمی نه تنها در درد التهابی، بلکه در درد نوروپاتیک ناشی از آسیب به اعصاب محیطی یا CNS داشته باشند. | نقش سیستم ایمنی در دردهای مزمن |
eaa6537b640e744216c8ec1272f6db5bbc53e0fe | یکی از جنبههای مهم سیستمهای جلوگیری از برخورد و کمک راننده، و همچنین خودروهای خودران، ردیابی چراغهای عقب خودرو و تشخیص سیگنالهای هشدار (چرخش و ترمز) است. در این مقاله، ما طراحی و اجرای یک الگوریتم قوی و سبک وزن محاسباتی را برای یک سیستم دید در زمان واقعی ارائه میکنیم که قادر به تشخیص و ردیابی چراغهای عقب خودرو، تشخیص سیگنالهای هشدار رایج با استفاده از دوربین هوشمند تعبیهشده در خودرو، و شمارش خودروها است. عبور از دو طرف وسیله نقلیه این سیستم کم مصرف است و صحنه ها را به طور کامل روی ریزپردازنده یک دوربین هوشمند تعبیه شده پردازش می کند. برخلاف اکثر کارهای موجود که به تشخیص در روز یا شب می پردازند، سیستم ارائه شده توانایی ردیابی چراغ های عقب خودرو و تشخیص سیگنال های هشدار را بدون توجه به شرایط نوری فراهم می کند. سیستم بینایی موبایل در صحنه های ترافیکی واقعی آزمایش شده است و نتایج به دست آمده عملکرد و ماهیت سبک وزن الگوریتم را نشان می دهد. | ردیابی خودکار قوی و محاسباتی سبک چراغ های عقب خودرو و تشخیص سیگنال توسط دوربین های هوشمند تعبیه شده |
7401611a24f86dffb5b0cd39cf11ee55a4edb32b | ما یک ارزیابی مقایسهای از تعداد زیادی از تکنیکهای تشخیص ناهنجاری را بر روی مجموعههای دادههای در دسترس عموم و همچنین بهطور مصنوعی تولید شده ارائه میکنیم. بسیاری از اینها تکنیکهای موجود هستند، در حالی که برخی از آنها انواع جزئی و/یا اقتباسهایی از تکنیکهای تشخیص ناهنجاری سنتی برای توالی دادهها هستند. | ارزیابی مقایسه ای تکنیک های تشخیص ناهنجاری برای داده های توالی |
a4bf5c295f0bf4f7f8d5c1e702b62018cca9bc58 | هدف از مطالعه حاضر بررسی رابطه بین آزار جنسی و جسمی کودکی و نوجوانی قبل از 18 سالگی و عملکرد روانی اجتماعی در اواسط نوجوانی (سن 15 سالگی) و اوایل بزرگسالی (21 سالگی) در یک نمونه جامعه نماینده از بزرگسالان جوان بود. . آزمودنی ها 375 شرکت کننده در یک مطالعه طولی 17 ساله در حال انجام بودند. در سن 21 سالگی، نزدیک به 11% سوء استفاده فیزیکی یا جنسی را قبل از 18 سالگی گزارش کردند. اختلالات روانپزشکی بر اساس معیارهای DSM-III-R با استفاده از برنامه مصاحبه تشخیصی NIMH، نسخه اصلاح شده (DIS-III-R) ارزیابی شد. تقریباً 80 درصد از بزرگسالان جوان مورد آزار و اذیت، معیارهای DSM-III-R را برای حداقل یک اختلال روانپزشکی در سن 21 سالگی برآورده کردند. در مقایسه با همتایان خود که مورد آزار قرار نگرفته بودند، افراد مورد آزار و اذیت، اختلالات قابل توجهی را در عملکرد هر دو در سنین 15 و 21 سالگی نشان دادند، از جمله علائم افسردگی بیشتر. اضطراب، اختلالات روانپزشکی، مشکلات عاطفی- رفتاری، افکار خودکشی، و اقدام به خودکشی در حالی که افراد مورد آزار و اذیت به طور کلی در سنین 15 و 21 سالگی عملکرد ضعیف تری نسبت به همسالان خود داشتند که مورد آزار قرار نگرفته بودند، تفاوت های جنسیتی و الگوهای مشخصی از اختلال عملکرد ظاهر شد. این کمبودها بر نیاز به مداخله زودهنگام و راهبردهای پیشگیری برای جلوگیری یا به حداقل رساندن عواقب جدی کودک آزاری تاکید می کند. | پیامدهای درازمدت سوء استفاده از کودکان و نوجوانان: یک مطالعه اجتماعی طولی |
a3d638ab304d3ef3862d37987c3a258a24339e05 | CycleGAN [Zhu و همکاران، 2017] یکی از رویکردهای موفق اخیر برای یادگیری تغییر بین دو توزیع تصویر است. در یک سری آزمایش، ما یک ویژگی جالب مدل را نشان میدهیم: CycleGAN یاد میگیرد که اطلاعات مربوط به تصویر منبع را در تصاویری که تولید میکند در یک سیگنال تقریباً نامحسوس و با فرکانس بالا، «پنهان» کند. این ترفند تضمین می کند که ژنراتور می تواند نمونه اصلی را بازیابی کند و در نتیجه نیاز ثبات چرخه ای را برآورده کند، در حالی که تصویر تولید شده واقعی باقی می ماند. ما این پدیده را با حملات خصمانه با مشاهده رویه آموزشی CycleGAN به عنوان آموزش مولد نمونههای متخاصم مرتبط میکنیم و نشان میدهیم که از دست دادن ثبات چرخهای باعث میشود CycleGAN به ویژه در برابر حملات دشمن آسیبپذیر باشد. | CycleGAN، استاد استگانوگرافی |
459fbc416eb9a55920645c741b1e4cce95f39786 | در این مقاله، اعداد الگوریتمهای رایج برای آموزش شبکههای متخاصم مولد (GAN) را تحلیل میکنیم. با استفاده از فرمالیسم بازیهای دو نفره صاف، زمینه بردار گرادیان مرتبط با اهداف آموزشی GAN را تحلیل میکنیم. یافتههای ما نشان میدهد که همگرایی الگوریتمهای فعلی به دلیل دو عامل آسیب میبیند: الف) وجود مقادیر ویژه ژاکوبین میدان بردار گرادیان با بخش واقعی صفر، و ب) مقادیر ویژه با بخش خیالی بزرگ. با استفاده از این یافتهها، الگوریتم جدیدی طراحی میکنیم که بر برخی از این محدودیتها غلبه کرده و ویژگیهای همگرایی بهتری دارد. به طور تجربی، ما برتری آن را در آموزش معماریهای GAN رایج نشان میدهیم و همگرایی را با معماریهای GAN نشان میدهیم که آموزش آنها بسیار سخت است. | اعداد GAN ها |
0d57ba12a6d958e178d83be4c84513f7e42b24e5 | یادگیری عمیق با شبکه های عصبی بزرگ و مجموعه داده های بزرگ رشد می کند. با این حال، شبکههای بزرگتر و مجموعه دادههای بزرگتر منجر به زمانهای آموزشی طولانیتر میشود که مانع از پیشرفت تحقیق و توسعه میشود. SGD همزمان توزیع شده یک راه حل بالقوه برای این مشکل با تقسیم مینی بچ های SGD بر روی مجموعه ای از کارگران موازی ارائه می دهد. با این حال، برای کارآمد کردن این طرح، حجم کاری برای هر کارگر باید زیاد باشد، که به معنای رشد غیر ضروری در اندازه کوچک SGD است. در این مقاله، ما بهطور تجربی نشان میدهیم که در مجموعه داده ImageNet، مینیبچهای بزرگ مشکلات بهینهسازی را ایجاد میکنند، اما وقتی به این موارد پرداخته میشوند، شبکههای آموزش دیده تعمیم خوبی از خود نشان میدهند. به طور خاص، هنگام تمرین با اندازه های کوچک تا 8192 تصویر، دقت را از دست نمی دهیم. برای دستیابی به این نتیجه، ما یک قانون مقیاسبندی خطی را برای تنظیم نرخ یادگیری به عنوان تابعی از اندازه کوچک میپذیریم و یک طرح گرم کردن جدید ایجاد میکنیم که بر چالشهای بهینهسازی در اوایل آموزش غلبه میکند. با این تکنیکهای ساده، سیستم مبتنی بر Caffe2 ما ResNet50 را با اندازه کوچک 8192 روی 256 پردازنده گرافیکی در یک ساعت آموزش میدهد، در حالی که با دقت کوچک مینیبچ مطابقت دارد. با استفاده از سختافزار کالا، پیادهسازی ما در هنگام جابهجایی از 8 به 256 GPU به 90% راندمان مقیاسپذیری دست مییابد. این سیستم ما را قادر میسازد تا مدلهای تشخیص بصری را بر روی دادههای مقیاس اینترنت با کارایی بالا آموزش دهیم. | SGD کوچک و بزرگ: آموزش ImageNet در 1 ساعت |
bcdce6325b61255c545b100ef51ec7efa4cced68 | الگوریتمهای بهینهسازی گرادیان نزولی، اگرچه به طور فزایندهای محبوب هستند، اغلب به عنوان بهینهساز جعبه سیاه استفاده میشوند، زیرا توضیح عملی نقاط قوت و ضعف آنها دشوار است. هدف این مقاله این است که شهودی را در مورد رفتار الگوریتمهای مختلف به خواننده ارائه دهد که به او امکان استفاده از آنها را میدهد. در طول این بررسی اجمالی، ما به انواع مختلف شیب نزول نگاه می کنیم، چالش ها را خلاصه می کنیم، رایج ترین الگوریتم های بهینه سازی را معرفی می کنیم، معماری ها را در یک محیط موازی و توزیع شده بررسی می کنیم، و استراتژی های اضافی برای بهینه سازی گرادیان نزول را بررسی می کنیم. | مروری بر الگوریتمهای بهینهسازی گرادیان نزول |
21786e6ca30849f750656277573ee11fa4d469c5 | هدف از این مطالعه ارزیابی نیازهای فیزیکی فوتبال لیگ برتر اتحادیه فوتبال انگلیس (FA) در سه رده بندی مختلف پستی (مدافع، هافبک و مهاجم) بود. تجزیه و تحلیل ویدئویی حرکت زمانی کامپیوتری با استفاده از طبقه بندی حرکت بلومفیلد بر روی حرکت هدفمند (PM) انجام شده توسط 55 بازیکن انجام شد. تشخیص PM دارای قدرت اطمینان بین آزمونگر خوبی از توافق بود (κ = 0.7277). بازیکنان 40.6 ± 10.0 درصد از بازی را صرف اجرای PM کردند. موقعیت تأثیر قابل توجهی بر %PM زمان صرف شده برای دویدن، دویدن، زدن، پرش و ایستادن داشت (05/0p<). با این حال، موقعیت هیچ تاثیر قابلتوجهی بر %PM زمان صرف شده برای انجام حرکت در شدتهای کم، متوسط، زیاد یا خیلی زیاد نداشت (05/0p>). بازیکنان 48.7 ± 9.2٪ از زمان PM را در جهت مستقیم به جلو حرکت می کردند، 20.6 ± 6.8٪ در هیچ جهتی حرکت نمی کردند و بقیه زمان PM را در جهت عقب، جانبی، مورب و کمان حرکت می کردند. بازیکنان در طول مسابقه معادل 203 ± 726 نوبت انجام دادند. 193 ± 609 از اینها 0 تا 90 درجه به چپ یا راست هستند. بازیکنان در فعالیتهای حرکتی توپ در هر مسابقه معادل 77 ± 111 درگیر شدند، بدون اینکه تفاوت معنیداری بین موقعیتها برای درگیری کل در فعالیت روی توپ وجود داشت (05/0p>). این مطالعه از طریق ارزیابی حرکات انجام شده توسط بازیکنان، نشانهای از نیازهای فیزیکی مختلف پستهای بازی مختلف در بازیهای لیگ برتر انگلستان را ارائه کرده است. نکات کلیدی بازیکنان حدود 40% از مسابقه را صرف انجام حرکت هدفمند (PM) کردند. موقعیت تأثیر قابل توجهی بر %PM زمان صرف شده برای انجام هر کلاس حرکتی به جز راه رفتن و دویدن داشت. بازیکنان بیش از 700 چرخش را در بعد از ظهر انجام دادند که اکثر آنها 0-90 درجه بودند. مهاجمان بیشترین فعالیت های با شدت بالا تا بسیار بالا و بیشتر موقعیت های تماس را انجام می دادند. مدافعان همچنین %PM زمان بسیار بیشتری را نسبت به دو موقعیت دیگر به عقب سپری کردند. موقعیت های مختلف می توانند از برنامه های شرطی سازی خاص تر بهره مند شوند. | خواسته های فیزیکی پست های مختلف در لیگ برتر فوتبال انگلستان. |
4b31ec67990a5fa81e7c1cf9fa2dbebcb91ded59 | در جامعه تحلیل احساسات، تکنیک های یادگیری تحت نظارت عملکرد بسیار خوبی نشان داده اند. با این حال، هنگامی که به دامنه دیگری منتقل می شود، یک طبقه بندی کننده احساسات نظارت شده اغلب بسیار بد عمل می کند. این به اصطلاح مشکل انتقال دامنه است. در این کار، ما سعی میکنیم با استفاده حداکثری از دادههای دامنه قدیمی و دادههای دامنه جدید بدون برچسب، به این مشکل حمله کنیم. برای بهرهگیری از دانش از دادههای دامنه قدیمی، ما یک معیار مؤثر، یعنی آنتروپی همروی مکرر (FCE)، برای انتخاب ویژگیهای قابل تعمیم که اغلب در هر دو حوزه رخ میدهند و احتمال وقوع مشابهی دارند، پیشنهاد کردیم. برای به دست آوردن دانش از دادههای دامنه جدید، ما Adapted Naïve Bayes (ANB) را پیشنهاد کردیم، یک نسخه انتقال وزنی از طبقهبندی کننده سادهلوح بیز. نتایج تجربی نشان میدهد که رویکرد پیشنهادی میتواند عملکرد طبقهبندیکننده پایه را بهطور چشمگیری بهبود بخشد، و حتی عملکرد بسیار بهتری را نسبت به خط پایه یادگیری انتقال، یعنی طبقهبندیکننده انتقال ساده بیز (NTBC) ارائه دهد. | تطبیق Naive Bayes با تطبیق دامنه برای تجزیه و تحلیل احساسات |
3f4e71d715fce70c89e4503d747aad11fcac8a43 | این مطالعه موردی به بررسی سه پروژه مختلف نوآوری دیجیتال در Auto Inc - یک خودروساز بزرگ اروپایی میپردازد. با استفاده از چارچوب ارزشهای رقابتی بهعنوان یک لنز نظری، چگونگی ایجاد قابلیتهای پویا را در شرکتی که تلاش میکند تا تقاضاهای روزافزون را در ایجاد و نوآوری از دیجیتالیسازی برآورده کند، بررسی میکنیم. در این فرآیند دیجیتالیسازی، مطالعه ما نشان میدهد که همخوانیهای اجتماعی و فنی ایجاد شده به چالش کشیده میشوند. علاوه بر این، ما به نیاز سازمانها برای یافتن راههایی برای پذیرش فرآیندهای یادگیری تجربی جدید در عصر دیجیتالی شدن اشاره میکنیم. در حالی که چنین تغییری مستلزم تعهد و چشمانداز بلندمدت است، این مطالعه سه عامل غیررسمی را برای چنین فرآیندهای تجربی ارائه میکند که این توانمندسازها زمانبندی، تداوم و تماسها هستند. | ارزش های رقابتی در عصر دیجیتالی شدن |
02bb762c3bd1b3d1ad788340d8e9cdc3d85f33e1 | ما خانواده ای از پروتکل های کش را برای شبکه های توزیع شده توصیف می کنیم که می توانند برای کاهش یا حذف نقاط داغ در شبکه استفاده شوند. پروتکلهای ما بهویژه برای استفاده در شبکههای بسیار بزرگ مانند اینترنت طراحی شدهاند، جایی که تأخیرهای ناشی از نقاط داغ میتواند شدید باشد، و در آنجا برای هر سروری امکانپذیر نیست که اطلاعات کاملی درباره وضعیت فعلی کل شبکه داشته باشد. اجرای پروتکل ها با استفاده از پروتکل های شبکه موجود مانند TCP/fF آسان است و نیاز به سربار بسیار کمی دارند. پروتکلها با کنترل محلی کار میکنند، از منابع موجود استفاده بهینه میکنند، و با بزرگتر شدن شبکه، بهراحتی مقیاس میشوند. پروتکل های کش ما بر اساس نوع خاصی از هش است که ما آن را هش سازگار می نامیم. به طور کلی، یک تابع هش سازگار تابعی است که با تغییر دامنه تابع، nr.inimaflya را تغییر می دهد. از طریق توسعه توابع هش سازگار خوب، ما میتوانیم پروتکلهای کش را توسعه دهیم که کاربران را ملزم به داشتن دید فعلی یا حتی ثابت از شبکه نباشد. ما معتقدیم که توابع هش سازگار در نهایت ممکن است در برنامه های کاربردی دیگر مانند سرورهای نام توزیع شده و/یا سیستم های حد نصاب مفید باشند. | هش کردن مداوم و درختان تصادفی: پروتکل های ذخیره سازی توزیع شده برای رفع نقاط داغ در وب جهانی |
1459a6fc833e60ce0f43fe0fc9a48f8f74db77cc | ما الگوریتمهای تصادفی را برای بهینهسازی مسائل مجموع محدود غیرمحدب، غیرصاف، که در آن قسمت غیرصاف محدب است، تحلیل میکنیم. با کمال تعجب، بر خلاف مورد صاف، دانش ما از این مشکل اساسی بسیار محدود است. به عنوان مثال، مشخص نیست که آیا روش گرادیان تصادفی پروگزیمال با مینی بچ ثابت به یک نقطه ثابت همگرا می شود یا خیر. برای مقابله با این موضوع، الگوریتمهای تصادفی سریعی را توسعه میدهیم که بهطور قابل اثباتی به یک نقطه ثابت برای مینیبچهای ثابت همگرا میشوند. علاوه بر این، با استفاده از گونهای از این الگوریتمها، همگرایی سریعتری نسبت به نزول گرادیان پروگزیمال دستهای به دست میآوریم. نتایج ما بر اساس تکنیکهای کاهش واریانس اخیر برای بهینهسازی محدب اما با یک تحلیل جدید برای مدیریت توابع غیرمحدب و غیرصاف است. ما همچنین نرخ همگرایی خطی جهانی را برای یک زیر کلاس جالب از توابع غیرمحدب غیرصاف، که چندین کار اخیر را در بر می گیرد، ثابت می کنیم. | روشهای تصادفی پروگزیمال برای بهینهسازی مجموع محدود غیرهموار غیرمحدب |
081651b38ff7533550a3adfc1c00da333a8fe86c | بسیاری از شبکههای عصبی عمیق که بر روی تصاویر طبیعی آموزش دیدهاند، یک پدیده مشترک عجیب را نشان میدهند: در لایه اول، ویژگیهای مشابه فیلترهای گابور و حبابهای رنگی را میآموزند. به نظر می رسد چنین ویژگی های لایه اول مختص یک مجموعه داده یا کار خاص نیست، بلکه از این نظر کلی است که برای بسیاری از مجموعه داده ها و وظایف قابل استفاده هستند. ویژگی ها باید در نهایت توسط آخرین لایه شبکه از عمومی به خاص منتقل شوند، اما این انتقال به طور گسترده مورد مطالعه قرار نگرفته است. در این مقاله ما به طور تجربی کلیت در مقابل ویژگی نورونها را در هر لایه از یک شبکه عصبی کانولوشنال عمیق تعیین میکنیم و چند نتیجه شگفتانگیز را گزارش میکنیم. انتقال پذیری به طور منفی تحت تأثیر دو موضوع متمایز قرار می گیرد: (1) تخصصی شدن نورون های لایه بالاتر به وظیفه اصلی خود به بهای عملکرد در وظیفه هدف، که انتظار می رفت، و (2) مشکلات بهینه سازی مربوط به تقسیم شبکه ها بین شبکه های مشترک سازگار. نورون ها، که انتظار نمی رفت. در یک شبکه مثال آموزش دیده در ImageNet، بسته به اینکه ویژگی ها از پایین، وسط یا بالای شبکه منتقل شوند، نشان می دهیم که هر یک از این دو موضوع ممکن است غالب باشد. ما همچنین ثابت میکنیم که با افزایش فاصله بین وظیفه اصلی و هدف، قابلیت انتقال ویژگیها کاهش مییابد، اما انتقال ویژگیها حتی از کارهای دورتر میتواند بهتر از استفاده از ویژگیهای تصادفی باشد. یک نتیجه شگفتانگیز نهایی این است که راهاندازی یک شبکه با ویژگیهای انتقالیافته تقریباً از هر تعداد لایه میتواند باعث افزایش تعمیم شود که حتی پس از تنظیم دقیق به مجموعه داده هدف باقی میماند. | ویژگی ها در شبکه های عصبی عمیق چقدر قابل انتقال هستند؟ |
17facd6efab9d3be8b1681bb2c1c677b2cb02628 | یادگیری انتقالی به عنوان یک فناوری موثر در بینایی کامپیوتر برای استفاده از دادههای برچسبگذاری شده غنی در حوزه منبع برای ایجاد یک طبقهبندی دقیق برای دامنه هدف ایجاد شده است. با این حال، اکثر روش های قبلی به طور همزمان تفاوت را در توزیع حاشیه ای و توزیع شرطی بین حوزه ها کاهش نداده اند. در این مقاله، ما یک رویکرد یادگیری انتقال جدید را ارائه میکنیم که به عنوان سازگاری توزیع مشترک (JDA) شناخته میشود. به طور خاص، JDA قصد دارد به طور مشترک توزیع حاشیه ای و توزیع شرطی را در یک روش کاهش ابعاد اصولی تطبیق دهد و نمایش ویژگی جدیدی را ایجاد کند که برای تفاوت توزیع قابل توجه مؤثر و قوی باشد. آزمایشهای گسترده تأیید میکند که JDA میتواند به طور قابلتوجهی از چندین روش پیشرفته در چهار نوع مشکل طبقهبندی تصویر متقابل دامنه بهتر عمل کند. | انتقال ویژگی یادگیری با تطبیق توزیع مشترک |
1ac5b0628ff249c388ff5ca934a9ccbec577cbd7 | یکی از مشکلاتی که در داده کاوی به خوبی مورد مطالعه قرار گرفته است، استخراج قوانین تداعی در داده های سبد بازار است. قوانین انجمن، که اهمیت آنها از طریق پشتیبانی و اطمینان سنجیده می شود، برای شناسایی قوانینی از نوع مشتری که کالای A را خریداری می کند اغلب کالای B را نیز خریداری می کند در نظر گرفته شده است. با انگیزه تعمیم فراتر از سبدهای بازار و قوانین مرتبط با آنها، ما مفهوم قوانین معدنی را توسعه میدهیم که همبستگیها (تداعیهای تعمیمکننده) را مشخص میکند، و هم نبود و هم وجود اقلام را مبنایی برای ایجاد قوانین در نظر میگیریم. ما اندازهگیری اهمیت ارتباطها را از طریق آزمون کایدو برای همبستگی از آمار کلاسیک پیشنهاد میکنیم. این منجر به معیاری میشود که در شبکه مجموعه آیتمها به سمت بالا بسته میشود، و ما را قادر میسازد تا مشکل استخراج را به جستجوی مرزی بین مجموعههای اقلام همبسته و نامرتبط در شبکه کاهش دهیم. ما استراتژیهای هرس را توسعه میدهیم و یک الگوریتم کارآمد برای مشکل حاصل ابداع میکنیم. ما اثربخشی آن را با آزمایش آن بر روی دادههای سرشماری و یافتن وابستگی اصطلاحی در مجموعهای از اسناد متنی و همچنین دادههای مصنوعی نشان میدهیم. | فراتر از سبدهای بازار: تعمیم قوانین انجمن به همبستگی ها |
2bbe9735b81e0978125dad005656503fca567902 | روت کیتهای هسته تهدیدی بزرگ برای سیستمهای کامپیوتری هستند. آنها مخفی هستند و می توانند دسترسی نامحدودی به منابع سیستم داشته باشند. این مقاله NumChecker، یک چارچوب جدید مبتنی بر مانیتور ماشین مجازی (VM) را برای شناسایی و شناسایی روت کیتهای هسته اصلاحکننده جریان کنترل در یک ماشین مجازی مهمان ارائه میکند. NumChecker با اندازهگیری تعداد رویدادهای سختافزاری خاصی که در طول اجرای تماس سیستمی رخ میدهند، تغییرات مخرب یک تماس سیستمی را در VM مهمان شناسایی و شناسایی میکند. برای شمارش خودکار این رویدادها، NumChecker از شمارشگرهای عملکرد سخت افزاری (HPC) استفاده می کند که در پردازنده های مدرن وجود دارد. با استفاده از HPCها، هزینه بررسی به طور قابل توجهی کاهش می یابد و مقاومت در برابر دستکاری افزایش می یابد. ما یک نمونه اولیه از NumChecker را در لینوکس با VM مبتنی بر هسته پیاده سازی می کنیم. یک تکنیک تشخیص و شناسایی روت کیت هسته دو فازی مبتنی بر HPC بر روی تعدادی از روت کیتهای هسته در دنیای واقعی ارائه و ارزیابی میشود. نتایج کارایی و اثربخشی آن را نشان می دهد. | استفاده مجدد از شمارنده های عملکرد سخت افزار برای شناسایی و شناسایی روت کیت های اصلاح کننده کنترل جریان هسته |
853331d5c2e4a5c29ff578c012bff7fec7ebd7bc | این مقاله یک دستگاه Myo را پیشنهاد میکند که دارای حسگرهای الکترومیوگرافی (EMG) برای تشخیص فعالیتهای الکتریکی از قسمتهای مختلف عضلات ساعد است. همچنین دارای ژیروسکوپ و شتاب سنج است. سنسورهای EMG داده های بسیار واضح و مهمی را از ماهیچه ها در مقایسه با انواع دیگر حسگرها تشخیص داده و ارائه می دهند. بازوبند Myo دادهها را از سنسورهای EMG، ژیروسکوپ و شتابسنج به رایانه از طریق بلوتوث میفرستد و از این دادهها برای کنترل یک بازوی رباتیک مجازی که در Unity 3D ساخته شده است استفاده میکند. بازوهای رباتیک مجازی مبتنی بر حسگرهای EMG، ژیروسکوپ و شتاب سنج دارای ویژگی های متفاوتی هستند. یک بازوی رباتیک مبتنی بر EMG با استفاده از تنش و آرامش عضلات کنترل می شود. در نتیجه، بازوی رباتیک مجازی مبتنی بر EMG برای افراد قطع عضو دست به بازوی رباتیک مجازی مبتنی بر ژیروسکوپ و شتاب سنج ترجیح داده می شود. | مطالعه کنترل مجازی یک بازوی رباتیک از طریق بازوبند Myo برای دستکاری یک فرد قطع شده دست |
fc4bd8f4db91bbb4053b8174544f79bf67b96b3b | این کار دو تکنیک مختلف یادگیری ماشین را بررسی کرد: یادگیری آبشاری و یادگیری عمیق، تا مشخص شود کدام الگوریتم برای تشخیص شماره خودروهای ثبت شده در بنگلادش بهتر عمل می کند. برای انجام این کار، مجموعه داده ای از حدود 1000 تصویر جمع آوری شده از دوربین امنیتی دانشگاه مستقل بنگلادش ایجاد کردیم. سپس هر تصویر در مجموعه داده به صورت دستی با انتخاب منطقه مورد علاقه (ROI) برچسب گذاری شد. در رویکرد Cascade Learning، از تکنیک پنجره کشویی برای تشخیص اشیا استفاده شد. سپس یک طبقهبندی کننده آبشاری برای تعیین اینکه آیا پنجره حاوی شی مورد نظر است یا خیر، استفاده شد. در رویکرد یادگیری عمیق، مجموعه داده CIFAR-10 برای پیشآموزش یک شبکه عصبی کانولوشنال 15 لایه (CNN) استفاده شد. با استفاده از این CNN از پیش آموزشدیده، منطقههایی با CNN (R-CNN) با استفاده از مجموعه دادههای ما آموزش داده شد. ما دریافتیم که رویکرد یادگیری عمیق (حداکثر دقت 99.60٪ با استفاده از 566 تصویر آموزشی) از آشکارساز ساخته شده با استفاده از طبقهبندیکننده Cascade (حداکثر دقت 59.52٪ با استفاده از 566 تصویر آموزشی مثبت و 1022 تصویر منفی) برای 252 تصویر آزمایشی بهتر عمل میکند. | تشخیص پلاک بنگلادشی: یادگیری آبشاری در مقابل یادگیری عمیق |
0161e4348a7079e9c37434c5af47f6372d4b412d | ما روشی را برای شناسایی و بومی سازی کلاس های شی در تصاویر پیشنهاد می کنیم. به جای عملکرد در سطح پیکسل، ما از استفاده از سوپرپیکسل ها به عنوان واحد اصلی تقسیم بندی کلاس یا طرح محلی سازی پیکسل حمایت می کنیم. برای این منظور، ما یک طبقهبندی بر روی هیستوگرام ویژگیهای محلی موجود در هر سوپرپیکسل میسازیم. ما این طبقهبندیکننده را با جمعکردن هیستوگرامها در همسایگی هر سوپرپیکسل منظم میکنیم و سپس با استفاده از طبقهبندیکننده در یک میدان تصادفی شرطی که بر روی نمودار سوپرپیکسل کار میکند، نتایج خود را بیشتر اصلاح میکنیم. روش پیشنهادی ما از آخرین پیشرفتهای که قبلاً در دو مجموعه داده چالشبرانگیز منتشر شده بود فراتر میرود: Graz-02 و چالش تقسیمبندی PASCAL VOC 2007. | تقسیم بندی کلاس و محلی سازی شی با همسایگی های سوپرپیکسلی |
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7 | ما نمایشهای مفهومی چندوجهی را با الحاق یک بردار نمایش زبانی پرش گرم با یک بردار نمایش مفهوم بصری محاسبهشده با استفاده از لایههای استخراج ویژگی یک شبکه عصبی کانولوشنال عمیق (CNN) آموزشدیده بر روی یک مجموعه داده شناسایی شی برچسبگذاریشده بزرگ میسازیم. این رویکرد یادگیری انتقال، افزایش عملکرد واضحی را نسبت به ویژگیهای مبتنی بر رویکرد سنتی کلمه بصری به ارمغان میآورد. نتایج تجربی در مورد وظایف ارزیابی ارتباط معنایی WordSim353 و MEN گزارش شده است. ما از ویژگی های بصری محاسبه شده با استفاده از تصاویر ImageNet یا ESP Game استفاده می کنیم. | آموزش جاسازی تصویر با استفاده از شبکه های عصبی کانولوشن برای بهبود معناشناسی چند وجهی |
54c377407242e74e7c08e4a49e61837fd9ce2b25 | در این مقاله، یک مدل جامع از سیستم قدرت الکتریکی هواپیما با فرکانس ثابت با سرعت متغیر برای مطالعه ویژگیهای عملکرد سیستم و بهویژه کیفیت توان سیستم در محدوده فرکانس عملکرد 400 هرتز تا 800 هرتز توسعه داده شده است. . یک فیلتر قدرت فعال کاملاً کنترل شده برای تنظیم ولتاژ ترمینال بار، حذف هارمونیک ها، ضریب تغذیه صحیح و به حداقل رساندن اثر بارهای نامتعادل طراحی شده است. الگوریتم کنترل برای فیلتر توان اکتیو (APF) بر اساس روش لغو هارمونیک کامل است که یک جریان منبع تغذیه مرجع سه فاز را در فاز با ولتاژ اصلی توالی مثبت آن ارائه می دهد. APF پیشنهادی در مدل یک سیستم قدرت الکتریکی هواپیمای پیشرفته 90 کیلوولت آمپر تحت عملیات VSCF یکپارچه شده است. ویژگی های عملکرد سیستم با فرکانس ولتاژ خروجی ژنراتور از 400 هرتز تا 800 هرتز در شرایط بارگذاری مختلف مورد مطالعه قرار می گیرد. چندین مطالعه موردی از جمله بارهای DC و همچنین بارهای ac غیر فعال و دینامیک ارائه شده است. مشخصه های کیفیت توان سیستم برق هواپیمای مورد مطالعه با فیلتر فعال پیشنهادی مطابق با جدیدترین استانداردهای الکتریکی هواپیمای نظامی MIL-STD-704F و همچنین با استاندارد IEEE Std است. 519. | در مورد کیفیت توان سیستم های برق هواپیما با فرکانس ثابت با سرعت متغیر |
d7988bb266bc6653efa4b83dda102e1fc464c1f8 | وسایل الکترونیکی مسطح و صلب مبتنی بر ویفر ذاتاً با موجودات منحنی و قابل تغییر شکل ناسازگار هستند. توسعه اخیر الکترونیک انعطاف پذیر و قابل کشش آلی و معدنی امکان سنجش، تحریک و فعال سازی/برای موجودات بیولوژیکی و مصنوعی نرم را فراهم کرده است. این بررسی، فنآوریهای فعال کننده حسگرها و محرکهای نرم، و همچنین منابع انرژی مبتنی بر الکترونیک انعطافپذیر و قابل کشش را خلاصه میکند. به عنوان مثال میتوان به پوستهای الکترونیکی مصنوعی، حسگرهای زیستی و محرکهای پوشیدنی، محرکهای نرم قابل برنامهریزی الکترونیکی، و منابع انرژی سازگار با مکانیکی اشاره کرد. کاربردهای بالقوه آنها در رباتیک نرم در چارچوب یک حلقه تعامل انسان و ربات پنج مرحله ای نشان داده شده است. چشم انداز مسیرها و چالش های آینده در پایان ارائه شده است. | الکترونیک انعطاف پذیر و قابل کشش راه را برای رباتیک نرم هموار می کند |
1e21b925b65303ef0299af65e018ec1e1b9b8d60 | ما استفاده بومشناختی قیاسها را در هوش مصنوعی مطالعه میکنیم. به طور خاص، ما به مشکل انتقال نمونه در یک دامنه به نمونه آنالوگ در دامنه دیگر می پردازیم. با توجه به دو حوزه مرتبط، S و T، مایلیم یک تابع مولد G را یاد بگیریم که نمونه ورودی را از S به دامنه T ترسیم می کند، به طوری که خروجی یک تابع نمایش داده شده f، که ورودی ها را در هر یک از حوزه ها می پذیرد، باقی بماند. بدون تغییر به غیر از f، دادههای آموزشی بدون نظارت هستند و از مجموعهای از نمونهها از هر حوزه تشکیل شدهاند، بدون هیچ گونه نقشهبرداری بین آنها. شبکه انتقال دامنه (DTN) که ما ارائه میکنیم از یک تابع از دست دادن ترکیبی استفاده میکند که شامل یک افت GAN چند کلاسه، یک جزء حفظ کننده f، و یک مؤلفه منظمکننده است که G را تشویق میکند تا نمونهها را از T به خودشان نقشهبرداری کند. ما روش خود را در حوزههای بصری از جمله ارقام و تصاویر چهره به کار میبریم و توانایی آن را در تولید تصاویر جدید متقاعدکننده از موجودیتهایی که قبلاً دیده نشدهاند، با حفظ هویت آنها نشان میدهیم. | تولید تصویر بین دامنه ای بدون نظارت |
29f07c86886af63f9bf43d089373ac1f7a95ea0e | پاسخ به تقاضا بخش مهمی از یکپارچه سازی انرژی های تجدید پذیر و کاهش هزینه انرژی در سراسر جهان است. با انگیزه نیاز به کاهش هزینههای ناشی از کمبود برق و نوسانات انرژی تجدیدپذیر، ما یک مکانیسم راهزن چند مسلح جدید برای پاسخ به تقاضا (MAB-MDR) پیشنهاد میکنیم که پیشنهادات پولی را به مصرفکنندگان استراتژیک که ویژگیهای پاسخ ناشناخته دارند، ارائه میکند تا کاهش تقاضا را تحریک کند. کار ما الهام گرفته از ارتباط جدیدی است که با مکانیسمهای جمعسپاری برقرار میکنیم. مکانیسم پیشنهادی شامل ویژگیهای واقع بینانه مسئله پاسخ تقاضا از جمله متغیر زمان و تابع هزینه درجه دوم است. این مکانیسم مزایدههایی را که به کاربران اجازه میدهد اولویتهای خود را گزارش کنند، با الگوریتمهای آنلاینی که به شرکتهای توزیع اجازه میدهد پارامترهای خاص کاربر را یاد بگیرند، پیوند میدهد. ما نشان میدهیم که MAB-MDR استراتژی غالب سازگار با انگیزه است، به صورت جداگانه منطقی است و به پشیمانی زیرخطی دست مییابد. چنین مکانیزمهایی میتوانند به طور موثر در شبکههای هوشمند با استفاده از اطلاعات جدید و نوآوریهای معماری کنترل شوند و منجر به صرفهجویی در هزینههای انرژی شوند. | یک مکانیسم تشویقی راهزن چند مسلح برای پاسخگویی به تقاضای جمع سپاری در شبکه های هوشمند |
591b52d24eb95f5ec3622b814bc91ac872acda9e | مدلهای اتصالگرای چندلایه حافظه بر اساس مدل رمزگذار با استفاده از قانون یادگیری پس انتشار ارزیابی میشوند. مدلها برای رویههای حافظه تشخیص استاندارد به کار میروند که در آن آیتمها بهطور متوالی مطالعه میشوند و سپس برای نگهداری آزمایش میشوند. یادگیری متوالی در این مدل ها منجر به 2 مشکل عمده می شود. اولاً، اطلاعاتی که به خوبی آموخته شده اند، با فراگرفتن اطلاعات جدید، به سرعت فراموش می شوند. دوم، تبعیض بین آیتم های مورد مطالعه و آیتم های جدید یا کاهش می یابد یا به عنوان تابعی از یادگیری غیر یکنواخت است. برای رسیدگی به این مشکلات، دستکاریهای شبکه در مدل چندلایه و انواع مختلفی از مدل چندلایه، از جمله مدلی با حافظه از پیش آموختهشده و یک مدل زمینه، مورد بررسی قرار گرفت، اما هیچکدام مشکلات را حل نکرد. مشکلاتی که مورد بحث قرار گرفت، محدودیتهایی را در مدلهای ارتباطگرایانه اعمال شده در حافظه انسان و در کارهایی که اطلاعاتی که باید آموخته شوند در طول یادگیری در دسترس نیستند، ایجاد میکند. | مدلهای ارتباطگرای حافظه شناسایی: محدودیتهای اعمالشده توسط عملکردهای یادگیری و فراموشی |
0567283bc9affd475eae7cebaae658692a64d5a4 | محیط خانه هوشمند یک نمونه ثابت از دامنه کاربردی هوش محیطی است. انواع حسگرها و محرک ها را می توان برای تطبیق محیط خانه با شرایط متغیر و ترجیحات کاربر استفاده کرد. با این حال، پیچیدگی نحوه عملکرد این سیستمهای اتوماسیون خانگی هوشمند اغلب فراتر از درک کاربران غیر فنی است و افزودن فناوری جدید به زیرساختهای موجود اغلب یک بار است. در این مقاله، ما یک چارچوب اتوماسیون خانگی طراحی شده بر اساس ویجتهای هوشمند با یک روش مبتنی بر مدل ارائه میکنیم که سطح انتزاع را برای پیکربندی تجهیزات اتوماسیون خانگی افزایش میدهد. هدف آن سادهسازی مدیریت اتوماسیون خانگی در سطح کاربر با نگاشت مفاهیم اتوماسیون خانگی سطح بالا بر روی یک ترکیب سطح پایین و پیکربندی بلوکهای ساختمانی اتوماسیون با نقشهبرداری معکوس برای سادهسازی ادغام تجهیزات جدید در سیستمهای اتوماسیون خانگی موجود است. آزمایشها نشان دادهاند که نگاشتهایی که ما پیشنهاد کردیم برای نشان دادن لوازم خانگی به کاربر نهایی به روشی ساده کافی است و نگاشتهای جدید میتوانند به راحتی به چارچوب ما اضافه شوند. | ابزارکهای هوشمند برای تعامل و هماهنگی بصری در محیطهای خانه هوشمند |
1b9de2d1e74fbe49bf852fa495f63c31bb038a31 | ظهور Oculus Rift نشان دهنده شروع دوران پررونق واقعیت مجازی است. به منظور افزایش حس فراگیر تعامل با دنیای مجازی، دستگاه های لمسی به ما اجازه می دهند تا اشیاء مجازی را به روشی شهودی لمس و دستکاری کنیم. در این مقاله، ما یک دستکش لمسی قابل حمل و کم هزینه را معرفی می کنیم که با استفاده از مفهوم پنوماتیک کنترل مستقیم، هم نیرو و هم بازخورد لمسی را ارائه می دهد. برای تولید بازخورد نیرو، دو درگاه ورودی یک سیلندر پنوماتیکی دو اثره از طریق دریچههای برقی DC از طریق تکنیک مدولاسیون عرض پالس (PWM) باز و بسته میشوند. برای بازخورد لمسی، یک مثانه هوا با استفاده از یک پمپ دیافراگمی از طریق شیر برقی PWM فعال می شود. آزمایشها روی نمونه اولیه یک انگشت تأیید کرد که این دستکش میتواند نیرو و بازخورد لمسی را با برد حرکتی کافی مفاصل انگشت ارائه کند. حداکثر نیروی پیوسته 9 نیوتن و زمان پاسخ کمتر از 400 میلی ثانیه است. این دستکش وزن سبکی دارد و به راحتی روی انگشت اشاره نصب می شود. دستکش پیشنهادی می تواند به طور بالقوه برای سناریوهای درک واقعیت مجازی و برای عملیات دور دست رباتیک برای دست زدن به اشیاء خطرناک استفاده شود. | یک دستکش لمسی با نیروی هوا و بازخورد لمسی |
052b1d8ce63b07fec3de9dbb583772d860b7c769 | ما یک روش یادگیری جدید، پس انتشار، برای شبکههای واحدهای نورون مانند را توصیف میکنیم. این روش بارها وزن اتصالات در شبکه را تنظیم می کند تا اندازه ای از تفاوت بین بردار خروجی واقعی شبکه و بردار خروجی مورد نظر را به حداقل برساند. در نتیجه تنظیمات وزن، واحدهای پنهان داخلی که بخشی از ورودی یا خروجی نیستند، ویژگیهای مهم حوزه وظیفه را نشان میدهند و نظمهای موجود در کار توسط تعاملات این واحدها ثبت میشود. توانایی ایجاد ویژگیهای مفید جدید، انتشار معکوس را از روشهای قبلی و سادهتر مانند روش پرسپترون-همگرایی متمایز میکند. | یادگیری بازنمایی با خطاهای پس انتشار |
0b8651737442ec30052724a68e85fefc4c941970 | سیستم های تحت شبکه هنوز از پیکربندی و نظارت ضعیف فایروال رنج می برند. VisualFirewall به دنبال کمک به پیکربندی فایروالها و نظارت بر شبکهها با ارائه چهار نمای همزمان است که سطوح مختلفی از جزئیات و مقیاسهای زمانی را نمایش میدهد و همچنین بهطور صحیح واکنشهای دیوار آتش را به بستههای جداگانه تجسم میکند. چهار نمای پیادهسازی شده، ترافیک بلادرنگ، امضای بصری، آمار و هشدار IDS، سطوحی از جزئیات و موقتی را فراهم میکنند که مدیران سیستم برای نظارت صحیح بر سیستمهای خود به صورت غیرفعال یا فعال نیاز دارند. ما چندین حمله را تجسم کردهایم، و احساس میکنیم که حتی افراد ناآشنا با مفاهیم شبکه میتوانند به سرعت بین الگوهای ترافیکی خوشخیم و بدخیم با حداقل مقدار مقدمه تمایز قائل شوند. | فایروال بصری: مانیتور امنیت شبکه بلادرنگ |
7bdec3d91d8b649f892a779da78428986d8c5e3b | از آنجایی که بیشتر و بیشتر کلاسهای کالج از پلتفرمهای آنلاین برای تسهیل فعالیتهای تدریس و یادگیری استفاده میکنند، تجزیه و تحلیل رفتارهای آنلاین دانشآموزان برای مربیان برای نظارت و مدیریت مؤثر پیشرفت و عملکرد دانشآموز اهمیت فزایندهای پیدا میکند. در این مقاله، CCVis، یک ابزار تجزیه و تحلیل بصری برای تجزیه و تحلیل دادههای جریان کلیک دوره و بررسی رفتارهای یادگیری آنلاین دانشآموز را ارائه میکنیم. هدف ما با هدف قرار دادن یک دوره مقدماتی بزرگ با بیش از دو هزار دانشجو، بررسی الگوهای رفتاری دانشآموزان و کشف روابط احتمالی بین رفتارهای جریان کلیک دانشجویان و عملکرد دوره آنها است. ما از شبکه های مرتبه بالاتر و طبقه بندی هویت ساختاری استفاده می کنیم تا تجزیه و تحلیل بصری الگوهای رفتاری را از داده های جریان کلیک عظیم فعال کنیم. CCVis شامل چهار نمای هماهنگ (الگوی رفتار، تجزیه رفتار، مقایسه جریان کلیک و نماهای توزیع درجه) برای تعامل و کاوش کاربر است. ما اثربخشی CCVis را از طریق مطالعات موردی همراه با یک ارزیابی تخصصی موردی نشان میدهیم. در نهایت به محدودیت و گسترش این کار می پردازیم. | CCVis: تجزیه و تحلیل بصری رفتارهای یادگیری آنلاین دانشآموز با استفاده از دادههای جریان کلیک دوره |
32f6c0b6f801da365ed39f50a4966cf241bb905e | مرکز کنترل و پیشگیری از بیماری ها (CDC) در ایالات متحده خواب ناکافی را یک مشکل بهداشت عمومی اعلام کرده است. در واقع، طبق یک مطالعه اخیر CDC، بیش از یک سوم بزرگسالان آمریکایی به طور منظم خواب کافی ندارند. با این حال، خواب ناکافی منحصراً یک مشکل ایالات متحده نیست و به همان اندازه مربوط به سایر کشورهای صنعتی مانند بریتانیا، ژاپن، آلمان یا کانادا است. بر اساس برخی شواهد، نسبت افرادی که کمتر از ساعات خواب توصیه شده می خوابند در حال افزایش است و با عوامل سبک زندگی مرتبط با جامعه مدرن 24 ساعته، مانند استرس روانی اجتماعی، مصرف الکل، سیگار کشیدن، عدم فعالیت بدنی و استفاده بیش از حد الکترونیکی مرتبط است. استفاده از رسانه، در میان دیگران. این نگران کننده است زیرا مشخص شده است که خواب ناکافی با طیفی از پیامدهای منفی سلامتی و اجتماعی از جمله موفقیت در مدرسه و بازار کار مرتبط است. به عنوان مثال، در طول چند دهه اخیر، شواهد فزاینده ای وجود دارد که نشان می دهد ارتباط قوی بین مدت زمان کوتاه خواب و افزایش خطرات مرگ و میر وجود دارد. با توجه به اثرات نامطلوب بالقوه خواب ناکافی بر سلامت، رفاه و بهره وری، پیامدهای کمبود خواب پیامدهای اقتصادی گسترده ای دارد. از این رو، به منظور افزایش آگاهی از مقیاس خواب ناکافی به عنوان یک موضوع بهداشت عمومی، باید ارقام کمی مقایسه ای برای سیاست گذاران و تصمیم گیرندگان و همچنین توصیه ها و راه حل های بالقوه ای ارائه شود که می تواند به مقابله با این مشکل کمک کند. | چرا خواب مهم است-هزینه های اقتصادی خواب ناکافی: یک تحلیل مقایسه ای بین کشوری. |
4f2d62eaf7559b91b97bab3076fcd5f306da57f2 | این مقاله یک روش جدید و کارآمد مبتنی بر بافت را برای مدلسازی پسزمینه و تشخیص اجسام متحرک از یک دنباله ویدیویی ارائه میکند. هر پیکسل به عنوان گروهی از هیستوگرامهای الگوی باینری محلی تطبیقی مدلسازی میشود که بر روی یک ناحیه دایرهای در اطراف پیکسل محاسبه میشوند. این رویکرد در مقایسه با پیشرفته ترین مزیت های بسیاری را در اختیار ما قرار می دهد. نتایج تجربی به وضوح مدل ما را توجیه می کند. | یک روش مبتنی بر بافت برای مدلسازی پسزمینه و تشخیص اجسام متحرک |
ae4bb38eaa8fecfddbc9afefa33188ba3cc2282b | در این مقاله، با در نظر گرفتن مکانیسمهای گمشده بهطور تصادفی و گمشده تصادفی، و همچنین الگوی گمشده دلخواه، مشکل دادههای از دست رفته در مجموعههای داده با ابعاد بالا را بررسی میکنیم. علاوه بر این، این مقاله از روشی مبتنی بر الگوریتمهای یادگیری عمیق و هوش ازدحام به منظور ارائه تخمینهای قابل اعتماد برای دادههای از دست رفته استفاده میکند. تکنیک یادگیری عمیق برای استخراج ویژگی ها از داده های ورودی از طریق یک رویکرد یادگیری بدون نظارت با مدل سازی توزیع داده ها بر اساس ورودی استفاده می شود. سپس این تکنیک یادگیری عمیق به عنوان بخشی از تابع هدف برای تکنیک هوش ازدحام به منظور تخمین داده های از دست رفته پس از یک مرحله تنظیم دقیق نظارت شده با به حداقل رساندن یک تابع خطا بر اساس رابطه متقابل و همبستگی بین ویژگی ها در مجموعه داده استفاده می شود. بنابراین، روش بررسی شده در این مقاله زمان اجرای طولانی تری دارد، با این حال، نتایج بالقوه امیدوارکننده، مبادله را توجیه می کند. همچنین، دانش پایه از آمار فرض می شود. | تخمین داده های گمشده در مجموعه داده های با ابعاد بالا: رویکرد شبکه عصبی عمیق هوش ازدحامی |
19229afbce15d62bcf8d3afe84a2d47a0b6f1939 | طراحی مشارکتی به طور فزاینده ای در حوزه های عمومی و زندگی روزمره درگیر شده است و دیگر صرفاً به محل کار مربوط نمی شود. این نه تنها یک تغییر از فعالیت های تولیدی کار محور به فعالیت های اوقات فراغت و لذت بخش است، بلکه یک محیط جدید برای تولید و نوآوری است و مستلزم تغییر جهت از دموکراسی در کار به نوآوری دموکراتیک است. آنچه نوآوری دموکراتیک مستلزم آن است، در حال حاضر توسط تحقیقات مدیریت و نوآوری تعریف شده است، که ادعا می کند نوآوری از طریق دسترسی آسان به ابزارهای تولید و کاربران اصلی به عنوان کارشناسان جدید که نوآوری را هدایت می کنند، دموکراتیک شده است. ما یک روش جایگزین نوآوری دموکراتیک را بیشتر مطابق با دیدگاه های اصلی طراحی مشارکتی بر اساس تجربه خود از راه اندازی آزمایشگاه زنده Malmö ترسیم می کنیم - یک محیط نوآوری باز که در آن مجموعه ها، مسائل و ایده های جدید از همکاری های بلندمدت از پایین به بالا تکامل می یابند. ذینفعان مختلف دو مورد و موضوع بحث برانگیز مورد بحث قرار گرفته است. ثمربخشی مفاهیم «اشیا» (در مقابل اشیاء)، «زیرساخت» (در مقابل پروژهها) و «فضاهای عمومی آزاردهنده» (در مقابل تصمیمگیری توافقی) در رابطه با شیوههای نوآوری مشارکتی و دموکراسی بررسی میشوند. | طراحی مشارکتی و نوآوری دموکراتیک |
159f32e0d91ef919e94d9b6f1ef13ce9be62155c | جاسازی متن در حوزه طبقه بندی متن علایق زیادی به دست آورده است. این مقاله به بررسی روش رایج تعبیه سند عصبی پاراگراف بردار به عنوان منبع شواهد در رتبهبندی اسناد میپردازد. ما روی تأثیرات ترکیب اسناد مبتنی بر دانش با جاسازیهای بدون دانش برای کار طبقهبندی متن تمرکز میکنیم. ما این دو نمایش را به هم متصل می کنیم تا طبقه بندی با دقت بیشتری انجام شود. نتایج آزمایشهای ما نشان میدهد که این رویکرد عملکرد بهتری را در یک مجموعه داده محبوب به دست میآورد. | الحاق جاسازی های متن برای طبقه بندی متن |
d53432934fa78151e7b75c95093c9b0be94b4b9a | یک پارادایم جدید از سیستم های هوش محاسباتی در حال تکامل (ECIS) در یک چارچوب کلی از دانش و یکپارچه سازی داده ها (KDI) معرفی شده است. این تعمیم پیشرفتهای اخیر در توسعه مدلهای فازی و عصبی-فازی در حال تکامل و زاویه تحلیلیتر در نظر گرفتن از طریق منشور تکامل دانش برخلاف رویکرد دادهمرکز معمولاً مورد استفاده، تازگی مقاله حاضر را نشان میدهد. ECIS یک پارادایم مناسب برای مدلسازی تطبیقی فرآیندهای پویا پیوسته و ردیابی تکامل دانش است. عناصر تکامل، مانند وراثت و توسعه ساختار با دانش و پویایی الگوی داده مرتبط هستند و در چارچوب یک سیستم/مدل فردی در نظر گرفته میشوند. یکی دیگر از موارد جدید این مقاله مقایسه در سطح مفهومی بین مفهوم مدلها و دانش بدستآمده از تکامل این مدلها و پارادایم شناخته شده محاسبات تکاملی است. اگرچه ECIS با مفهوم محاسبات تکاملی (ژنتیکی) متفاوت است، هر دو پارادایم به شدت از یک منبع - طبیعت و تکامل انسان - وام گرفته اند. به عنوان منشأ دانش، انسان ها بهترین مدل یک سیستم هوشمند در حال تکامل هستند. ECIS به جای در نظر گرفتن تکامل جمعیت ادویه ها یا ژن ها به عنوان الگوریتم های محاسباتی تکاملی، بر تکامل یک سیستم هوشمند متمرکز می شود. هدف توسعه هوش/دانش این سیستم از طریق تکامل با استفاده از وراثت و اصلاح، ارتقا و کاهش است. این رویکرد همچنین برای ادغام دادههای جدید و مدلهای موجود در مدلهای جدید که میتوانند به صورت تدریجی با دادههای ورودی آینده سازگار شوند، مناسب است. این مفهوم جدید قدرتمند اخیراً توسط نویسندگان در مجموعه ای از آثار موازی معرفی شده است و هنوز در حال توسعه فشرده است. این اساس مفهومی برای توسعه سیستم های واقعاً هوشمند را تشکیل می دهد. یکی دیگر از ویژگی های این مقاله شامل گرد هم آوردن دو مثال کاری ECIS، یعنی ECOS و EFS است. ایدهها با مثالهای گویا (یک تابع غیر خطی مصنوعی برای مورد ECOS و یک مشکل معیار مدلسازی قیمت خانه از مخزن UCI برای مورد EFS) پشتیبانی میشوند. | سیستم های هوش محاسباتی در حال تکامل |
3c1f860a678f3f6f33f2cbfdfa7dfc7119a57a00 | این مقاله یک الگوریتم تجمیع و همبستگی را توصیف می کند که در طراحی و اجرای یک کنسول تشخیص نفوذ ساخته شده در بالای کنسول سازمانی تیوولی (TEC) استفاده می شود. هدف الگوریتم تجمیع و همبستگی به دست آوردن هشدارهای تشخیص نفوذ و مرتبط ساختن آنها با یکدیگر برای نشان دادن دیدگاه فشرده تر از مسائل امنیتی مطرح شده توسط سیستم های تشخیص نفوذ است. | تجمیع و همبستگی هشدارهای نفوذ-تشخیص |
a9b533329845d5d1a31c3ff2821ce9865c440158 | سیستم عصبی آینه ای (MNS) پیشنهاد شده است که نقش مهمی در شناخت اجتماعی با ارائه مکانیزم عصبی ایفا کند که توسط آن اعمال، نیات و احساسات دیگران قابل درک است. در اینجا تصویربرداری رزونانس مغناطیسی عملکردی برای بررسی مستقیم رابطه بین فعالیت MNS و دو شاخص متمایز عملکرد اجتماعی در کودکان در حال رشد معمولی (سن 10.1 سال +/-7 ماه) استفاده شد: همدلی و شایستگی بین فردی. فعالیت قابل اعتماد در pars opercularis، جزء جلویی MNS، با مشاهده و تقلید از عبارات احساسی استخراج شد. به طور مهمی، فعالیت در این منطقه (و همچنین در اینسولای قدامی و آمیگدال) با معیارهای رفتاری تعیین شده نشاندهنده رفتار همدلانه کودکان (هم در حین تقلید و هم در حین مشاهده) و مهارتهای بین فردی (فقط در حین تقلید) همبستگی مثبت و معنیداری داشت. این یافتهها نشان میدهد که مکانیسمهای شبیهسازی و MNS ممکن است در واقع به عملکرد اجتماعی در زندگی روزمره در طول توسعه معمولی انسانی مرتبط باشد. | انعکاس احساسات دیگران به همدلی و شایستگی بین فردی در کودکان مربوط می شود |
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e | توالی یابی با توان عملیاتی بالا از نظر تئوری به دست آوردن توالی های ژنومی مونتاژ شده با کیفیت بالا را ممکن کرده است، اما در عمل عصاره های DNA اغلب با توالی های موجودات دیگر آلوده می شوند. در حال حاضر، روشهای کمی برای آلودگیزدایی دقیق مجموعههای یوکاریوتی وجود دارد. آنهایی که وجود دارند، توالیهایی را بر اساس شباهت نوکلئوتیدی به آلایندهها فیلتر میکنند و خطر حذف توالیها از ارگانیسم هدف را دارند. ما یک کاربرد جدید از یک روش یادگیری ماشین ایجاد شده، یک درخت تصمیم را معرفی میکنیم که میتواند توالیها را به شدت طبقهبندی کند. نقطه قوت اصلی درخت تصمیم این است که می تواند هر ویژگی اندازه گیری شده را به عنوان ورودی دریافت کند و نیازی به شناسایی پیشینی توصیفگرهای مهم ندارد. ما از درخت تصمیم برای طبقه بندی توالی های مونتاژ شده de novo و مقایسه روش با پروتکل های منتشر شده استفاده می کنیم. هنگام طبقهبندی توالیها در مجموعههای یوکاریوتی de novo، یک درخت تصمیم بهتر از روشهای موجود عمل میکند. کارآمد است، به آسانی اجرا می شود و توالی هدف و آلاینده را به دقت شناسایی می کند. نکته مهم، درخت تصمیم می تواند برای طبقه بندی توالی ها بر اساس توصیفگرهای اندازه گیری شده استفاده شود و به طور بالقوه کاربردهای زیادی در تقطیر مجموعه داده های بیولوژیکی دارد. | آلودگی زدایی مجموعه های ژنوم یوکاریوتی با یادگیری ماشینی |
7f47767d338eb39664844c94833b52ae73d964ef | با الهام از کفایت شبکههای عصبی کانولوشن در استخراج ضمنی ویژگیهای بصری و کارایی شبکههای عصبی بازگشتی با حافظه کوتاهمدت در برخورد با وابستگیهای زمانی دوربرد، ما یک شبکه عصبی بازگشتی کوتاهمدت کانولوشنال (CNNLSTM) را پیشنهاد میکنیم. برای مشکل تشخیص ژست پویا این مدل قادر به یادگیری ژستهای مختلف در مدت زمان و پیچیدگی است و ثابت میکند که پایه مهمی برای توسعه بیشتر است. در نهایت، دستور ژست جدید TsironiGR-dataset برای تعامل انسان و ربات برای ارزیابی CNNLSTM ارائه شده است. | تشخیص ژست با یک شبکه عصبی مکرر حافظه کوتاه مدت کانولوشنال |
7f481f1a5fac3a49ee8b2f1bfa7e5f2f8eda3085 | استقرار شبکههای عصبی کانولوشنال (ConvNets) در دستگاههای لبه اینترنت همه چیز (IoE) همیشه روشن به دلیل مصرف انرژی بالای حافظه پیادهسازی سختافزار ConvNet به شدت محدود شده است. استفاده از انعطاف پذیری خطای ConvNets با پذیرش خطاهای بیت در ولتاژهای کاهش یافته، یک گزینه مناسب برای صرفه جویی در انرژی ارائه می کند، اما تعداد کمی از پیاده سازی ها به دلیل درک کمی محدود از نحوه تأثیر خطاهای بیت بر عملکرد، از این استفاده می کنند. این مقاله کارایی مقیاس ولتاژ SRAM را در یک پردازنده 9 لایه CIFAR-10 باینریزه شده ConvNet نشان میدهد که به صرفهجویی در انرژی حافظه 3.12× با حداقل کاهش دقت (تقریباً 99٪ از اسمی) میپردازد. علاوه بر این، ما اثر انباشتگی خطای بیت را در یک شبکه چند لایه کمی می کنیم و نشان می دهیم که صرفه جویی بیشتر در انرژی با تقسیم وزن و ولتاژهای فعال سازی امکان پذیر است. در نهایت، ما نرخ خطای اندازهگیریشده برای ConvNet باینریزه شده CIFAR-10 را در برابر شبکههای MNIST مقایسه میکنیم تا تفاوت نیازهای خطای بیت را در پیچیدگیهای مختلف در توپولوژیهای شبکه و وظایف طبقهبندی نشان دهیم. | تحمل خطای بیت پردازنده شبکه عصبی کانولوشن دودویی CIFAR-10 |
0c90a3d183dc5f467c692fb7cbf60303729c8078 | این یک مشکل شناخته شده است که سیستم های تشخیص نفوذ، اپراتورهای انسانی خود را با ایجاد هزاران آلارم در روز بارگذاری می کنند. این مقاله یک رویکرد جدید برای مدیریت موثرتر هشدارهای تشخیص نفوذ ارائه میکند. محور این رویکرد این مفهوم است که هر زنگ خطر به دلیلی رخ می دهد، که به عنوان علل اصلی هشدار از آن یاد می شود. این مقاله مشاهده میکند که چند ده علت ریشهای نسبتاً پایدار به طور کلی بیش از 90٪ از آلارمهایی را که یک سیستم تشخیص نفوذ ایجاد میکند، تشکیل میدهند. بنابراین، ما استدلال میکنیم که آلارمها باید با شناسایی و حذف عمدهترین و پایدارترین علل ریشهای کنترل شوند. برای عملی کردن این پارادایم، یک روش جدید خوشهبندی هشدار پیشنهاد میکنیم که از تحلیلگر انسانی در شناسایی علل ریشهای حمایت میکند. ما آزمایشهایی را با آلارمهای تشخیص نفوذ در دنیای واقعی ارائه میکنیم تا نشان دهیم چگونه خوشهبندی هشدار به ما در شناسایی علل ریشهای کمک میکند. علاوه بر این، ما نشان میدهیم که اگر علل ریشهای شناساییشده حذف شوند، بار هشدار بهطور قابلتوجهی کاهش مییابد به طوری که دیگر نمیتوانند آلارمها را در آینده راهاندازی کنند. | خوشهبندی آلارمهای تشخیص نفوذ برای پشتیبانی از تجزیه و تحلیل علت اصلی |
6918fcbf5c5a86a7ffaf5650080505b95cd6d424 | در این مقاله تفاوت سازمان سلسله مراتبی و خودسازماندهی بررسی شده است. سازمان به عنوان ساختاری با عملکرد تعریف می شود. اما ساختار چگونه بر عملکرد تأثیر می گذارد؟ با انجام دو شبیه سازی شروع به بررسی این موضوع خواهم کرد. ایده این است که شبکه معینی از عوامل داشته باشیم که بر همسایگان خود تأثیر بگذارند. چگونه نتیجه در سه نوع مختلف شبکه متفاوت است، سپس بررسی می شود. در شبیه سازی اول، عوامل سعی می کنند با همسایگان خود هماهنگ شوند. شبیه سازی دوم از اکوسیستم الهام گرفته شده است. نمایندگان محصولات خاصی را از همسایگان خود می گیرند و آنها را به محصولاتی تبدیل می کنند که همسایگان می توانند استفاده کنند. | سازماندهی سلسله مراتبی در مقابل خود سازماندهی |
4bbd31803e900aebcdb984523ef3770de3641981 | تفکر محاسباتی بیانگر اصطلاحی است که مجموعه پیچیده ای از فرآیندهای استدلالی را در بر می گیرد که برای بیان و حل مسئله از طریق ابزار محاسباتی برگزار می شود. توانایی نظاممند کردن مسائل و حل آنها با این ابزار در حال حاضر به عنوان مهارتی در نظر گرفته میشود که باید توسط همه دانشآموزان همراه با زبان، ریاضیات و علوم ایجاد شود. با توجه به اینکه علوم کامپیوتر ریشه های زیادی در ریاضیات دارد، منطقی است که فکر کنیم آیا و چگونه یادگیری ریاضیات می تواند با ارائه فعالیت های مرتبط با تفکر محاسباتی به دانش آموزان تحت تاثیر قرار گیرد. از این نظر، این مقاله مروری بر ادبیات سیستماتیک درباره شواهد گزارش شده از یادگیری ریاضیات در فعالیتهایی با هدف توسعه مهارتهای تفکر محاسباتی ارائه میکند. چهل و دو مقاله که فعالیتهای آموزشی را همراه با یک طرح تجربی برای ارزیابی نتایج یادگیری منتشر شده از سال 2006 تا 2017 ارائه میکردند، تجزیه و تحلیل شدند. اکثر فعالیت های شناسایی شده از یک ابزار نرم افزاری یا دستگاه سخت افزاری برای توسعه خود استفاده می کنند. در این مقالات، طیف گسترده ای از موضوعات ریاضی با تأکید بر هندسه مسطح و جبر توسعه یافته است. تبدیل مدلها و راهحلها بین بازنماییهای نشانهشناختی مختلف، یک مهارت شناختی سطح بالایی است که اغلب با نتایج آموزشی مرتبط است. این بررسی نشان داد که مقالات اخیر سطح بالاتری از دقت را در روشهای روششناختی برای ارزیابی اثرات یادگیری ارائه میکنند. با این حال، تجزیه و تحلیل مشترک شواهد از بیش از یک منبع داده هنوز اغلب به عنوان یک روش اعتبار سنجی استفاده نمی شود. | یادگیری ریاضیات از طریق فعالیت های تفکر محاسباتی: مروری بر ادبیات سیستماتیک |
84cf1178a7526355f323ce0442458de3b3744358 | در این مقاله ما یک الگوریتم FFT با کارایی بالا موازی را بر اساس یک فرمول چند بعدی پیشنهاد میکنیم. ما از این برای حل یک هسته مبتنی بر FFT که معمولاً با آن مواجه میشویم در یک ماشین موازی حافظه توزیعشده، سیستم موازی مقیاسپذیر IBM، SP1 استفاده میکنیم. هسته نیاز به محاسبه FFT رو به جلو از یک دنباله ورودی، ضرب داده های تبدیل شده توسط یک آرایه ضریب، و در نهایت یک محاسبه FFT معکوس داده های حاصل دارد. ما نشان میدهیم که فرمول چند بعدی به کاهش هزینههای ارتباطی کمک میکند و همچنین با استفاده مؤثر از سیستم حافظه گره، عملکرد تک گره را بهبود میبخشد. ما این هسته را بر روی IBM SP1 پیاده سازی کردیم و عملکرد 1.25 GFLOPS را روی یک ماشین 64 گره مشاهده کردیم. | یک الگوریتم موازی با کارایی بالا برای FFT 1-D |
d65c2cbc0980d0840b88b569516ae9c277d9d200 | کلاهبرداری مالی یک تهدید روزافزون با پیامدهای بسیار در صنعت مالی است. داده کاوی نقش مهمی در کشف تقلب کارت اعتباری در تراکنش های آنلاین ایفا کرده است. تشخیص تقلب در کارت اعتباری، که یک مشکل داده کاوی است، به دو دلیل عمده چالش برانگیز می شود - اول اینکه پروفایل رفتارهای عادی و متقلبانه دائما تغییر می کند و دوم اینکه مجموعه داده های کلاهبرداری کارت اعتباری به شدت کج هستند. عملکرد کشف تقلب در تراکنشهای کارت اعتباری تا حد زیادی تحتتاثیر رویکرد نمونهگیری در مجموعه دادهها، انتخاب متغیرها و تکنیکهای شناسایی مورد استفاده قرار میگیرد. این مقاله عملکرد bayes ساده، k-نزدیکترین همسایه و رگرسیون لجستیک را بر روی دادههای کلاهبرداری کارت اعتباری بسیار منحرف بررسی میکند. مجموعه داده تراکنش های کارت اعتباری از دارندگان کارت اروپایی حاوی 284807 تراکنش تهیه شده است. یک تکنیک ترکیبی از نمونهگیری کمتر و نمونهبرداری بیش از حد بر روی دادههای اریب انجام میشود. این سه تکنیک بر روی داده های خام و پیش پردازش شده اعمال می شوند. کار در پایتون پیاده سازی شده است. عملکرد تکنیک ها بر اساس دقت، حساسیت، ویژگی، دقت، ضریب همبستگی متیوز و نرخ طبقه بندی متعادل ارزیابی می شود. نتایج نشان میدهد که دقت بهینه برای دستهبندیکنندههای ساده، k-نزدیکترین همسایه و رگرسیون لجستیک به ترتیب 92/97، 69/97 و 86/54 درصد است. نتایج مقایسهای نشان میدهد که k-نزدیکترین همسایه بهتر از بیهای ساده و تکنیکهای رگرسیون لجستیک عمل میکند. | تشخیص تقلب کارت اعتباری با استفاده از تکنیکهای یادگیری ماشین: یک تحلیل مقایسهای |
6588070d6578bc8a9d1f284f766340587501d620 | انواع برنامه های کاربردی دنیای واقعی در تعریف گسترده طبقه بندی سری های زمانی قرار می گیرند. استفاده از روشهای یادگیری ماشین سنتی مانند تلقی دنبالههای سری زمانی بهعنوان بردارهای با ابعاد بالا، با مشکل معروف «نفرین ابعاد» مواجه شده است. اخیراً، زمینه طبقهبندی سریهای زمانی با استفاده از مراحل پیشپردازش که سریهای زمانی را با استفاده از تکنیک تقریب کل نمادین (SAX) و با استفاده از دنبالههای تکرارشونده (موتیف) به عنوان ویژگیها گسستهسازی میکند، موفقیتآمیز بوده است.
در این مقاله ما یک الگوریتم ساخت ویژگی مبتنی بر برنامهریزی ژنتیکی را بررسی میکنیم که از موتیفهای تولید شده توسط SAX به عنوان بلوکهای ساختمان برای ساخت ویژگیهای پیچیدهتر استفاده میکند. این تحقیق نشان میدهد که ویژگیهای پیچیده ساختهشده دقت طبقهبندی را به شیوهای آماری معنادار برای بسیاری از کاربردها بهبود میبخشد. | SAX-EFG: یک چارچوب تولید ویژگی های تکاملی برای طبقه بندی سری های زمانی |
76737d93659b31d5a6ce07a4e9e5107bc0c39adf | القای پروتئین های شوک حرارتی محافظ عصبی از طریق مهارکننده های دارویی Hsp90 در حال حاضر به عنوان یک درمان بالقوه برای بیماری های عصبی در حال بررسی است. دو مانع اصلی برای استفاده درمانی از مهارکنندههای Hsp90 سمیت سیستمیک و نفوذپذیری محدود سیستم عصبی مرکزی است. ما در اینجا نشان میدهیم که درمان مزمن با یک ترکیب مهارکننده اختصاصی Hsp90 (OS47720) نه تنها پاسخی شبیه شوک حرارتی ایجاد میکند، بلکه محافظت سیناپسی را در موشهای علامتدار Tg2576، مدلی از بیماری آلزایمر، بدون سمیت سیستمیک قابلتوجه ارائه میدهد. با وجود نیمه عمر کوتاه OS47720 در مغز موش، یک تزریق داخل صفاقی منفرد باعث فعال شدن سریع و طولانی مدت (بیش از 3 روز) هسته ای فاکتور شوک حرارتی، HSF1 می شود. مطالعه مکانیکی نشان میدهد که اثرات اصلاحی OS47720 به فعالسازی HSF1 و رویدادهای رونویسی با واسطه HSF1 بر روی ژنهای سیناپسی بستگی دارد. روی هم رفته، این کار نقش جدیدی از HSF1 را در عملکرد و حافظه سیناپسی نشان میدهد، که احتمالاً از طریق مدولاسیون رونوشت سیناپسی رخ میدهد. | یک مهارکننده Hsp90 قابل نفوذ به CNS، اختلال عملکرد سیناپسی و از دست دادن حافظه را در مدل موش آلزایمر با بیان بیش از حد APP از طریق مکانیسم با واسطه HSF1 نجات میدهد. |
1c734a14c2325cb76783ca0431862c7f04a69268 | گزارشهای اخیر نشان میدهد که یک مدل CNN عمیق تحت نظارت عمومی که بر روی یک مجموعه داده در مقیاس بزرگ آموزش داده شده است، سوگیری مجموعه دادهها را در یک معیار استاندارد کاهش میدهد، اما حذف نمیکند. تنظیم دقیق مدل های عمیق در یک دامنه جدید می تواند به مقدار قابل توجهی داده نیاز داشته باشد که برای بسیاری از برنامه ها به سادگی در دسترس نیست. ما یک معماری جدید CNN را پیشنهاد میکنیم که یک لایه تطبیق و یک از دست دادن سردرگمی دامنه اضافی را معرفی میکند تا نمایشی را بیاموزیم که هم از نظر معنایی معنیدار و هم نامتغیر دامنه باشد. ما علاوه بر این نشان میدهیم که یک متریک سردرگمی دامنه میتواند برای انتخاب مدل برای تعیین ابعاد یک لایه سازگار و بهترین موقعیت برای لایه در معماری CNN استفاده شود. روش انطباق پیشنهادی ما عملکرد تجربی را ارائه می دهد که از نتایج منتشر شده قبلی در یک کار انطباق دامنه بصری معیار استاندارد فراتر می رود. | سردرگمی عمیق دامنه: به حداکثر رساندن عدم تغییر دامنه |
9fe265de1cfab7a97b5efd81d7d42b386b15f2b9 | حجم عظیمی از داده های هشدار تولید شده از سیستم های تشخیص نفوذ برای مدیران سیستم شبکه برای تجزیه و تحلیل دست و پا گیر است. اغلب، جزئیات مهم نادیده گرفته میشوند و به سختی میتوان تصویری کلی از آنچه در شبکه اتفاق میافتد، با پیمایش دستی گزارشهای هشدار متنی به دست آورد. ما یک تجسم جدید برای رفع این مشکل با نشان دادن فعالیت هشدار در یک شبکه طراحی کردهایم. داده های هشدار در یک نمای کلی ارائه می شوند که در آن مدیران سیستم می توانند حس کلی از فعالیت شبکه را دریافت کنند و به راحتی ناهنجاری ها را تشخیص دهند. آنها سپس گزینه بزرگنمایی و حفاری را برای جزئیات دارند. اطلاعات با آدرسهای IP شبکه محلی (پروتکل اینترنت) ارائه میشود که بر روی چندین یاکس ترسیم شدهاند تا مکان آلارمها را نشان دهند. زمان در محور x برای نشان دادن الگوی آلارم ها و تغییرات رنگ، شدت و میزان آلارم ها را رمزگذاری می کند. بر اساس مطالعه نیازمندیهای سرپرست سیستم ما، این طرحبندی گرافیکی به آنچه مدیران سیستم باید ببینند، میپردازد، سریعتر و آسانتر از تجزیه و تحلیل گزارشهای متن است و از تکنیکهای تجسم برای مقیاسبندی و نمایش مؤثر دادهها استفاده میکند. با این طراحی، ما ابزاری ساختهایم که به طور موثر از دادههای گزارش هشدار عملیاتی تولید شده در شبکه پردیس فناوری جورجیا استفاده میکند. انگیزه و پیشینه طراحی ما همراه با نمونه هایی ارائه شده است که مفید بودن آن را نشان می دهد. دستههای CR: C.2.0 [شبکههای ارتباطی رایانهای]: عمومی—امنیت و حفاظت C.2.3 [شبکههای ارتباط رایانهای]: عملیات شبکه—نظارت شبکه H.5.2 [سیستمهای اطلاعات]: رابطهای اطلاعاتی و ارائه—واسطهای کاربر | IDS Rain Storm: تجسم آلارم IDS |
5b54b6aa8288a1e9713293cec0178e8f3db3de2d | به منظور سادهسازی فرآیند تولید حلکنندههای رلوکتانس متغیر (VR) برای برنامههای کاربردی خودروی الکتریکی هیبریدی/خودروی الکتریکی (HEV/EV)، یک حلکننده جدید VR با سیمپیچهای سیم پیچ دندان غیرهمپوشانی در این مقاله پیشنهاد شدهاست. ابتدا مقایسه پیکربندی های سیم پیچ بین طرح های موجود و طرح های پیشنهادی انجام می شود و به دنبال آن اصل عملیات شرح داده می شود. علاوه بر این، تأثیر شرایط کاربردی واقعی با تجزیه و تحلیل اجزای محدود (FE)، از جمله سرعت عملیاتی و خروج از مرکز مونتاژ بررسی میشود. علاوه بر این، استاتور و سیمپیچهای یکسان طرح جدید را میتوان در سه تفکیککننده برجستگیهای مختلف روتور به کار برد. تفاوت ولتاژ بین سه ترکیب روتور، و همچنین دقت تشخیص، بیشتر بررسی شده است. در نهایت، نمونههای اولیه ساخته و آزمایش میشوند تا تحلیلها تأیید شود. | حلکننده بیمیلی متغیر جدید برای کاربردهای HEV/EV |
349119a443223a45dabcda844ac41e37bd1abc77 | پردازش موثر حجم بسیار زیادی از داده های مکانی باعث شده است که بسیاری از سازمان ها از چارچوب های پردازش توزیع شده استفاده کنند. Apache Spark یکی از این چارچوب های منبع باز است که از پذیرش گسترده ای برخوردار است. در این فضای داده، توجه به این نکته مهم است که بیشتر دادههای مشاهدهای (یعنی دادههای جمعآوریشده توسط حسگرها، چه متحرک یا ثابت) دارای یک جزء زمانی یا مهر زمانی هستند. به منظور انجام تجزیه و تحلیل پیشرفته و به دست آوردن بینش، مؤلفه زمانی به همان اندازه مهم است که اجزای مکانی و ویژگی. در این مقاله، انواع مختلفی از عملیات اتصال فضایی را شرح میدهیم که به اتصالات مکانی، زمانی و مبتنی بر ویژگی میپردازد. تکنیک اتصال فضایی ما با سایر رویکردها متفاوت است زیرا محمولات مکانی، زمانی و ویژگیها را در عملگر اتصال ترکیب میکند.
علاوه بر این، الگوریتم و پیادهسازی پیوستن مکانی-زمانی ما با سایر الگوریتمها تفاوت دارد زیرا در برنامه تجاری خارج از قفسه (COTS) اجرا میشود. فرض بر این است که کاربران این قابلیت، تحلیلگران GIS هستند و اطلاعات کمی در مورد جزئیات پیاده سازی اتصالات مکانی-زمانی یا پردازش توزیع شده دارند. آنها با استفاده از ابزارهای ساده ای که توانایی بهینه سازی پیکربندی را ندارند راحت هستند | Join Spatio-Temporal در Apache Spark |
27da8d31b23f15a8d4feefe0f309dfaad745f8b0 | شبکههای عصبی مصنوعی عمیق موفق علیرغم بزرگیشان، میتوانند تفاوت قابلتوجهی بین تمرین و عملکرد تست از خود نشان دهند. خرد متعارف خطای تعمیم کوچکی را یا به ویژگی های خانواده مدل، یا به تکنیک های منظم سازی مورد استفاده در طول آموزش نسبت می دهد. از طریق آزمایشهای سیستماتیک گسترده، نشان میدهیم که چگونه این رویکردهای سنتی نمیتوانند توضیح دهند که چرا شبکههای عصبی بزرگ در عمل به خوبی تعمیم مییابند. به طور خاص، آزمایش ما ایجاد میکند که شبکههای کانولوشنال پیشرفته برای طبقهبندی تصاویر آموزشدیده شده با روشهای گرادیان تصادفی به راحتی با برچسبگذاری تصادفی دادههای آموزشی مطابقت دارند. این پدیده از نظر کیفی تحت تأثیر منظمسازی صریح قرار نمیگیرد و حتی اگر تصاویر واقعی را با نویز تصادفی کاملاً بدون ساختار جایگزین کنیم، رخ میدهد. ما این یافتههای تجربی را با یک ساختار نظری تأیید میکنیم که نشان میدهد شبکههای عصبی با عمق ساده دو، به محض اینکه تعداد پارامترها از تعداد نقاط دادهای که معمولاً در عمل انجام میدهد، فراتر میرود، قابلیت بیان نمونه محدود کامل دارند. ما یافته های تجربی خود را با مقایسه با مدل های سنتی تفسیر می کنیم. | درک یادگیری عمیق مستلزم بازنگری در تعمیم است |
6db68f27bcb7c9c001bb0c144c1d0ac5d69a3f3a | حقوق کپی رایت و اخلاقی انتشاراتی که در پورتال عمومی قابل دسترسی هستند توسط نویسندگان و/یا سایر صاحبان حق چاپ محفوظ است و شرط دسترسی به انتشارات است که کاربران الزامات قانونی مرتبط با این حقوق را بشناسند و از آنها پیروی کنند. • کاربران می توانند یک نسخه از هر نشریه را به منظور مطالعه یا تحقیق خصوصی از پورتال عمومی دانلود و چاپ کنند. • شما نمی توانید مطالب را بیشتر توزیع کنید یا از آن برای هر گونه فعالیت انتفاعی یا سود تجاری استفاده کنید. اگر فکر میکنید که این سند حق نسخهبرداری را نقض میکند، لطفاً با ارائه جزئیات با ما تماس بگیرید، و ما فوراً دسترسی به اثر را حذف میکنیم و ادعای شما را بررسی میکنیم. آیا نمی توان موسیقی را به عنوان ریاضیات حسی، ریاضیات را به عنوان موسیقی عقل توصیف کرد؟ موسیقیدان ریاضیات را احساس می کند، ریاضیدان به موسیقی فکر می کند: موسیقی رویا است، ریاضیات زندگی کاری. خلاصه استفاده روزافزون از سیستم های مبتنی بر رایانه تقریباً در هر جنبه ای از زندگی روزمره ما تهدیدات مهاجمان احتمالی را بیشتر و بیشتر خطرناک می کند و یک حمله موفقیت آمیز را بیشتر و بیشتر پاداش می دهد. علاوه بر این، پیچیدگی این سیستمها نیز در حال افزایش است، از جمله دستگاههای فیزیکی، اجزای نرمافزاری و بازیگران انسانی که با یکدیگر در تعامل هستند تا به اصطلاح سیستمهای فنی-اجتماعی را تشکیل دهند. اهمیت سیستمهای فنی-اجتماعی برای جوامع مدرن مستلزم تأیید رسمی ویژگیهای امنیتی آنها است، در حالی که پیچیدگی ذاتی آنها تحلیلهای دستی را غیرعملی میسازد. مدلهای گرافیکی برای امنیت، فرصتی بیرقیب برای توصیف سیستمهای فنی-اجتماعی ارائه میدهند، زیرا آنها اجازه میدهند جنبههای مختلف مانند رفتار انسانی، محاسبات و پدیدههای فیزیکی را به شیوهای انتزاعی و در عین حال یکسان نشان دهند. علاوه بر این، به این مدلها میتوان یک معناشناسی رسمی اختصاص داد، در نتیجه امکان تأیید رسمی ویژگیهای آنها را فراهم میکند. در نهایت، نمادهای گرافیکی جذاب آنها میتوانند نگرانیهای امنیتی را به شیوهای قابل درک به افراد غیرمتخصص که اغلب مسئول تصمیمگیری هستند، منتقل کنند. این پایاننامه استدلال میکند که تکنیکهای خودکار را میتوان بر روی مدلهای امنیتی گرافیکی برای ارزیابی ویژگیهای امنیتی کمی و کیفی سیستمهای فنی-اجتماعی و ترکیب استراتژیهای حمله و دفاع بهینه توسعه داد. در حمایت از این ادعا، ما تکنیکهای تحلیلی را برای مدلهای امنیتی گرافیکی پرکاربرد مانند درختهای حمله و درختهای دفاع حمله توسعه میدهیم. تحلیلهای ما با بهینهسازی پارامترهای چندگانه یک سناریوی حمله و دفاع مقابله میکنند. با بهبود ادبیات، در صورت وجود پارامترهای متناقض مانند احتمال و هزینه، مجموعه راهحلهای بهینه را محاسبه میکنیم… | تحلیل رسمی مدل های امنیتی گرافیکی |
64887b38c382e331cd2b045f7a7edf05f17586a8 | ما دوقلوها را به طور سیستماتیک از اداره ثبت دوقلوهای استرالیا استخدام کردیم و گرایش جنسی و 2 ویژگی مرتبط آنها را ارزیابی کردیم: عدم انطباق جنسیتی در دوران کودکی و هویت جنسی مداوم. مردان و زنان در توزیع گرایش جنسی متفاوت بودند، به طوری که زنان بیشتر احتمال دارد درجات کمی از جذب همجنس گرا داشته باشند و مردان بیشتر احتمال دارد که درجات بالایی از جاذبه همجنس گرا داشته باشند. همخوانی دوقلو برای جهت گیری غیر دگرجنس گرا کمتر از مطالعات قبلی بود. تجزیه و تحلیل تک متغیره نشان داد که عوامل خانوادگی برای همه صفات مهم هستند، اما در تشخیص تأثیرات ژنتیکی از تأثیرات محیطی مشترک کمتر موفق بودند. فقط عدم انطباق جنسیتی در دوران کودکی برای مردان و زنان به طور قابل توجهی قابل ارث بود. تحلیلهای چند متغیره نشان میدهد که معماری علی بین مردان و زنان متفاوت است و برای زنان، شواهد قابلتوجهی برای اهمیت عوامل ژنتیکی برای همواریگی صفات ارائه میدهد. | تأثیرات ژنتیکی و محیطی بر گرایش جنسی و ارتباط آن در یک نمونه دوقلو استرالیایی |
7dd434b3799a6c8c346a1d7ee77d37980a4ef5b9 | مدلهای مولد عمیق در مدلسازی دادههای پیوسته موفق بودهاند. با این حال، به چالش کشیدن بازنمایی برای ساختارهای گسسته با گرامرهای رسمی و معناشناسی، به عنوان مثال، برنامه های کامپیوتری و ساختارهای مولکولی، همچنان چالش برانگیز است. نحوه تولید داده های صحیح نحوی و معنایی هنوز تا حد زیادی یک مشکل باز باقی مانده است. با الهام از تئوری کامپایلر که در آن بررسی نحو و معنایی از طریق ترجمه مبتنی بر نحو (SDT) انجام میشود، ما با معرفی ویژگیهای تنبل تصادفی، یک رمزگذار خودکار متغیر مبتنی بر نحو جدید (SD-VAE) پیشنهاد میکنیم. این رویکرد بررسی آفلاین SDT را به راهنمایی تولید شده در حین پرواز برای محدود کردن رمزگشا تبدیل می کند. در مقایسه با روشهای پیشرفته، رویکرد ما محدودیتهایی را در فضای خروجی اعمال میکند تا خروجی نه تنها از نظر نحوی معتبر باشد، بلکه از نظر معنایی نیز معقول باشد. ما مدل پیشنهادی را با برنامههای کاربردی در زبان برنامهنویسی و مولکولها، از جمله بازسازی و بهینهسازی برنامه/مولکول ارزیابی میکنیم. نتایج نشاندهنده اثربخشی در ترکیب محدودیتهای نحوی و معنایی در مدلهای مولد گسسته است که به طور قابلتوجهی بهتر از رویکردهای مدرن فعلی است. | رمزگذار خودکار متغیر جهت دادههای ساختاری |
844f1a88efc648b5c604c0a098b5c49f3fea4139 | مدیریت سیستم به یک عملکرد مهم تبدیل شده است که وظیفه اصلی آن بازرسی فایل های گزارش کامپیوتری است. اما انجام چنین وظایفی به دو دلیل آسان نیست. یکی، بار تشخیص بالای محتویات گزارش به دلیل حجم عظیم داده های متنی است. خواندن آنها کاری خسته کننده، زمان بر و اغلب مستعد خطا است. مشکل دیگر مشکل در استخراج پیام های غیرعادی از لاگ است. اگر یک مدیر دانش یا تجربه نداشته باشد، نمیتواند به راحتی پیامهای گزارش غیرعادی را تشخیص دهد. برای کمک به رسیدگی به این مشکلات، ما یک مرورگر گزارش تصویری بسیار تعاملی به نام MieLog ایجاد کردهایم. MieLog از دو تکنیک برای کارهای بازرسی دستی گزارش استفاده میکند: تجسم اطلاعات و تجزیه و تحلیل آماری. تجسم اطلاعات در کاهش بار تشخیص مفید است زیرا روشی جایگزین برای تفسیر اطلاعات متنی بدون خواندن ارائه می دهد. تجزیه و تحلیل آماری استخراج پیامهای گزارش غیرمعمول بدون دانش خاص دامنه را امکانپذیر میسازد. ما سه مثال خواهیم آورد که توانایی سیستم MieLog را در جداسازی پیامهای غیرعادی راحتتر از قبل نشان میدهد. | MieLog: یک مرورگر ثبت بصری بسیار تعاملی با استفاده از تجسم اطلاعات و تجزیه و تحلیل آماری |
504054b182fc4d028c430e74a51b2d6ac2c43f64 | مغزهای بیولوژیکی می توانند با تجارب گذشته سازگار شوند و از آنها بیاموزند. در تکامل عصبی، یعنی شبکههای عصبی مصنوعی در حال تکامل (ANN)، یکی از راههایی که عوامل کنترلشده توسط شبکههای عصبی مصنوعی میتوانند توانایی انطباق را توسعه دهند، کدگذاری قوانین یادگیری محلی است. با این حال، یک مشکل مهم با اکثر چنین رویکردهایی این است که قوانین یادگیری محلی برای هر اتصال در شبکه باید به طور جداگانه کشف شود. هدف این مقاله نشان دادن این است که قواعد یادگیری را می توان به طور غیرمستقیم با گسترش روش NeuroEvolution مبتنی بر Hypercube of Augmenting Topologies (HyperNEAT) کدگذاری کرد. HyperNEAT تطبیقی معرفی شده است تا اجازه دهد نه تنها الگوهای وزن در سراسر اتصال یک ANN توسط تابعی از هندسه آن تولید شود، بلکه الگوهایی از قوانین یادگیری دلخواه را نیز ایجاد کند. چندین مدل تطبیقی با سطوح مختلف کلی بررسی و مقایسه میشوند. وعده بلندمدت این رویکرد جدید، تکامل شبکههای عصبی مصنوعی تطبیقی در مقیاس بزرگ است که یک هدف اصلی برای تکامل عصبی است. | رمزگذاری غیرمستقیم پلاستیک عصبی به عنوان الگویی از قوانین محلی |
02227c94dd41fe0b439e050d377b0beb5d427cda | تشخیص و خواندن متن از تصاویر طبیعی یک کار سخت بینایی کامپیوتری است که برای انواع برنامه های در حال ظهور مرکزیت دارد. مشکلات مرتبط مانند تشخیص کاراکتر سند به طور گسترده توسط محققان بینایی کامپیوتر و یادگیری ماشین مورد مطالعه قرار گرفته است و تقریباً برای کاربردهای عملی مانند خواندن ارقام دستنویس حل شده است. با این حال، تشخیص مطمئن شخصیتها در صحنههای پیچیدهتر مانند عکسها بسیار دشوارتر است: بهترین روشهای موجود به خوبی از عملکرد انسان در کارهای مشابه عقبتر هستند. در این مقاله ما به مشکل تشخیص ارقام در یک برنامه واقعی با استفاده از روشهای یادگیری ویژگی بدون نظارت حمله میکنیم: خواندن اعداد خانه از عکسهای سطح خیابان. برای این منظور، مجموعه داده معیار جدیدی را برای استفاده تحقیقاتی معرفی میکنیم که شامل بیش از 600000 رقم برچسبگذاری شده از تصاویر نمای خیابان است. سپس دشواری تشخیص این ارقام را هنگامی که مشکل با ویژگیهای طراحیشده دستی حل میشود، نشان میدهیم. در نهایت، ما از انواع دو روش یادگیری ویژگی بدون نظارت اخیراً پیشنهاد شده استفاده میکنیم و متوجه میشویم که آنها به طور قانعکنندهای نسبت به معیارهای ما برتر هستند. | خواندن ارقام در تصاویر طبیعی با ویژگی یادگیری بدون نظارت |
1f7594d3be7f5c32e117bc669ed898dd0af88aa3 | یک آنتن نساجی دو باند برای کاربردهای چند ورودی-چند خروجی (MIMO)، بر اساس فناوری موجبر موج یکپارچه در بستر (SIW) طراحی شده است. حالت اصلی حفره SIW برای طنین انداز در 2.4 گیگاهرتز طراحی شده است. در همین حال، حالت های دوم و سوم با قرار دادن دقیق یک via در داخل حفره اصلاح و ترکیب می شوند تا پوشش پهنای باند در باند WLAN 5 گیگاهرتز را فعال کنند. توپولوژی آنتن ساده را می توان به طور کامل با استفاده از منسوجات به صورت مسطح ساخت که اطمینان و راحتی را تضمین می کند. نتایج عددی و تجربی نشاندهنده عملکرد رضایتبخش آنتن در هنگام استفاده از بدنه از نظر پهنای باند امپدانس، راندمان تابش و نسبت جذب خاص (SAR) است. به منظور اعتبارسنجی پتانسیل آن برای کاربردهای MIMO، دو عنصر از آنتن SIW پیشنهادی در شش پیکربندی مرتب شدهاند تا عملکرد را از نظر جفت متقابل و همبستگی پاکت بررسی کنند. مشاهده می شود که قرار گرفتن لبه های کوتاه دو عنصر در مجاورت یکدیگر کمترین جفت متقابل و در نتیجه بهترین همبستگی پوششی را ایجاد می کند. | آنتن MIMO پارچه ای دو باند مبتنی بر فناوری موجبر یکپارچه بستر (SIW) |
e083df3577b3231d16678aaf7a020767bdc9c3a0 | این مقاله دو مدل از نورونهای با ارزش پیچیده (CVN) را برای مسائل طبقهبندی با ارزش واقعی ارائه میکند، که دو تابع فعالسازی جدید پیشنهادی را در خود جای داده و تواناییهای آنها و همچنین تفاوتهای بین آنها را در مسائل معیار ارائه میکند. در هر دو مدل، هر ورودی با ارزش واقعی در فازی بین 0 و از یک عدد مختلط بزرگی واحد کدگذاری میشود و در وزن با ارزش مختلط ضرب میشود. مجموع وزنی ورودی ها به یک تابع فعال سازی داده می شود. توابع فعال سازی هر دو مدل مقادیر پیچیده را به مقادیر واقعی ترسیم می کنند و نقش آنها تقسیم فضای ورودی خالص (مجموع وزنی) به چندین منطقه است که نشان دهنده کلاس های الگوهای ورودی است. قانون یادگیری مبتنی بر گرادیان برای هر یک از توابع فعال سازی مشتق شده است. توانایی چنین CVN هایی با مسائل دو کلاسه، مانند مسائل بولی ورودی دو و سه، و تشخیص تقارن در دنباله های باینری مورد بحث و آزمایش قرار می گیرد. ما در اینجا نشان می دهیم که هر دو مدل می توانند مرزهای مناسبی را برای این مسائل خطی و غیرخطی تشکیل دهند. برای حل مسائل کلاس n، یک شبکه عصبی با ارزش پیچیده (CVNN) متشکل از n CVN نیز در این مقاله در نظر گرفته شده است. ما چنین CVNN های تک لایه ای را روی چندین مشکل معیار دنیای واقعی آزمایش کردیم. نتایج نشان میدهد که تواناییهای طبقهبندی و تعمیم CVNNهای تک لایه با شبکههای عصبی با ارزش واقعی (RVNN) که دارای یک لایه پنهان هستند، قابل مقایسه است. علاوه بر این، همگرایی CVNN ها در بیشتر موارد بسیار سریعتر از RVNN ها است. | شبکه عصبی با ارزش پیچیده تک لایه برای مسائل طبقه بندی با ارزش واقعی |
ebf35073e122782f685a0d6c231622412f28a53b | در دهه گذشته شاهد تغییر نجومی از تصویربرداری با DSLR و دوربینهای نقطهای به تصویربرداری با دوربینهای گوشیهای هوشمند بودهایم. به دلیل دیافراگم کوچک و اندازه سنسور، تصاویر گوشی های هوشمند نویز بیشتری نسبت به همتایان DSLR خود دارند. در حالی که حذف نویز برای تصاویر گوشی های هوشمند یک حوزه تحقیقاتی فعال است، جامعه تحقیقاتی در حال حاضر فاقد یک مجموعه داده تصویر حذف کننده از تصاویر پر نویز واقعی از دوربین های گوشی های هوشمند با حقیقت زمینی با کیفیت بالا است. ما در این مقاله با مشارکت های زیر به این موضوع می پردازیم. ما یک روش سیستماتیک برای تخمین حقیقت زمین برای تصاویر پر سر و صدا پیشنهاد می کنیم که می تواند برای معیار عملکرد حذف نویز برای دوربین های گوشی های هوشمند مورد استفاده قرار گیرد. با استفاده از این روش، ما یک مجموعه داده - مجموعه داده های حذف نویز تصویر گوشی هوشمند (SIDD) - از 30000 تصویر پر سر و صدا از 10 صحنه تحت شرایط نوری مختلف با استفاده از پنج دوربین گوشی هوشمند معرف تهیه کرده ایم و تصاویر واقعی آنها را تولید کرده ایم. ما از این مجموعه داده برای محک زدن تعدادی از الگوریتمهای حذف نویز استفاده کردیم. ما نشان میدهیم که روشهای مبتنی بر CNN زمانی که بر روی مجموعه دادههای باکیفیت ما آموزش داده میشوند، بهتر از زمانی که با استفاده از استراتژیهای جایگزین آموزش داده میشوند، مانند تصاویر ISO پایین که به عنوان پروکسی برای دادههای حقیقت زمینی استفاده میشوند، عمل میکنند. | مجموعه داده حذف نویز با کیفیت بالا برای دوربین های گوشی های هوشمند |
155ca30ef360d66af571eee47c7f60f300e154db | Raft یک الگوریتم اجماع برای مدیریت یک گزارش تکراری است. نتیجه ای معادل (چند) Paxos تولید می کند و به اندازه Paxos کارآمد است، اما ساختار آن با Paxos متفاوت است. این امر Raft را نسبت به Paxos قابل درک تر می کند و همچنین پایه و اساس بهتری برای ساخت سیستم های عملی فراهم می کند. به منظور افزایش درک، Raft عناصر کلیدی اجماع، مانند انتخاب رهبر، تکرار گزارش و ایمنی را از هم جدا میکند و درجه قویتری از انسجام را برای کاهش تعداد ایالاتی که باید در نظر گرفته شوند، اعمال میکند. نتایج یک مطالعه کاربر نشان می دهد که یادگیری Raft برای دانش آموزان آسان تر از Paxos است. Raft همچنین دارای مکانیزم جدیدی برای تغییر عضویت در خوشه است که از اکثریت های همپوشانی برای تضمین ایمنی استفاده می کند. | در جستجوی یک الگوریتم اجماع قابل درک |
6c201c1ded432c98178f1d35410b8958decc884a | محدودیت مصرف انرژی یک مشکل جدی در شبکه های حسگر بی سیم (WSN) است. در این راستا در سال های اخیر راه حل های زیادی برای این مشکل ارائه شده است. در یک خط از تحقیقات، محققان رویکردهای مبتنی بر داده را برای کمک به صرفه جویی در انرژی با کاهش میزان ارتباطات مورد نیاز در شبکه پیشنهاد می کنند. این مقاله تلاشی در این زمینه است و پیشنهاد می کند که حسگرها به طور متناوب روشن شوند. سپس یک شبکه عصبی دادههای حسگرها را در دورههای بیکاری شبیهسازی میکند. موفقیت این روش به شدت به همبستگی بالا بین نقاطی که یک سری زمانی از داده های حس شده را می سازند متکی است. برای نشان دادن اثربخشی ایده، تعدادی آزمایش انجام می دهیم. در انجام این کار، ما یک شبکه NAR را در برابر مجموعه دادههای مختلف رطوبت و دما در محیطهای مختلف آموزش میدهیم. با آزمایش بر روی دادههای واقعی، نشان داده میشود که پیشبینیهای دستگاه تا حد زیادی نیاز به دادههای حسشده را در دورههای بیکاری حسگرها برطرف کرده و بیش از ۶۵ درصد انرژی را ذخیره میکند. | حفظ انرژی از طریق پیش بینی عصبی داده های حس شده |
f43c1aee5382bb6fe9c92c54767218d954016e0c | ماتریسهای همزمانی یکپارچه بهعنوان ویژگیهای جدید برای طبقهبندی بافت رنگ معرفی میشوند. نماد همروی توسعهیافته امکان مقایسه بین مفاهیم بافت رنگی یکپارچه و موازی را فراهم میکند. اطلاعات مفید ماتریسهای جدید به صورت کمی با استفاده از فاصله کولموگروف نشان داده میشود. و با آزمایشهای گسترده طبقهبندی بر روی دو مجموعه داده. اعمال آنها بر روی فضای رنگی RGB و LUV رنگ ترکیبی و شدت بافت مورد مطالعه قرار گرفته و وجود الگوهای رنگ خالص مستقل از شدت نشان داده شده است: نتایج با دو خط پایه مقایسه شده است: تجزیه و تحلیل بافت در مقیاس خاکستری و تجزیه و تحلیل هیستوگرام رنگی % برای اولین و دومین خط پایه به ترتیب. ? 2003 Pattern Recognition Society. حقوق محفوظ است | طبقهبندی بافت رنگ با ماتریسهای هموضعیت یکپارچه |
fc1f88e48ab29a1fa21f1e7d73f47c270353de59 | یک الگوریتم افست برای فرآیند تولید مسیر ابزار موازی کانتور مهم است. معمولاً باید با جزایر جبران شود. در این مقاله یک الگوریتم افست جدید برای یک منحنی دنباله نقطه دو بعدی (منحنی PS) با چندین جزیره ارائه شده است. این الگوریتم شامل سه فرآیند فرعی، فرآیند پل زدن جزایر، تولید منحنی افست خام و حذف حلقههای نامعتبر جهانی است. ورودی الگوریتم مجموعه ای از منحنی های PS است که یکی از آنها نمای بیرونی و بقیه جزایر هستند. فرآیند پل زدن، تمام جزایر را به نمای بیرونی با روش مثلثسازی Delaunay پل میکند و یک منحنی PS مرتبط را تشکیل میدهد. بر اساس دایره گیر، مشکلات محلی با به روز رسانی نمایه اصلی با قانون اساسی پیشنهادی و قانون الحاق رفع می شوند، به طوری که می توان یک منحنی افست خام ایجاد کرد. آخرین فرآیند ابتدا تمام خود تقاطعها را در منحنی PS آفست خام گزارش میکند و سپس رویهای به نام تجزیه و تحلیل درختی، تمام خود تقاطعها را در یک درخت قرار میدهد. تمام نقاط بین گره ها در عمق یکسان و فرزندان مستقیم آن با استفاده از قانون جمع آوری جمع آوری می شوند. نقاط جمع آوری شده حلقه های معتبر را تشکیل می دهند که خروجی الگوریتم پیشنهادی است. هر فرآیند فرعی می تواند در زمان نزدیک خطی کامل شود، بنابراین کل الگوریتم دارای پیچیدگی زمانی تقریبا خطی است. این را می توان با مثال های تست شده در مقاله ثابت کرد. © 2012 Elsevier Ltd. کلیه حقوق محفوظ است. | الگوریتم افست منحنی دنباله-نقطه دو بعدی قوی با چندین جزیره برای مسیر ابزار موازی-کانتور |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.