আপনি যদি ইতিমধ্যে জানতেন না

আপনি যদি ইতিমধ্যে জানতেন না

সময় স্ট্যাম্প: নভেম্বর 7, 2023 1:19 অপরাহ্ন
উত্স নোড: 2969389

গ্রাফ কনভোলিউশনাল রিকারেন্ট নিউরাল নেটওয়ার্ক (GCRNN) গুগল
গ্রাফ প্রক্রিয়াগুলি ভূমিকম্পের কেন্দ্রস্থল শনাক্ত করা বা আবহাওয়ার পূর্বাভাস দেওয়ার মতো অনেকগুলি গুরুত্বপূর্ণ সমস্যার মডেল করে। এই কাগজে, আমরা একটি গ্রাফ কনভোলিউশনাল রিকারেন্ট নিউরাল নেটওয়ার্ক (GCRNN) আর্কিটেকচারের প্রস্তাব করছি যা এই সমস্যাগুলি মোকাবেলা করার জন্য বিশেষভাবে তৈরি করা হয়েছে। গ্রাফের আকার এবং বিবেচিত সময়ের ক্রম থেকে স্বতন্ত্র প্রশিক্ষণযোগ্য পরামিতিগুলির সংখ্যা রাখতে GCRNNগুলি কনভোলিউশনাল ফিল্টার ব্যাঙ্ক ব্যবহার করে। আমরা গেটেড জিসিআরএনএনগুলিকেও সামনে রেখেছি, যা এলএসটিএম-এর মতো জিসিআরএনএনগুলির একটি সময়-প্রাণিত বৈচিত্র। সিন্থেটিক এবং বাস্তব-শব্দ উভয় ডেটা ব্যবহার করে পরীক্ষায় GNN এবং অন্য একটি গ্রাফ পুনরাবৃত্ত আর্কিটেকচারের সাথে তুলনা করা হলে, GCRNNগুলি উল্লেখযোগ্যভাবে কম প্যারামিটার ব্যবহার করার সময় কার্যকারিতাকে উল্লেখযোগ্যভাবে উন্নত করে। …

রিটেকস গুগল
কন্টিনিউয়াস ইন্টিগ্রেশন (CI) পরীক্ষায় প্রতিটি চক্রে পরীক্ষার ক্ষেত্রে অগ্রাধিকার, নির্বাচন এবং সম্পাদন জড়িত থাকে। প্রতিশ্রুতিবদ্ধ কোড পরিবর্তনের প্রভাব সম্পর্কে অনিশ্চয়তা থাকলে বা কোড এবং পরীক্ষার মধ্যে ট্রেসেবিলিটি লিঙ্ক উপলব্ধ না থাকলে বাগ সনাক্ত করার জন্য সবচেয়ে প্রতিশ্রুতিবদ্ধ পরীক্ষার ক্ষেত্রে নির্বাচন করা কঠিন। এই কাগজটি Retecs প্রবর্তন করে, CI-তে স্বয়ংক্রিয়ভাবে টেস্ট কেস নির্বাচন এবং অগ্রাধিকার শেখার একটি নতুন পদ্ধতি যার লক্ষ্য হল কোড কমিট এবং ব্যর্থ পরীক্ষার ক্ষেত্রে বিকাশকারীর প্রতিক্রিয়ার মধ্যে রাউন্ড-ট্রিপ সময় কমিয়ে আনার লক্ষ্যে। Retecs পদ্ধতি রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে টেস্ট কেসকে তাদের সময়কাল, আগের শেষ সম্পাদন এবং ব্যর্থতার ইতিহাস অনুসারে নির্বাচন এবং অগ্রাধিকার দিতে। একটি ক্রমাগত পরিবর্তিত পরিবেশে, যেখানে নতুন টেস্ট কেস তৈরি করা হয় এবং অপ্রচলিত টেস্ট কেসগুলি মুছে ফেলা হয়, Retecs পদ্ধতিটি একটি পুরস্কার ফাংশনের নির্দেশনায় এবং পূর্ববর্তী CI চক্রগুলি পর্যবেক্ষণ করে ত্রুটি-প্রবণ পরীক্ষার ক্ষেত্রে অগ্রাধিকার দিতে শেখে। তিনটি শিল্প কেস স্টাডি থেকে প্রাপ্ত ডেটাতে Retecs প্রয়োগ করে, আমরা প্রথমবারের মতো দেখাই যে শক্তিবৃদ্ধি শিক্ষা ফলপ্রসূ স্বয়ংক্রিয় অভিযোজিত পরীক্ষার ক্ষেত্রে নির্বাচন এবং CI এবং রিগ্রেশন টেস্টিং-এ অগ্রাধিকার প্রদান করতে সক্ষম করে। …

উইজডম অফ ক্রাউডস (WOC) গুগল
জনতার জ্ঞান হল একক বিশেষজ্ঞের চেয়ে একদল ব্যক্তির সমষ্টিগত মতামত। পরিমাণ অনুমান, সাধারণ বিশ্ব জ্ঞান এবং স্থানিক যুক্তি সম্বলিত প্রশ্নগুলির একটি বৃহৎ গোষ্ঠীর সমষ্টিগত উত্তরগুলি সাধারণত গ্রুপের মধ্যে যে কোনও ব্যক্তির দেওয়া উত্তরের মতোই ভাল এবং প্রায়শই ভাল বলে দেখা গেছে। এই ঘটনার জন্য একটি ব্যাখ্যা হল যে প্রতিটি স্বতন্ত্র বিচারের সাথে যুক্ত আইডিওসিঙ্ক্রাটিক গোলমাল রয়েছে এবং বিপুল সংখ্যক প্রতিক্রিয়ার উপর গড় গ্রহণ করা এই শব্দের প্রভাবকে বাতিল করার দিকে কিছুটা এগিয়ে যাবে।[1] তথ্য যুগে এই প্রক্রিয়াটি নতুন না হলেও, উইকিপিডিয়া, ইয়াহু! উত্তর, Quora, এবং অন্যান্য ওয়েব সম্পদ যা মানুষের মতামতের উপর নির্ভর করে। জুরি দ্বারা বিচার ভিড়ের জ্ঞান হিসাবে বোঝা যায়, বিশেষ করে যখন বিকল্পের সাথে তুলনা করা হয়, বিচারক, একক বিশেষজ্ঞের দ্বারা বিচার। রাজনীতিতে, কখনও কখনও বাছাই করা হয় ভিড়ের বুদ্ধি কেমন হবে তার উদাহরণ হিসাবে। সিদ্ধান্ত গ্রহণ একটি মোটামুটি সমজাতীয় রাজনৈতিক দল বা দলের পরিবর্তে একটি বৈচিত্র্যপূর্ণ গোষ্ঠী দ্বারা ঘটবে। জ্ঞানীয় বিজ্ঞানের মধ্যে গবেষণা ভিড়ের প্রভাবের জ্ঞান এবং স্বতন্ত্র জ্ঞানের মধ্যে সম্পর্ককে মডেল করার চেষ্টা করেছে।
WoCE: Crowds তত্ত্বের জ্ঞানকে কাজে লাগিয়ে ক্লাস্টারিং এনসেম্বলের জন্য একটি কাঠামো ...

স্পারস ওয়েটেড ক্যানোনিকাল কোরিলেশন অ্যানালাইসিস (SWCCA) গুগল
$X$ এবং $Y$ দুটি ডেটা ম্যাট্রিক্স দেওয়া হয়েছে, $Xu$ এবং $Yv$ এর মধ্যে পারস্পরিক সম্পর্ককে সর্বাধিক করার জন্য স্পার্স ক্যানোনিকাল কোরিলেশন অ্যানালাইসিস (SCCA) হল দুটি স্পার্স ক্যানোনিকাল ভেক্টর $u$ এবং $v$ খোঁজা। যাইহোক, ক্লাসিক্যাল এবং স্পার্স সিসিএ মডেলগুলি ডেটা ম্যাট্রিসের সমস্ত নমুনার অবদান বিবেচনা করে এবং এইভাবে নমুনার একটি অন্তর্নিহিত নির্দিষ্ট উপসেট সনাক্ত করতে পারে না। এই লক্ষ্যে, আমরা একটি নভেল স্পারস ওয়েটেড ক্যানোনিকাল কোরিলেশন অ্যানালাইসিস (SWCCA) প্রস্তাব করি, যেখানে বিভিন্ন নমুনা নিয়মিত করার জন্য ওজন ব্যবহার করা হয়। আমরা একটি বিকল্প পুনরাবৃত্তিমূলক অ্যালগরিদম ব্যবহার করে $L_0$-নিয়মিত SWCCA ($L_0$-SWCCA) সমাধান করি। আমরা $L_0$-SWCCA প্রয়োগ করি সিন্থেটিক ডেটা এবং রিয়েল-ওয়ার্ল্ড ডেটাতে সংশ্লিষ্ট পদ্ধতির তুলনায় এর কার্যকারিতা এবং শ্রেষ্ঠত্ব প্রদর্শন করতে। সবশেষে, আমরা LASSO (নিম্নতম নিখুঁত সংকোচন এবং নির্বাচন অপারেটর) এবং গ্রুপ LASSO-এর মতো বিভিন্ন শাস্তি সহ SWCCA বিবেচনা করি এবং তিনটির বেশি ডেটা ম্যাট্রিক্সকে একীভূত করার জন্য এটিকে প্রসারিত করি। …

সময় স্ট্যাম্প:

থেকে আরো অ্যানালিটিক্সন