अगर आपको पहले से पता नहीं था

अगर आपको पहले से पता नहीं था

समय टिकट: 7 नवंबर, 2023 1:19 बजे
स्रोत नोड: 2969389

ग्राफ कन्वोल्यूशनल रिकरंट न्यूरल नेटवर्क (जीसीआरएनएन) गूगल
ग्राफ़ प्रक्रियाएँ कई महत्वपूर्ण समस्याओं का मॉडल तैयार करती हैं जैसे भूकंप के केंद्र की पहचान करना या मौसम की भविष्यवाणी करना। इस पेपर में, हम इन समस्याओं से निपटने के लिए विशेष रूप से तैयार किए गए एक ग्राफ कन्वोल्यूशनल रिकरंट न्यूरल नेटवर्क (जीसीआरएनएन) आर्किटेक्चर का प्रस्ताव करते हैं। जीसीआरएनएन प्रशिक्षण योग्य मापदंडों की संख्या को ग्राफ़ के आकार और विचार किए गए समय अनुक्रमों से स्वतंत्र रखने के लिए कन्वेन्शनल फ़िल्टर बैंकों का उपयोग करते हैं। हमने गेटेड जीसीआरएनएन को भी आगे रखा है, जो एलएसटीएम के समान जीसीआरएनएन का एक समय-आधारित संस्करण है। जब सिंथेटिक और वास्तविक-शब्द डेटा दोनों का उपयोग करके प्रयोगों में जीएनएन और एक अन्य ग्राफ आवर्ती वास्तुकला के साथ तुलना की जाती है, तो जीसीआरएनएन काफी कम मापदंडों का उपयोग करते हुए प्रदर्शन में काफी सुधार करते हैं। …

रीटेक्स गूगल
सतत एकीकरण (सीआई) में परीक्षण में प्रत्येक चक्र में परीक्षण मामले की प्राथमिकता, चयन और निष्पादन शामिल है। यदि प्रतिबद्ध कोड परिवर्तनों के प्रभाव पर अनिश्चितताएं हैं या, यदि कोड और परीक्षणों के बीच ट्रैसेबिलिटी लिंक उपलब्ध नहीं हैं, तो बग का पता लगाने के लिए सबसे आशाजनक परीक्षण मामलों का चयन करना कठिन है। यह पेपर रीटेक्स का परिचय देता है, जो सीआई में टेस्ट केस चयन और प्राथमिकता को स्वचालित रूप से सीखने के लिए एक नई विधि है, जिसका लक्ष्य असफल परीक्षण मामलों पर कोड कमिट और डेवलपर फीडबैक के बीच राउंड-ट्रिप समय को कम करना है। रीटेक्स विधि परीक्षण मामलों को उनकी अवधि, पिछले अंतिम निष्पादन और विफलता इतिहास के अनुसार चुनने और प्राथमिकता देने के लिए सुदृढीकरण सीखने का उपयोग करती है। लगातार बदलते परिवेश में, जहां नए परीक्षण मामले बनाए जाते हैं और अप्रचलित परीक्षण मामले हटा दिए जाते हैं, रीटेक्स विधि एक इनाम फ़ंक्शन के मार्गदर्शन में और पिछले सीआई चक्रों का अवलोकन करके त्रुटि-प्रवण परीक्षण मामलों को प्राथमिकता देना सीखती है। तीन औद्योगिक केस अध्ययनों से निकाले गए डेटा पर रीटेक्स लागू करके, हम पहली बार दिखाते हैं कि सुदृढीकरण सीखना सीआई और प्रतिगमन परीक्षण में उपयोगी स्वचालित अनुकूली परीक्षण केस चयन और प्राथमिकता को सक्षम बनाता है। …

भीड़ की बुद्धि (WOC) गूगल
भीड़ की बुद्धिमत्ता किसी एक विशेषज्ञ की बजाय व्यक्तियों के समूह की सामूहिक राय होती है। मात्रा अनुमान, सामान्य विश्व ज्ञान और स्थानिक तर्क से जुड़े प्रश्नों के एक बड़े समूह के समग्र उत्तर आम तौर पर समूह के किसी भी व्यक्ति द्वारा दिए गए उत्तर के समान और अक्सर बेहतर पाए गए हैं। इस घटना के लिए एक स्पष्टीकरण यह है कि प्रत्येक व्यक्तिगत निर्णय के साथ विशिष्ट शोर जुड़ा होता है, और बड़ी संख्या में प्रतिक्रियाओं का औसत लेने से इस शोर के प्रभाव को रद्द करने की दिशा में कुछ हद तक मदद मिलेगी।[1] यह प्रक्रिया, हालांकि सूचना युग के लिए नई नहीं है, इसे विकिपीडिया, याहू जैसी सामाजिक सूचना साइटों द्वारा मुख्यधारा की सुर्खियों में धकेल दिया गया है! उत्तर, Quora और अन्य वेब संसाधन जो मानवीय राय पर निर्भर हैं।[2] जूरी द्वारा परीक्षण को भीड़ की बुद्धिमत्ता के रूप में समझा जा सकता है, खासकर जब वैकल्पिक, एक न्यायाधीश, एकल विशेषज्ञ द्वारा परीक्षण की तुलना की जाती है। राजनीति में, कभी-कभी छँटाई को एक उदाहरण के रूप में रखा जाता है कि भीड़ की बुद्धिमत्ता कैसी होगी। निर्णय लेने की प्रक्रिया एक काफी समरूप राजनीतिक समूह या पार्टी के बजाय एक विविध समूह द्वारा की जाएगी। संज्ञानात्मक विज्ञान के भीतर अनुसंधान ने भीड़ के प्रभाव और व्यक्तिगत अनुभूति के ज्ञान के बीच संबंध को मॉडल करने की कोशिश की है।
WoCE: भीड़ सिद्धांत के ज्ञान का उपयोग करके क्लस्टरिंग समूह के लिए एक रूपरेखा ...

विरल भारित विहित सहसंबंध विश्लेषण (एसडब्ल्यूसीसीए) गूगल
दो डेटा मैट्रिक्स $X$ और $Y$ को देखते हुए, विरल विहित सहसंबंध विश्लेषण (SCCA) $Xu$ और $Yv$ के बीच सहसंबंध को अधिकतम करने के लिए दो विरल विहित वैक्टर $u$ और $v$ की तलाश करना है। हालाँकि, शास्त्रीय और विरल सीसीए मॉडल डेटा मैट्रिक्स के सभी नमूनों के योगदान पर विचार करते हैं और इस प्रकार नमूनों के अंतर्निहित विशिष्ट उपसमूह की पहचान नहीं कर सकते हैं। इस प्रयोजन के लिए, हम एक उपन्यास विरल भारित विहित सहसंबंध विश्लेषण (एसडब्ल्यूसीसीए) का प्रस्ताव करते हैं, जहां विभिन्न नमूनों को नियमित करने के लिए वजन का उपयोग किया जाता है। हम एक वैकल्पिक पुनरावृत्त एल्गोरिथ्म का उपयोग करके $L_0$-नियमित SWCCA ($L_0$-SWCCA) को हल करते हैं। हम संबंधित तरीकों की तुलना में इसकी प्रभावशीलता और श्रेष्ठता प्रदर्शित करने के लिए सिंथेटिक डेटा और वास्तविक दुनिया के डेटा पर $L_0$-SWCCA लागू करते हैं। अंत में, हम LASSO (कम से कम पूर्ण संकोचन और चयन ऑपरेटर) और समूह LASSO जैसे विभिन्न दंडों के साथ SWCCA पर भी विचार करते हैं, और इसे तीन से अधिक डेटा मैट्रिक्स को एकीकृत करने के लिए विस्तारित करते हैं। …

समय टिकट:

से अधिक एनालेटिक्‍सॉन