اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدمعايير لتمييز فوق البيانات غير المتماكلة
Criteria to Distinguish non-Isomorphism Hypergraphs
831
0 16
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
يهدف البحث إلى تمييز فوق البيانات غير المتماكلة، مثنى، مثنى، و التي لها عدد رؤوس Z, و عدد أضلاع d, معلومان. وضعت لحل هذه المسألة عدد من المعايير، متدرجة، في دقة الكشف. كما يعرض هذا البحث طريقة تجريبية لاختبار فعالية المعايير المستخدمة، و يعطي أسلوبًا لترتيبها. يعد هذا البحث ذا قيمة تطبيقية، فهو مفيد عند تصميم آلات، ونظم معقدة متغيرة البنى، و عند مقارنة مخططات التصاميم الجديدة.
The paper aims to distinguish the couple-couple non-isomorphism hypergraphs, which have a known vertexes number, Z, and sides number, d. To solve this problem a number of criteria graded in distinguishing accuracy are developed. It also presents an experimental method to test the efficiency of the used criteria. It gives a method to put them in order. This research is considered a practical because it is useful in designing of machines and variable structure complex systems, and in comparing the new patterns.
المراجع المستخدمة
د. علي جمال الدين. ١٩٨٧ . البنى التقريبية في الأنظمة متعددة الحالات. جامعة لينيغراد.
د. علي جمال الدين. خوارزمية لتعدد فوق البيانات غير المتماكلة. مجلة جامعة دمشق.
Gary Chartrand. Ortud R. Oellermann. Applied and Algorithmic Graph Theory. New York, ١٩٩٣. McGraw-Hill,Inc
قيم البحث
اقرأ أيضاً
تعمل السابقة على جيل إعادة صياغة صياغة يتم التحكم فيها بشكل كبير على بيانات إعادة صياغة مباشرة على نطاق واسع غير متوفرة بسهولة للعديد من اللغات والمجالات. في هذه الورقة، نأخذ هذا الاتجاه البحثي إلى أقصى الحدود والتحقيق فيما إذا كان من الممكن تعلم تول
يد الصياغة التي يتم التحكم فيها بموجبها مع بيانات غير صلبية. نقترح نموذج إعادة صياغة غير مدهش من غير المستنير عليه بناء على التشفير التلقائي الشرطي (VAE) يمكن أن تولد نصوص في بنية نصنية محددة. خاصة، نقوم بتصميم طريقة تعليمية من مرحلتين لتدريب النموذج بفعالية باستخدام البيانات غير الموازية. يتم تدريب VAE الشرطية على إعادة بناء جملة الإدخال وفقا للإدخال المحدد والهيكل النحامي. علاوة على ذلك، لتحسين قابلية التحكم في النحوية والاتساق الدلالي لشركة VAE الشرطية المدربة مسبقا، نحن نغتنمها باستخدام أهداف التعلم السيطرة على بناء الجملة وإعادة إعمار دورة إعادة إعمار، وتوظيف Gumbel-Softmax الجمع بين أهداف التعلم الجديدة هذه. توضح نتائج التجربة أن النموذج المقترح المدرب فقط على البيانات غير الموازية قادر على توليد صیر متنوعة مع بنية نصنية محددة. بالإضافة إلى ذلك، نحن نقوم بالتحقق من صحة فعالية طريقتنا لتوليد أمثلة خصومة النحوية على مهمة تحليل المعنويات.
بسبب ازدياد انتشار البيانات والاستخدام الواسع لمواقع التواصل الاجتماعي والتطبيقات المختلفة والتي تعتمد بشكلٍ رئيسي على العلاقات المعقّدة والمترابطة بين العديد من الكيانات التي تحتاج لنماذج محددة من قواعد البيانات من أجل القدرة على تخزينها واسترجاعها
بكفاءة وسرعة، لذلك لم تعُد قواعد البيانات العلاقاتية (Relational Databases) تفي بالغرض أو تؤدّي جميع المتطلّبات التي تحتاجها العديد من الأنظمة الموزّعة والمواقع والتطبيقات البرمجية التي تحوي قواعد معطيات كبيرة، والتي بدورها تحتاج لسرعة وسهولة في الوصول إليها وإجراء العمليات المناسبة ضمنها.
تشرح هذه الورقة بشكلٍ مختصر التحدّيات التي واجهت قواعد المعطيات العلاقاتية والطريقة التقليدية في التعامل مع البيانات، والأسباب التي أدّت للجوء إلى ما يُسمّى قواعد المعطيات غير العلاقاتية NoSQL (Not Only SQL)، بالإضافة للتطرّق إلى نظرية CAP وبعض أنواع NoSQL، مع التركيز على GraphQL كأحد تقنيات النّوع Graph.
نقترح هندسة محول الرسم البياني المتكرر للرسوم البيانية التلقائي (Rngtr) من أجل تحسين الرسوم البيانية التعسفية من خلال التطبيق العسكري لمحول الرسم البياني غير التلقائي إلى الرسم البياني وتطبيقه على تحليل التبعية النحوية.نوضح قوة وفعالية Rngtr على العد
يد من شركات التبعية، باستخدام نموذج التقييم المدرب مسبقا مع بيرت.نقدم أيضا محولات محول النحوية (Sytr)، وهي محلل غير متكرر مشابهة لنموذج التقييم الخاص بنا.يمكن Rngtr تحسين دقة مجموعة متنوعة من المحللين الأوليين في 13 لغة من التبعيات الشاملة TreeBanks والإنجليزية والصينية Benn Treebanks، والجوربوس الألماني Conll2009، وحتى تحسين النتائج الجديدة على النتائج الجديدة التي حققتها Systr، بشكل كبيرتحسين أحدث حديثة لجميع الشركات التي تم اختبارها.
حققت الترجمة الآلية العصبية غير التلقائية، التي تتحلل الاعتماد على الرموز المستهدفة السابقة من مدخلات وحدة فك التشفير، تسريع استنتاج مثير للإعجاب ولكن بتكلفة الدقة السفلى. Works السابق توظف فك تشفير تكريري لتحسين الترجمة عن طريق تطبيق تكرارات تحسين م
تعددة. ومع ذلك، فإن العيب الخطير هو أن هذه الأساليب تعرض الضعف الخطير في الاعتراف بقطع الترجمة الخاطئة. في هذه الورقة، نقترح بنية المعمارية المسماة rewritenat للتعلم صراحة إعادة كتابة قطع الترجمة الخاطئة. على وجه التحديد، يستخدم ReWritEnat وحدة تحديد المواقع لتحديد موقع تلك الخاطئة، والتي يتم تنقيحها بعد ذلك في الوحدة النمطية الصحيحة. نحو الحفاظ على اتساق توزيع البيانات مع فك التشفير التكراري، يتم استخدام استراتيجية تدريبية تكرارية لزيادة تحسين قدرة إعادة كتابة. تظهر تجارب واسعة أجريت على العديد من المعايير المستخدمة على نطاق واسع أن إعادة البيع يمكن أن تحقق أداء أفضل مع تقليل وقت فك التشفير بشكل كبير، مقارنة باستراتيجيات فك التشفير السابقة السابقة. على وجه الخصوص، يمكن إعادة كتابة النتائج التنافسية مع الترجمة التلقائية على معايير الترجمة AutoreGressive على معايير الترجمة WMT14 EN-DE، EN-FR و WMT16 RO-en.
تبسيط النص هو تقنية قيمة.ومع ذلك، يقتصر البحث الحالي على تبسيط الجملة.في هذه الورقة، نحدد والتحقيق في مهمة جديدة من تبسيط نص المستندات على مستوى المستند، والتي تهدف إلى تبسيط وثيقة تتكون من جمل متعددة.بناء على مقالب ويكيبيديا، نقوم أولا ببناء مجموعة
بيانات واسعة النطاق تسمى D-Wikipedia وأداء التحليل والتقييم البشري عليه لإظهار أن مجموعة البيانات موثوقة.بعد ذلك، نقترح مقياس تقييم تلقائي جديد يسمى D-SARI هو أكثر ملاءمة لمهمة تبسيط مستوى المستند.أخيرا، نقوم باختيار العديد من النماذج التمثيلية كطرازات أساسية لهذه المهمة وأداء التقييم التلقائي والتقييم البشري.نحن نحلل النتائج وأشرح أوجه القصور في النماذج الأساسية.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
