إن السؤال الذي يفرض نفسه على كل ذي قول يدعي أنه قول أول، أي قول فاتح طريقَه نحو الحكمة، والمعرفة الأصيلة، هو كالآتي : كيف يطمئن القائل لحقيقة قوله؟ ثم حين يدعو إلى هذه الحقيقة، كيف يدعي بكل امتلاء ويقين، أن ما يعبر عنه من مفردات القول هو عين الحقيقة وأسها؟
تم تطبيق هذه الدراسة التجريبية على منصة غوغل كولاب السحابية، من خلال تنفيذ التعليمات البرمجية والمكتبات المتطورة في لغة البايثون، قمنا بإجراء المعالجة المسبقة لبيانات بحثنا لإعداد صور الحقيقة الأرضية، ثم تدريب النموذج، تطلبت عملية التدريب والتحقق (4)
فترات، بحجم دفعة للبيانات (4) صور، تناقصت دالة الخسارة إلى حدودها الدنيا بقيمة (0.025)، واستغرق زمن التدريب ثلاث ساعات وعشرة دقائق، وذلك بالاستعانة بـوحدة معالجة الرسومات المتطورة (GPU) وذاكرة وصول عشوائي إضافية. حققنا نتائج جيدة في تقييم الدقة في صحة تنبؤات النموذج المدرب بقيمة (التقاطع إلى الاتحاد=0.953)، فتم اختباره على منطقتين مختلفين إحداهما سكنية وأخرى زراعية في مدينة اللاذقية، أظهرت النتائج أن النموذج (+DeepLabv3) المدرب في بحثنا يمكنه استخراج شبكة الطرق بدقة وفعالية، لكن أداؤه ضعيف في بعض المناطق التي تحوي أشجار بسبب تأثير الظلال على حواف الطرق، وحيث تكون الخصائص الطيفية مشابهة للطرق كأسطح بعض المباني، وهو غير صالح لاستخراج الطرق الفرعية وغير المعبدة. قدم البحث عدة توصيات بتحسين أداء النموذج (+Deeplabv3) في استخراج الطرق من صور الأقمار الصناعية عالية الدقة، بما يفيد في تحديث خرائط الطرق وأعمال التخطيط الحضري.
توفر الجداول معرفة قيمة يمكن استخدامها للتحقق من العبارات النصية. في حين أن عددا من الأعمال قد نظر في التحقق من الحقائق القائم على الطاولة، فإن المحاذاة المباشرة للبيانات الجذابية مع الرموز في البيانات النصية نادرا ما توفرها. علاوة على ذلك، فإن تدريب
نموذج التحقق من الحقائق المعممة يتطلب بيانات تدريبية ملصقة وفيرة. في هذه الورقة، نقترح نظام رواية لمعالجة هذه المشكلات. مستوحاة من السببية المتعددة، يحدد نظامنا من رجال الصمغ على مستوى الرمز في البيان مع تقدير البحار الذي يستند إلى التحقيق. يتيح تقدير Salience التعلم المعزز للتحقق من الحقائق من وجهات نظر. من منظور واحد، يقوم نظامنا بإجراء تنبؤ ممثن بالبرنامج المريح لتعزيز النموذج للمحاذاة والتفكير بين الطاولة والبيان. من المنظور الآخر، ينطبق نظامنا على توضيح تكبير البيانات الإدراك بالاستثناء لإنشاء مجموعة متنوعة من مثيلات التدريب عن طريق استبدال المصطلحات غير البارزة. تظهر النتائج التجريبية على Tabract التحسن الفعال من خلال تقنيات التعلم التي أدركها Carience المقترحة، مما يؤدي إلى أداء Sota الجديد على المعيار.
تم استخدام Growdsourcing بشكل مجيئي لتعليق مجموعات هائلة من البيانات.ومع ذلك، فإن العقبات الرئيسية التي تحول دون استخدام ملصقات من مصادر الحموشة هي ضوضاء وأخطاء من التعليقات الشرحية غير الخبراء.في هذا العمل، يقترح مقارنتين تتعامل مع الضوضاء والأخطاء
في ملصقات الحشد.يستخدم النهج الأول تقليل الحد الأدنى على علم الحدة (SAM)، وهي تقنية التحسين بقوة بالملصقات الصاخبة.ينفد النهج الآخر على أن طبقة شبكة عصبية تدعى SoftMax-Crowdlayer مصممة خصيصا للتعلم من التعليقات التوضيحية من الحشد.وفقا للنتائج، يمكن للنهج المقترحة تحسين أداء نموذج الشبكة المتبقية الواسعة ونموذج التصور متعدد الطبقات المطبقة على مجموعات بيانات المصادر في الحشد في مجال معالجة الصور.كما أنه يحتوي على نتائج مماثلة ومقارنة مع تقنية التصويت الأغلبية عند تطبيقها على مجال البيانات المتسلسل حيث يتم استخدام تمثيلات التشفير الثنائية من المحولات (Bert) كطراز أساسي في كلا الحالتين.
تعد فهم الجداول مهمة مهمة وذات صلة تتضمن فهم بنية الجدول وكذلك القدرة على مقارنة ومعلومات التباين داخل الخلايا. في هذه الورقة، نتعامل مع هذا التحدي من خلال تقديم مجموعة بيانات جديدة ومهام جديدة تعالج هذا الهدف في مهمة مشتركة في مهمة Semeval 2020 9: ا
لتحقق من الحقائق وأدلة العثور على بيانات جدولية في الوثائق العلمية (حقائق SEM-Tab-Facts). تحتوي DataSet الخاصة بنا على 981 طاولة تم إنشاؤها يدويا وحدات بيانات تم إنشاؤها تلقائيا من 1980 طاولة توفر أكثر من 180 كيلو وايت وأكثر من 16 متر من التعليقات التوضيحية. ظهرت حقائق SEM-Tab مهام فرعية. في مهمة فرعية أ، كان الهدف هو تحديد ما إذا كان بيان مدعوم أو دحض أو غير معروف فيما يتعلق بجدول. في المهمة الفرعية B، كان التركيز على تحديد الخلايا المحددة للطاولة التي توفر أدلة على البيان. 69 وقعت فرق للمشاركة في المهمة مع 19 تقارير ناجحة إلى الفرعية و 12 من عروض ناجحة إلى Subtask B. نقدم نتائجنا والنتائج الرئيسية من المسابقة.
تمت دراسة Graph Basic Knowledge (SKG) (SKGE) بشكل مكثف في السنوات الماضية.في الآونة الأخيرة، ظهرت شركة الرسم البياني للمعرفة (TKG) (TKGE).في هذه الورقة، نقترح إطار عمل تضمين الحقائق الزمنية العودية (RTFE) لإجراء عمليات زراعة النماذج إلى TKGS وتعزيز أ
داء نماذج TKGE الحالية لإكمال TKG.تختلف عن العمل السابق الذي يتجاهل استمرارية دول TKG في التطور الزمني، نتعامل مع تسلسل الرسوم البيانية كسلسلة ماركوف، والتي تحولات من الدولة السابقة إلى الحالة التالية.RTFE يأخذ Skge لتهيئة embedings of tkg.ثم تعقب Strefly State Tremition من TKG عن طريق تمرير المعلمات / ميزات محدثة بين الطوابع الزمنية.على وجه التحديد، في كل زمني، نقيب انتقال الدولة باعتباره عملية تحديث التدرج.نظرا لأن RTFE يتعلم كل طابع زمني متكرر، فيمكنه العبور بشكل طبيعي إلى الطوابع الزمنية المستقبلية.تجارب في خمس مجموعات بيانات TKG تظهر فعالية RTFE.
المجاز هو تقليد للحقيقة بصورة فنيٌة، فالحقيقة تكون مطابقة للواقع و المجاز لا يخالف
الحقيقة لكن مطابقته للواقع تكون فنيٌة ممٌا يجعل علاقاته أبلغ و أكثر إيجازا من حيث
الدٌلالات و المشاعر الٌتي تموج بها الصٌورة المجازيٌة و من هنا تكون أهمٌيٌة المجاز ف
ي
كونوه مظهرا من مظاهر الإيجاز في البلاغة فقد تناولنا في بحثنا هذا ذكر المجاز
و علاقاته في الإيجاز اللغوي الٌتي لا تنحصر في حدود البلاغة بل تتعدٌاها إلى نواح
أخرى من اللغة من خلال خلق معان جديدة و فيض شعورمي و تشريع الرٌبط بين كلمات لا
يمكن ربطها في الحقيقة.
يُعدّ العدول حدثاً أسلوبياً نال اهتماماً كبيراً من علماء اللغة القدماء و المحدثين نظراً لما يولّده من طاقات لغويّة تعبيريّة، و إبداعات فكريّة، تتخطّى السّائد و المألوف، و من أنواعه المجاز المرتكز على تجاوز النّمطيّة في التّعبير الأدبي؛ لذلك جاء هذا ا
لبحث ،ليبيّن أثر المجاز في تكوين ظاهرة العدول معتمداً على آراء بعض علماء اللغة ، و كانت نتيجة البحث أنّ المجاز عدول قائم على خرق المألوف في سنن الكلام المعياري ، ممّا يثير إعجاب المتلقّي بما يحقّقه من سمات جماليّة بلاغيّة ، و لكنّه لا يخرج خروجاً مطلقاً على قواعد اللغة ، و إنْ فضّل المبدع نمطاً تعبيرياً على آخر ، كما أنّ استخدام المجاز لا يجعله منبت الصّلة عن الحقيقة ، بل يظلّ متّصلاً بها برباط خفي دقيق ؛ لأنّه فرع منها ، و الفرع لا يفهم إلاّ من خلال الأصل ، و لا يُعرف إلاّ به .
