ترغب بنشر مسار تعليمي؟ اضغط هنا

مودولات بيير الضعيفة و الضعيفة المرافقة

Weakly Baer and Dual Weakly Baer Modules

801   0   5   0 ( 0 )
 تاريخ النشر 2017
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

يعد مفهوم مودولات بيير ذو أهمية كبيرة في نظرية الحلقات و المودولات نظرا لارتباط هذا المفهوم بالحلقات الوراثية و نصف الوراثية. لهذا السبب قمنا بتعميم هذا المفهوم تحت اسم مودولات بيير الضعيفة و دراستها.


ملخص البحث
تناولت الورقة البحثية مفهوم مودولات بيير الضعيفة والمودولات المرافقة لها، حيث تم تعميم مفهوم مودولات بيير لدراسة الحلقات الوراثية ونصف الوراثية. تم تقديم عدد من الشروط المكافئة لمودولات بيير الضعيفة، ووصف حلقة الإندومورفيزمات لهذه المودولات. كما تم تحديد الشروط التي تجعل مفهومي مودولات بيير ومودولات بيير الضعيفة متطابقين. بالإضافة إلى ذلك، تم دراسة المودولات اللتوية لمودولات بيير الضعيفة ووصف حلقة الإندومورفيزمات لهذه المودولات لأي مودول وأيضاً للمودولات الحرة. تم إثبات عدد من الخواص المهمة لهذه المودولات وتقديم تعريفات ومبرهنات جديدة في هذا السياق.
قراءة نقدية
دراسة نقدية: الورقة البحثية قدمت إسهامات مهمة في تعميم مفهوم مودولات بيير وتوسيع نطاق دراستها لتشمل مودولات بيير الضعيفة والمرافقة. ومع ذلك، يمكن أن تكون الورقة أكثر وضوحاً في شرح بعض المفاهيم المعقدة للمبتدئين في هذا المجال. كما أن الأمثلة التطبيقية قد تكون مفيدة لتوضيح كيفية استخدام هذه المفاهيم في سياقات عملية. بالإضافة إلى ذلك، يمكن تحسين تنظيم الورقة لتسهيل متابعة الأفكار الرئيسية والنتائج.
أسئلة حول البحث
  1. ما هو الهدف الرئيسي من البحث؟

    الهدف الرئيسي من البحث هو تعميم مفهوم مودولات بيير ودراسة حلقة الإندومورفيزمات لهذه المودولات وإيجاد الشروط التي تجعل مفهومي مودولات بيير ومودولات بيير الضعيفة متطابقين.

  2. ما هي الشروط المكافئة لمودولات بيير الضعيفة؟

    تم تقديم عدد من الشروط المكافئة لمودولات بيير الضعيفة، منها أن المودول M هو مودول بيير ضعيف إذا كان لأجل أي مودول جزئي N في M يحقق 0 ≠ (N) يوجد عنصر جامد مغاير للصفر e بحيث (N) ≤ e.

  3. ما هي أهمية حلقة الإندومورفيزمات في دراسة مودولات بيير الضعيفة؟

    حلقة الإندومورفيزمات تلعب دوراً مهماً في وصف وتحليل مودولات بيير الضعيفة، حيث تساعد في تحديد الشروط التي تجعل مفهومي مودولات بيير ومودولات بيير الضعيفة متطابقين، وتساهم في إثبات عدد من الخواص المهمة لهذه المودولات.

  4. كيف تم تعميم مفهوم مودولات بيير في هذه الورقة؟

    تم تعميم مفهوم مودولات بيير من خلال تقديم تعريف جديد لمودولات بيير الضعيفة ودراسة خصائصها وشروطها المكافئة، بالإضافة إلى دراسة المودولات اللتوية لهذه المودولات ووصف حلقة الإندومورفيزمات لها.


المراجع المستخدمة
Amini B & Ershad M, : " Co-retractable Modules ", J. Aust. Math. Soc. 86, (2009). 289 – 304
(Anderson F. W. & Fuller K. R: " Rings and Categories of Modules ", New York. Springer (1973
Rizvi S.T & Roman C.S: " On Direct Summand of Baer Modules ", J. Algebra, (2009), 321, (2), 682 – 696
قيم البحث

اقرأ أيضاً

سنطبق في هذا العمل طريقة دوال سبلاين غير الحدودية من الدرجة الخامسة لحل معادلة فولتيرا التكاملية الخطية من النوع الثاني ذات النواة الشاذة الضعيفة حيث قمنا بتطبيق أمثلة عددية لتوضيح هذه الطريقة و مقارنة نتائجها مع نتائج طرق عددية أخرى .
تهدف التلخيص التلقائي إلى استخراج معلومات مهمة من كميات كبيرة من البيانات النصية من أجل إنشاء إصدار أقصر من النصوص الأصلية مع الحفاظ على معلوماتها. تعتمد تدريب نماذج تلخيص الاستخراجية التقليدية بشكل كبير على الملصقات المهندسة البشرية مثل التعليقات ال توضيحية على مستوى الجملة للجدارة القصيرة. ومع ذلك، في العديد من حالات الاستخدام، فإن هذه الملصقات المهندسة البشرية غير موجودة وتشريح يدويا الآلاف من المستندات لغرض نماذج التدريب قد لا تكون ممكنة. من ناحية أخرى، غالبا ما تكون إشارات غير مباشرة للتلخيص متاحة، مثل إجراءات الوكيل لحوارات خدمة العملاء، العناوين الرئيسية للمقالات الإخبارية، التشخيص للسجلات الصحية الإلكترونية، إلخ. في هذه الورقة، نقوم بتطوير إطار عام يولد تلخيصا استخراجا نتيجة ثانوية من مهام التعلم الإشراف للإشارات غير المباشرة عبر مساعدة آلية الاهتمام. نختبر نماذجنا على حوارات خدمة العملاء ونتائج التجريبية أظهرت أن نماذجنا يمكن أن تختار بشكل موثوق الجمل والكلمات الإعلامية للتلخيص التلقائي.
تختلف استراتيجيات تحسين جودة التدريب والتنبؤ نماذج التعلم الآلي الأكثر إشرافا ضعيفا في مقدار ما يتم تصميمه إلى مهمة محددة أو متكاملة مع بنية نموذجية معينة. في هذا العمل، نقدم Knodle، وهو إطار برمجي يعامل شروح بيانات ضعيفة، ونماذج التعلم العميق، وطرق تحسين التدريب الخاضع للإشراف على أنه مكونات منفصلة وحديثة. يمنح هذا النزول عملية التدريب الوصول إلى المعلومات المحبوسة الدقيقة مثل خصائص مجموعة البيانات أو تطابقات القواعد المثيرة أو العناصر في نموذج التعلم العميق المستخدم في نهاية المطاف للتنبؤ. وبالتالي، يمكن لإطار عملنا أن يشمل مجموعة واسعة من أساليب التدريب لتحسين الإشراف الضعيف، بدءا من الأساليب التي تنظر فقط إلى ارتباطات القواعد وفئات الإخراج (بشكل مستقل عن نموذج تعلم الجهاز المدرب مع الملصقات الناتجة)، إلى تلك التي تسخير التفاعل من الشبكات العصبية والبيانات المسمى ضعيفة. نوضح الإمكانات القياسية للإطار مع مقارنة أداء العديد من التطبيقات المرجعية بشأن مجموعة مختارة من مجموعات البيانات المتوفرة بالفعل في ترنه.
تلقت تصنيف النص الإشراف ضعيف اهتماما كبيرا في السنوات الأخيرة لأنه يمكن أن يخفف من العبء الثقيل في التخلص من البيانات الضخمة. من بينها، الأساليب التي يحركها الكلمات الرئيسية هي السائدة حيث يتم استغلال الكلمات الرئيسية التي توفرها المستخدم لتوليد ملصق ات زائفة للنصوص غير المسبقة. ومع ذلك، فإن الطرق الحالية تعالج الكلمات الرئيسية بشكل مستقل، وبالتالي تجاهل الارتباط بينها، والتي ينبغي أن تكون مفيدة إذا استغلت بشكل صحيح. في هذه الورقة، نقترح إطارا جديدا يسمى ClassKG لاستكشاف ارتباط الكلمات الرئيسية الكلمة الرئيسية على الرسم البياني للكلمة الرئيسية بواسطة GNN. إطار عملنا هو عملية تكرارية. في كل تكرار، نقوم أولا بإنشاء رسم بياني للكلمات الرئيسية، لذلك يتم تحويل مهمة تعيين ملصقات زائفة إلى التسجيل عبر الكلمات الرئيسية. لتحسين جودة التعليق التوضيحي، نقدم مهمة ذاتية الإشراف على الصنع بتقسيم Annetator Sigcraph، ثم Finetune IT. باستخدام الملصقات الزائفة التي تم إنشاؤها بواسطة Annotator Siggraph، ثم تدريب مصنف نصي لتصنيف النصوص غير المسبق. أخيرا، نعيد استخراج الكلمات الرئيسية من النصوص المبوبة. تظهر تجارب واسعة النطاق على كل من مجموعات البيانات الطويلة والنص القصير أن طريقتنا تتفوق بشكل كبير على تلك الموجودة.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا