I
nte
rna
t
io
na
l J
o
urna
l o
f
Rec
o
nfig
ura
ble a
nd
E
m
be
dd
e
d Sy
s
t
e
m
s
(
I
J
R
E
S)
Vo
l.
15
,
No
.
2
,
J
u
ly
20
26
,
p
p
.
396
~
4
0
5
I
SS
N:
2089
-
4864
,
DOI
:
1
0
.
1
1
5
9
1
/i
j
r
es
.
v
1
5
.
i
2
.
pp
3
9
6
-
405
396
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ij
r
es.ia
esco
r
e.
co
m
A
s
c
a
l
a
b
l
e
h
y
b
r
i
d
d
e
e
p
l
e
a
r
n
i
n
g
f
r
a
m
e
wo
r
k
f
o
r
m
i
n
i
n
g
a
c
t
i
o
n
a
b
l
e
k
n
o
w
l
e
d
g
e
f
r
o
m
la
r
g
e
-
s
c
a
l
e
a
n
d
u
n
c
e
r
t
a
i
n
T
wi
t
t
e
r
d
a
t
a
Abhi
la
s
h
1
,
Sy
ed
Sira
j
Ah
m
e
d
2
1
S
c
h
o
o
l
o
f
I
n
f
o
r
mat
i
o
n
S
c
i
e
n
c
e
,
P
r
e
si
d
e
n
c
y
U
n
i
v
e
r
si
t
y
,
B
e
n
g
a
l
u
r
u
,
I
n
d
i
a
2
D
e
p
a
r
t
me
n
t
o
f
C
o
m
p
u
t
e
r
S
c
i
e
n
c
e
a
n
d
E
n
g
i
n
e
e
r
i
n
g
,
S
c
h
o
o
l
o
f
I
n
f
o
r
mat
i
o
n
S
c
i
e
n
c
e
,
P
r
e
si
d
e
n
c
y
U
n
i
v
e
r
si
t
y
,
B
e
n
g
a
l
u
r
u
,
I
n
d
i
a
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Au
g
3
1
,
2
0
2
4
R
ev
i
s
ed
Ma
r
1
7
,
2
0
2
6
A
cc
ep
ted
Ma
y
3
0
,
2
0
2
6
Ex
isti
n
g
d
e
e
p
lea
rn
in
g
a
p
p
ro
a
c
h
e
s
o
f
ten
e
x
h
ib
it
li
m
it
a
ti
o
n
s
in
c
o
n
tex
tu
a
l
c
o
m
p
re
h
e
n
sio
n
,
h
ig
h
c
o
m
p
u
tatio
n
a
l
o
v
e
rh
e
a
d
,
a
n
d
re
stricte
d
g
e
n
e
ra
li
z
a
ti
o
n
w
h
e
n
p
ro
c
e
ss
in
g
larg
e
-
s
c
a
le,
t
w
e
e
t
-
lev
e
l,
a
n
d
se
m
a
n
ti
c
a
ll
y
a
m
b
ig
u
o
u
s
tex
t.
M
o
re
o
v
e
r,
d
e
p
l
o
y
in
g
su
c
h
c
o
m
p
u
tati
o
n
a
ll
y
in
ten
siv
e
m
o
d
e
ls
in
re
a
l
-
ti
m
e
in
tern
e
t
o
f
th
i
n
g
s
(Io
T
)
-
e
n
a
b
l
e
d
m
o
n
it
o
ri
n
g
sy
ste
m
s
a
n
d
e
m
b
e
d
d
e
d
p
latf
o
rm
s
in
tro
d
u
c
e
s
a
d
d
it
i
o
n
a
l
c
o
n
stra
in
ts
re
late
d
to
late
n
c
y
,
m
e
m
o
r
y
f
o
o
tp
rin
t,
a
n
d
e
n
e
rg
y
e
ff
i
c
ien
c
y
.
T
o
a
d
d
re
ss
th
e
se
c
h
a
ll
e
n
g
e
s,
th
is
w
o
rk
p
ro
p
o
se
s
a
sc
a
lab
le
h
y
b
rid
d
e
e
p
lea
rn
in
g
f
ra
m
e
w
o
rk
(S
HD
L
F
).
T
h
e
p
ro
p
o
se
d
f
ra
m
e
w
o
rk
e
ffe
c
ti
v
e
l
y
c
a
p
tu
re
s
se
m
a
n
ti
c
,
s
y
n
tac
ti
c
,
a
n
d
tem
p
o
ra
l
d
e
p
e
n
d
e
n
c
ies
in
b
o
th
s
h
o
rt
a
n
d
lo
n
g
so
c
ial
m
e
d
ia
tex
ts
th
ro
u
g
h
a
n
o
v
e
l
in
teg
ra
ti
o
n
o
f
tran
sf
o
rm
e
r
-
b
a
se
d
re
p
re
se
n
tatio
n
s
a
n
d
a
tt
e
n
ti
o
n
-
d
riv
e
n
f
e
a
tu
re
f
u
sio
n
m
e
c
h
a
n
is
m
s.
T
h
e
a
rc
h
it
e
c
tu
re
is
d
e
sig
n
e
d
w
it
h
a
m
o
d
u
lar
a
n
d
p
a
ra
ll
e
li
z
a
b
le
stru
c
tu
re
t
o
f
a
c
il
it
a
te
h
a
rd
w
a
re
-
a
w
a
r
e
o
p
ti
m
iza
ti
o
n
a
n
d
p
o
ten
ti
a
l
d
e
p
lo
y
m
e
n
t
o
n
e
m
b
e
d
d
e
d
a
n
d
re
c
o
n
f
ig
u
ra
b
le
c
o
m
p
u
ti
n
g
p
latf
o
rm
s,
e
n
a
b
li
n
g
e
f
f
ici
e
n
t
e
d
g
e
-
lev
e
l
p
ro
c
e
ss
in
g
o
f
h
ig
h
-
v
e
lo
c
it
y
Tw
it
te
r
stre
a
m
s.
Ex
ten
siv
e
e
x
p
e
ri
m
e
n
tal
e
v
a
lu
a
ti
o
n
s
c
o
n
d
u
c
ted
o
n
a
larg
e
b
e
n
c
h
m
a
rk
Tw
it
ter
d
a
tas
e
t
d
e
m
o
n
stra
te
th
a
t
S
HD
L
F
c
o
n
siste
n
tl
y
o
u
tp
e
rf
o
rm
s
sta
te
-
of
-
th
e
-
a
rt
m
o
d
e
ls,
in
c
lu
d
in
g
c
o
n
v
o
l
u
ti
o
n
a
l
n
e
u
ra
l
n
e
tw
o
rk
(CNN
),
b
i
d
irec
ti
o
n
a
l
lo
n
g
sh
o
rt
-
term
m
e
m
o
r
y
(Bi
L
S
T
M
),
a
n
d
b
a
se
li
n
e
b
i
d
irec
ti
o
n
a
l
e
n
c
o
d
e
r
re
p
re
se
n
tatio
n
s
f
ro
m
tran
s
f
o
r
m
e
r
s
(BERT
)
-
b
a
se
d
a
rc
h
it
e
c
tu
re
s,
in
ter
m
s
o
f
a
c
c
u
ra
c
y
,
F
1
-
sc
o
re
,
a
n
d
ro
b
u
st
n
e
ss
u
n
d
e
r
n
o
isy
c
o
n
d
it
io
n
s.
T
h
e
re
su
lt
s
c
o
n
f
irm
th
a
t
S
HD
L
F
o
ffe
rs
a
ro
b
u
st,
sc
a
lab
le,
a
n
d
c
o
m
p
u
tatio
n
a
ll
y
e
ff
icie
n
t
so
lu
ti
o
n
f
o
r
e
x
trac
ti
n
g
re
li
a
b
le
se
n
ti
m
e
n
t
in
sig
h
ts
f
ro
m
n
o
isy
a
n
d
d
y
n
a
m
ic
a
ll
y
e
v
o
lv
in
g
so
c
ial
m
e
d
ia d
a
ta.
K
ey
w
o
r
d
s
:
Dete
ctio
n
E
f
f
icien
tNetB
7
Ma
ch
i
n
e
lear
n
i
n
g
P
r
ed
ictio
n
YOL
O
v
8
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
A
b
h
ilas
h
Sch
o
o
l o
f
I
n
f
o
r
m
atio
n
Scie
n
ce
,
P
r
esid
en
cy
U
n
i
v
er
s
it
y
I
ttag
allp
u
r
a
,
B
en
g
al
u
r
u
-
5
6
0
0
6
4
,
Kar
n
atak
a,
I
n
d
ia
E
m
ail:
p
r
o
f
.
ab
h
ila
s
h
h
p
@
g
m
ai
l.c
o
m
1.
I
NT
RO
D
UCT
I
O
N
So
cial
m
ed
ia
p
latf
o
r
m
s
h
a
v
e
b
ec
o
m
e
i
n
d
is
p
en
s
ab
le
ch
an
n
el
s
f
o
r
r
ea
l
-
ti
m
e
in
f
o
r
m
atio
n
d
is
s
e
m
i
n
atio
n
in
th
e
co
n
te
m
p
o
r
ar
y
d
ig
ital
e
co
s
y
s
te
m
.
Am
o
n
g
th
ese
p
lat
f
o
r
m
s
,
T
w
it
ter
s
tan
d
s
o
u
t
d
u
e
to
its
m
ass
iv
e
u
s
er
b
ase,
r
ap
id
in
f
o
r
m
atio
n
p
r
o
p
a
g
atio
n
,
a
n
d
r
o
le
as
a
p
r
i
m
ar
y
m
ed
iu
m
f
o
r
r
ep
o
r
tin
g
u
n
f
o
ld
in
g
e
v
e
n
ts
.
D
u
r
i
n
g
cr
itical
s
itu
a
tio
n
s
s
u
c
h
as
n
a
tu
r
al
d
is
aster
s
,
s
o
cial
m
o
v
e
m
en
ts
,
p
u
b
lic
s
a
f
et
y
i
n
cid
e
n
ts
,
an
d
p
u
b
lic
h
ea
lth
e
m
er
g
e
n
cies,
T
w
i
tter
u
s
er
s
f
r
eq
u
en
tl
y
ac
t
as
o
n
-
t
h
e
-
g
r
o
u
n
d
s
en
s
o
r
s
,
s
h
ar
in
g
f
ir
s
t
h
an
d
o
b
s
er
v
atio
n
s
,
n
ee
d
s
,
an
d
s
it
u
atio
n
al
u
p
d
ates
i
n
r
ea
l
ti
m
e.
T
h
is
co
n
ti
n
u
o
u
s
s
tr
ea
m
o
f
u
s
er
-
g
e
n
er
ated
co
n
te
n
t
p
r
o
v
id
es
a
v
alu
ab
le
o
p
p
o
r
tu
n
it
y
f
o
r
ex
tr
ac
tin
g
s
it
u
atio
n
al
a
w
a
r
e
n
es
s
an
d
ac
tio
n
ab
le
in
tellig
e
n
ce
th
at
ca
n
s
u
p
p
o
r
t
tim
el
y
d
ec
i
s
io
n
-
m
ak
in
g
b
y
g
o
v
e
r
n
m
en
ts
,
em
e
r
g
en
cy
r
e
s
p
o
n
d
e
r
s
,
h
u
m
an
it
a
r
i
an
o
r
g
a
n
i
z
a
ti
o
n
s
,
an
d
h
e
a
lt
h
c
a
r
e
a
u
th
o
r
it
i
es
[
1
]
–
[
4
]
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
s
ca
la
b
le
h
yb
r
id
d
ee
p
lea
r
n
i
n
g
fr
a
mewo
r
k
fo
r
min
in
g
a
ctio
n
a
b
le
kn
o
w
led
g
e
fr
o
m
…
(
A
b
h
ila
s
h
)
397
A
ctio
n
ab
le
k
n
o
w
led
g
e
r
ef
er
s
to
in
f
o
r
m
atio
n
th
at
ca
n
b
e
d
ir
ec
tl
y
u
til
ized
to
g
u
id
e
o
p
er
atio
n
al
o
r
s
tr
ateg
ic
d
ec
is
io
n
s
.
I
n
cr
is
is
s
c
en
ar
io
s
,
ex
a
m
p
le
s
in
cl
u
d
e
id
en
ti
f
y
in
g
t
w
ee
ts
th
a
t
r
ep
o
r
t
in
f
r
astru
ct
u
r
e
d
am
a
g
e,
r
eq
u
ests
f
o
r
m
ed
ical
ass
i
s
ta
n
ce
,
s
h
o
r
tag
e
s
o
f
ess
en
t
ial
s
u
p
p
lies
,
o
r
in
d
iv
id
u
al
s
tr
ap
p
ed
in
h
az
ar
d
o
u
s
co
n
d
itio
n
s
.
W
h
e
n
ef
f
ec
ti
v
el
y
ex
tr
ac
ted
an
d
s
tr
u
ct
u
r
ed
,
s
u
c
h
in
f
o
r
m
atio
n
ca
n
s
ig
n
i
f
ica
n
tl
y
en
h
a
n
ce
r
esp
o
n
s
e
co
o
r
d
in
atio
n
,
r
eso
u
r
ce
allo
ca
tio
n
,
an
d
s
itu
a
tio
n
al
p
r
io
r
itizati
o
n
.
Ho
w
e
v
er
,
d
esp
ite
its
p
o
ten
tial
v
alu
e,
m
i
n
in
g
ac
tio
n
ab
le
k
n
o
w
led
g
e
f
r
o
m
T
w
it
ter
d
ata
r
em
ain
s
a
ch
allen
g
i
n
g
an
d
n
o
n
-
tr
iv
ial
task
d
u
e
to
th
e
in
tr
in
s
i
c
ch
ar
ac
ter
is
tic
s
o
f
s
o
cial
m
ed
ia
tex
t a
n
d
t
h
e
d
y
n
a
m
ic
n
at
u
r
e
o
f
o
n
li
n
e
d
is
co
u
r
s
e
[
5
]
–
[
7
]
.
On
e
o
f
th
e
f
o
r
e
m
o
s
t
ch
alle
n
g
es
is
th
e
v
o
lu
m
e
an
d
v
elo
cit
y
o
f
d
ata.
B
illi
o
n
s
o
f
t
w
ee
ts
ar
e
g
en
er
ated
d
ail
y
,
o
f
ten
i
n
s
h
o
r
t
b
u
r
s
ts
d
u
r
in
g
m
aj
o
r
ev
en
ts
,
cr
ea
ti
n
g
h
i
g
h
l
y
d
y
n
a
m
ic
,
an
d
lar
g
e
-
s
ca
le
d
ata
s
tr
ea
m
s
.
P
r
o
ce
s
s
in
g
s
u
c
h
d
ata
i
n
r
ea
l
ti
m
e
r
eq
u
ir
es
s
ca
lab
le
ar
c
h
itect
u
r
es
ca
p
ab
le
o
f
h
a
n
d
lin
g
h
i
g
h
th
r
o
u
g
h
p
u
t
w
it
h
o
u
t
co
m
p
r
o
m
is
i
n
g
a
n
al
y
tical
ac
cu
r
ac
y
.
T
r
ad
itio
n
al
b
atch
-
o
r
ien
t
ed
o
r
co
m
p
u
ta
tio
n
all
y
in
ten
s
i
v
e
m
o
d
els
s
tr
u
g
g
l
e
to
o
p
er
ate
ef
f
icien
tl
y
u
n
d
er
th
ese
co
n
d
itio
n
s
,
li
m
it
in
g
t
h
eir
p
r
ac
tical
ap
p
licab
ilit
y
i
n
ti
m
e
-
s
en
s
iti
v
e
s
ce
n
ar
io
s
.
I
n
m
o
d
er
n
s
m
ar
t
-
cit
y
a
n
d
d
is
a
s
ter
-
m
o
n
i
to
r
in
g
i
n
f
r
a
s
tr
u
ct
u
r
es
,
T
w
i
tter
s
tr
ea
m
s
ar
e
i
n
cr
ea
s
i
n
g
l
y
i
n
teg
r
ated
w
it
h
in
ter
n
e
t
o
f
th
i
n
g
s
(
I
o
T
)
ec
o
s
y
s
te
m
s
,
w
h
er
e
s
o
cial
m
ed
ia
f
e
ed
s
co
m
p
le
m
e
n
t
p
h
y
s
ical
s
e
n
s
o
r
d
ata
to
en
h
an
ce
s
itu
a
tio
n
al
a
w
ar
en
e
s
s
.
Ho
w
e
v
er
,
tr
an
s
m
itti
n
g
h
i
g
h
-
v
elo
cit
y
te
x
t
u
al
s
tr
ea
m
s
to
ce
n
tr
ali
ze
d
clo
u
d
s
er
v
er
s
in
tr
o
d
u
ce
s
late
n
c
y
,
b
an
d
w
id
t
h
o
v
er
h
ea
d
,
an
d
p
r
iv
ac
y
co
n
ce
r
n
s
.
C
o
n
s
eq
u
e
n
tl
y
,
t
h
er
e
is
a
g
r
o
w
in
g
n
ee
d
to
en
ab
le
r
ea
l
-
ti
m
e
in
f
er
en
ce
at
t
h
e
ed
g
e,
u
s
i
n
g
e
m
b
ed
d
ed
an
d
r
eso
u
r
ce
-
co
n
s
tr
ai
n
ed
p
latf
o
r
m
s
.
Dep
lo
y
i
n
g
d
e
ep
lear
n
in
g
m
o
d
els
i
n
s
u
ch
e
n
v
i
r
o
n
m
e
n
ts
r
eq
u
ir
es
ca
r
ef
u
l
co
n
s
id
er
atio
n
o
f
m
e
m
o
r
y
f
o
o
tp
r
in
t,
co
m
p
u
tatio
n
a
l
co
m
p
le
x
it
y
,
p
o
w
er
co
n
s
u
m
p
t
io
n
,
an
d
h
ar
d
w
ar
e
p
ar
alleliz
atio
n
ca
p
ab
ilit
ies.
T
h
ese
co
n
s
tr
ain
t
s
n
ec
e
s
s
i
tate
h
ar
d
w
ar
e
-
a
w
ar
e
m
o
d
el
d
esig
n
to
en
s
u
r
e
co
m
p
atib
il
it
y
w
i
th
e
m
b
ed
d
ed
p
r
o
ce
s
s
o
r
s
,
s
y
s
te
m
-
on
-
ch
ip
(
So
C
)
ar
ch
itect
u
r
es,
an
d
r
ec
o
n
f
ig
u
r
a
b
le
co
m
p
u
tin
g
p
lat
f
o
r
m
s
.
An
o
th
er
m
aj
o
r
ch
alle
n
g
e
lies
in
th
e
n
o
i
s
e
an
d
u
n
ce
r
tai
n
t
y
i
n
h
er
e
n
t
in
T
w
itter
d
ata.
T
w
ee
t
s
ar
e
t
y
p
icall
y
i
n
f
o
r
m
al,
co
n
tai
n
i
n
g
s
la
n
g
,
ab
b
r
ev
iatio
n
s
,
m
i
s
s
p
ellin
g
s
,
e
m
o
j
is
,
an
d
in
co
n
s
is
ten
t
g
r
a
m
m
at
ical
s
tr
u
ct
u
r
es.
A
d
d
itio
n
all
y
,
s
o
cia
l
m
ed
ia
p
latf
o
r
m
s
ar
e
r
if
e
w
it
h
s
p
a
m
,
m
is
in
f
o
r
m
at
io
n
,
r
u
m
o
r
s
,
an
d
s
u
b
j
ec
tiv
e
o
p
in
io
n
s
,
w
h
ic
h
f
u
r
t
h
er
o
b
s
cu
r
e
m
ea
n
i
n
g
f
u
l
s
i
g
n
al
s
.
L
i
n
g
u
i
s
tic
a
m
b
i
g
u
i
t
y
,
s
ar
ca
s
m
,
an
d
i
m
p
licit
r
ef
er
e
n
ce
s
o
f
ten
m
a
k
e
i
t d
if
f
ic
u
lt
to
ac
cu
r
atel
y
i
n
f
er
u
s
er
i
n
te
n
t o
r
t
h
e
tr
u
e
s
e
m
a
n
tic
m
ea
n
i
n
g
o
f
a
m
e
s
s
ag
e.
T
h
ese
f
ac
to
r
s
co
llectiv
el
y
d
eg
r
ad
e
th
e
p
er
f
o
r
m
a
n
ce
o
f
co
n
v
e
n
tio
n
al
n
at
u
r
al
lan
g
u
ag
e
p
r
o
ce
s
s
in
g
(
N
L
P
)
an
d
s
e
n
ti
m
en
t
an
al
y
s
is
tec
h
n
iq
u
e
s
,
p
ar
ticu
lar
l
y
th
o
s
e
th
at
r
el
y
o
n
s
u
r
f
ac
e
-
le
v
el
f
ea
tu
r
es o
r
s
tatic
r
ep
r
esen
t
atio
n
s
[
8
]
–
[
1
2
]
.
T
o
a
d
d
r
ess
th
ese
c
h
alle
n
g
es
,
th
is
p
ap
er
p
r
o
p
o
s
es
a
s
ca
l
ab
le
h
y
b
r
id
d
ee
p
lear
n
i
n
g
f
r
a
m
e
w
o
r
k
(
SHDL
F)
f
o
r
ac
tio
n
ab
le
k
n
o
w
led
g
e
ex
tr
ac
tio
n
f
r
o
m
T
w
it
ter
d
ata.
T
h
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
i
n
tr
o
d
u
ce
s
a
n
o
v
el
h
ier
ar
ch
ical
h
y
b
r
id
izati
o
n
s
tr
ate
g
y
th
a
t
e
n
ab
les
p
ar
all
el
lear
n
i
n
g
o
f
co
m
p
le
m
e
n
tar
y
s
e
m
a
n
tic,
s
y
n
tact
ic,
an
d
te
m
p
o
r
al
f
ea
t
u
r
es.
T
r
an
s
f
o
r
m
er
-
b
ased
e
m
b
ed
d
in
g
s
ar
e
e
m
p
lo
y
ed
f
o
r
r
ich
co
n
tex
tu
al
r
ep
r
esen
tatio
n
,
w
h
ile
s
eq
u
en
tial
an
d
lo
ca
l
f
ea
t
u
r
e
ex
tr
ac
to
r
s
o
p
er
ate
in
p
ar
allel
to
ca
p
tu
r
e
b
o
th
g
lo
b
al
d
ep
e
n
d
en
cie
s
an
d
f
i
n
e
-
g
r
ai
n
ed
p
atter
n
s
.
T
h
is
d
esig
n
m
iti
g
ates
th
e
li
m
itatio
n
s
o
f
s
in
g
le
-
m
o
d
el
ar
ch
itect
u
r
es
an
d
en
h
an
ce
s
r
ep
r
esen
tatio
n
al
r
o
b
u
s
t
n
es
s
ac
r
o
s
s
d
iv
er
s
e
t
w
ee
t
le
n
g
th
s
an
d
co
n
ten
t
t
y
p
e
s
.
B
e
y
o
n
d
p
r
ed
ictiv
e
ac
c
u
r
ac
y
,
t
h
e
ar
ch
itect
u
r
al
d
esig
n
o
f
SHD
L
F
e
m
p
h
a
s
izes
m
o
d
u
lar
it
y
a
n
d
p
ar
allel
f
ea
tu
r
e
ex
tr
ac
t
io
n
,
m
a
k
in
g
it
a
m
en
ab
le
to
h
ar
d
w
ar
e
-
le
v
el
o
p
ti
m
izatio
n
.
T
h
e
p
ar
allel
c
o
n
v
o
lu
t
io
n
al
n
eu
r
al
n
et
w
o
r
k
(
C
NN)
an
d
s
e
q
u
en
tial
m
o
d
elin
g
b
r
an
ch
es
ca
n
b
e
i
n
d
ep
en
d
en
tl
y
i
n
s
ta
n
tiated
o
r
r
ec
o
n
f
ig
u
r
ed
d
ep
en
d
in
g
o
n
av
a
ilab
le
co
m
p
u
tatio
n
a
l
r
eso
u
r
ce
s
,
f
ac
ilit
at
in
g
d
ep
lo
y
m
e
n
t
o
n
f
i
eld
-
p
r
o
g
r
a
m
m
ab
le
g
ate
ar
r
ay
(
FP
GA
)
-
b
ased
ac
ce
ler
ato
r
s
,
h
eter
o
g
e
n
eo
u
s
So
C
p
latf
o
r
m
s
,
o
r
ed
g
e
ar
ti
f
icial
i
n
telli
g
e
n
ce
(
A
I
)
d
ev
ices.
S
u
c
h
s
tr
u
ct
u
r
al
f
lex
ib
ilit
y
s
u
p
p
o
r
ts
s
ca
lab
le
i
n
f
er
en
ce
u
n
d
er
v
ar
y
i
n
g
late
n
c
y
an
d
r
eso
u
r
ce
co
n
s
tr
ai
n
ts
,
t
h
er
eb
y
alig
n
in
g
t
h
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
w
it
h
t
h
e
r
eq
u
ir
e
m
en
ts
o
f
r
ec
o
n
f
i
g
u
r
ab
l
e
an
d
e
m
b
ed
d
ed
in
tellig
e
n
t s
y
s
te
m
s
f
o
r
r
ea
l
-
t
i
m
e
s
o
cial
s
i
g
n
al
an
al
y
tics
.
T
h
e
n
o
v
elt
y
o
f
t
h
e
p
r
o
p
o
s
ed
SHDL
F
f
r
a
m
e
w
o
r
k
lie
s
in
s
ev
er
al
k
e
y
asp
ec
ts
.
F
ir
s
t,
th
e
h
y
b
r
id
ar
ch
itect
u
r
e
s
y
n
er
g
is
t
icall
y
in
t
eg
r
ates tr
a
n
s
f
o
r
m
er
-
b
ased
co
n
tex
t
u
al
e
m
b
ed
d
i
n
g
s
w
it
h
b
id
ir
ec
tio
n
al
lo
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
y
(
B
i
L
ST
M)
-
b
as
ed
s
eq
u
en
tia
l
m
o
d
eli
n
g
,
e
n
a
b
lin
g
t
h
e
s
i
m
u
lta
n
eo
u
s
ca
p
t
u
r
e
o
f
lo
n
g
-
r
an
g
e
s
e
m
a
n
tic
d
ep
en
d
e
n
cies
a
n
d
te
m
p
o
r
al
p
atter
n
s
i
n
s
h
o
r
t,
n
o
is
y
s
o
cial
m
ed
ia
te
x
t
s
.
Seco
n
d
,
th
e
atte
n
tio
n
-
d
r
i
v
en
f
ea
t
u
r
e
f
u
s
io
n
m
ec
h
a
n
is
m
s
el
ec
tiv
el
y
e
m
p
h
asize
s
ac
tio
n
-
o
r
ien
ted
to
k
e
n
s
,
i
m
p
r
o
v
i
n
g
d
ete
ctio
n
o
f
cr
itical
a
n
d
s
en
ti
m
e
n
t
-
r
elev
a
n
t
co
n
te
n
t.
T
h
ir
d
,
th
e
f
r
a
m
e
w
o
r
k
i
n
co
r
p
o
r
ates
u
n
ce
r
tai
n
t
y
m
o
d
eli
n
g
to
h
an
d
le
n
o
is
y
,
a
m
b
ig
u
o
u
s
,
o
r
in
co
m
p
le
te
d
at
a,
w
h
ic
h
is
o
f
te
n
p
r
ese
n
t
i
n
r
e
al
-
ti
m
e
T
w
i
tter
s
tr
ea
m
s
.
Fo
u
r
t
h
,
t
h
e
h
ier
ar
c
h
ical
an
d
m
o
d
u
lar
d
esi
g
n
allo
w
s
s
c
alab
le
tr
ain
in
g
a
n
d
in
f
er
en
ce
o
n
lar
g
e
d
ataset
s
,
w
it
h
p
o
ten
t
ial
d
ep
lo
y
m
e
n
t
o
n
r
eso
u
r
ce
-
co
n
s
tr
ain
ed
e
m
b
ed
d
ed
o
r
I
o
T
p
latf
o
r
m
s
.
Fi
n
all
y
,
th
e
p
r
o
p
o
s
ed
en
d
-
to
-
e
n
d
p
ip
elin
e
—
f
r
o
m
d
ata
p
r
ep
r
o
ce
s
s
in
g
to
class
i
f
icat
io
n
—
o
f
f
er
s
a
u
n
i
f
ied
,
r
ep
r
o
d
u
cib
le
ap
p
r
o
ac
h
th
at
co
m
b
i
n
es
s
e
m
a
n
tic,
s
y
n
tactic,
an
d
te
m
p
o
r
al
f
ea
t
u
r
e
lear
n
i
n
g
,
s
ettin
g
it a
p
ar
t f
r
o
m
e
x
i
s
tin
g
NL
P
an
d
h
y
b
r
id
d
e
ep
lear
n
in
g
m
o
d
els.
2.
L
I
T
E
R
AT
U
RE
R
E
VI
E
W
E
ar
ly
T
w
itter
m
in
in
g
s
t
u
d
ies
p
r
ed
o
m
in
a
n
tl
y
r
elied
o
n
s
h
a
llo
w
m
ac
h
in
e
lear
n
i
n
g
m
o
d
el
s
s
u
ch
a
s
s
u
p
p
o
r
t
v
ec
to
r
m
ac
h
i
n
es,
N
aïv
e
B
a
y
e
s
,
an
d
r
a
n
d
o
m
f
o
r
ests
,
w
h
ic
h
r
eq
u
ir
ed
ex
te
n
s
i
v
e
m
an
u
al
f
ea
t
u
r
e
en
g
i
n
ee
r
i
n
g
a
n
d
ex
h
ib
ited
li
m
ited
r
o
b
u
s
tn
ess
to
n
o
is
e,
s
e
m
a
n
tic
a
m
b
i
g
u
it
y
,
a
n
d
lar
g
e
-
s
ca
l
e
d
ata
s
tr
ea
m
s
[
1
]
–
[
4
]
.
T
h
ese
ap
p
r
o
ac
h
es
w
er
e
lar
g
el
y
i
n
e
f
f
ec
tiv
e
i
n
ca
p
tu
r
i
n
g
co
n
tex
t
u
al
s
e
m
a
n
tic
s
an
d
ev
o
lv
i
n
g
la
n
g
u
a
g
e
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
396
-
4
0
5
398
p
atter
n
s
,
r
estricti
n
g
t
h
eir
ap
p
licab
ilit
y
to
s
m
all
o
r
s
tatic
d
ata
s
ets
[
5
]
–
[
7
]
.
T
h
e
ad
v
en
t
o
f
d
ee
p
lear
n
in
g
m
ar
k
ed
a
s
ig
n
if
ican
t
ad
v
a
n
ce
m
en
t,
w
it
h
C
N
Ns,
r
ec
u
r
r
en
t
n
e
u
r
a
l
n
et
w
o
r
k
s
(
R
N
Ns)
,
lo
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
ies
(
L
ST
Ms)
,
an
d
B
iL
ST
Ms
e
n
ab
lin
g
au
to
m
ated
f
ea
t
u
r
e
lear
n
in
g
an
d
i
m
p
r
o
v
ed
s
en
t
i
m
en
t
class
i
f
icat
io
n
ac
cu
r
ac
y
,
t
y
p
ical
l
y
r
a
n
g
i
n
g
b
et
w
ee
n
8
8
%
an
d
9
2
%
[
8
]
–
[
1
1
]
.
Nev
er
th
eless
,
t
h
ese
m
o
d
el
s
r
e
m
ai
n
ed
d
o
m
ai
n
-
d
ep
en
d
en
t,
co
m
p
u
tat
io
n
all
y
i
n
ten
s
i
v
e,
a
n
d
in
s
u
f
f
icie
n
tl
y
eq
u
ip
p
ed
to
ad
d
r
ess
u
n
ce
r
tai
n
t
y
a
n
d
co
n
ce
p
t
d
r
if
t
i
n
s
o
cial
m
ed
ia
tex
t
[
8
]
,
[
11
]
,
[
1
2
]
.
T
o
o
v
er
co
m
e
in
d
iv
i
d
u
a
l
m
o
d
el
li
m
itat
io
n
s
,
h
y
b
r
id
d
ee
p
lear
n
in
g
ar
ch
itect
u
r
es
co
m
b
in
i
n
g
C
N
Ns
w
i
th
L
ST
M
o
r
B
iL
ST
M
w
er
e
p
r
o
p
o
s
ed
to
j
o
in
tl
y
ca
p
tu
r
e
lo
ca
l
lex
ical
p
atter
n
s
an
d
lo
n
g
-
r
an
g
e
d
ep
en
d
en
cie
s
,
ac
h
ie
v
i
n
g
ac
c
u
r
ac
y
i
m
p
r
o
v
e
m
en
t
s
u
p
to
9
2
%
[
9
]
,
[
10
]
,
[
1
3
]
–
[
1
5
]
.
Desp
ite
th
ese
g
ain
s
,
m
o
s
t
h
y
b
r
id
m
o
d
els
w
er
e
tailo
r
ed
to
s
p
ec
if
ic
d
o
m
ai
n
s
s
u
ch
as
h
ea
lt
h
ca
r
e
o
r
co
r
o
n
av
ir
u
s
d
is
ea
s
e
2
0
1
9
(
C
OVI
D
-
19)
an
al
y
s
i
s
,
lack
ed
s
ca
lab
ilit
y
e
v
al
u
atio
n
s
f
o
r
co
n
tin
u
o
u
s
T
w
it
te
r
s
tr
ea
m
s
,
ig
n
o
r
ed
u
n
ce
r
tai
n
t
y
m
o
d
eli
n
g
,
a
n
d
r
ar
el
y
tr
an
s
lated
p
r
ed
ictio
n
s
in
to
ac
tio
n
ab
le
in
s
i
g
h
ts
[
1
0
]
,
[
12
]
,
[
1
6
]
–
[
1
8
]
.
P
ar
allel
ef
f
o
r
t
s
f
o
c
u
s
ed
o
n
s
ca
lab
ilit
y
t
h
r
o
u
g
h
d
is
tr
ib
u
ted
an
d
Had
o
o
p
-
b
ased
d
ee
p
lear
n
in
g
f
r
a
m
e
wo
r
k
s
d
e
m
o
n
s
tr
ated
i
m
p
r
o
v
ed
p
r
o
ce
s
s
in
g
ca
p
ac
it
y
f
o
r
lar
g
e
t
w
ee
t
v
o
lu
m
e
s
b
u
t
w
er
e
li
m
ited
to
s
in
g
le
-
ta
s
k
cl
ass
i
f
icatio
n
an
d
d
id
n
o
t
ad
eq
u
atel
y
ad
d
r
ess
s
e
m
a
n
tic
n
o
is
e
o
r
o
p
in
io
n
d
y
n
a
m
ics
[
1
9
]
–
[
2
3
]
.
A
lth
o
u
g
h
g
e
n
er
ic
s
ca
lab
le
d
ee
p
lear
n
in
g
m
o
d
els
f
o
r
h
i
g
h
-
d
i
m
en
s
io
n
al
d
ata
an
al
y
tics
h
av
e
b
ee
n
p
r
o
p
o
s
ed
,
th
e
y
w
er
e
n
o
t
ex
p
licitl
y
d
esig
n
ed
f
o
r
T
w
i
tter
-
s
p
ec
if
ic
c
h
alle
n
g
e
s
s
u
c
h
as
lin
g
u
is
t
ic
a
m
b
i
g
u
it
y
,
b
r
ev
it
y
,
an
d
te
m
p
o
r
al
s
e
m
a
n
t
ic
s
h
i
f
t
s
[
2
4
]
–
[
2
8
]
.
A
d
d
r
ess
i
n
g
u
n
ce
r
tai
n
t
y
,
a
li
m
i
ted
s
e
t o
f
s
t
u
d
ies e
x
p
lo
r
ed
f
u
z
z
y
lo
g
ic
i
n
teg
r
atio
n
,
u
n
ce
r
tai
n
k
n
o
w
led
g
e
g
r
ap
h
s
,
an
d
h
u
m
a
n
-
in
-
t
h
e
-
lo
o
p
ap
p
r
o
a
ch
es,
w
h
ic
h
i
m
p
r
o
v
ed
in
ter
p
r
etab
ilit
y
b
u
t
s
u
f
f
er
ed
f
r
o
m
w
ea
k
au
to
m
atio
n
,
p
o
o
r
s
ca
lab
ilit
y
,
o
r
lack
o
f
in
te
g
r
ati
o
n
w
ith
s
en
t
i
m
e
n
t
a
n
d
o
p
in
io
n
m
in
i
n
g
.
Mo
r
e
r
ec
en
t
r
esear
ch
ex
te
n
d
ed
T
w
i
tter
an
al
y
tics
b
e
y
o
n
d
s
e
n
ti
m
en
t
to
task
s
s
u
ch
as
e
m
o
t
io
n
d
etec
tio
n
,
b
eh
av
io
r
an
al
y
s
is
,
ev
e
n
t
id
en
ti
f
icatio
n
,
an
d
f
ak
e
n
e
w
s
d
etec
tio
n
,
ac
h
ie
v
i
n
g
h
i
g
h
tas
k
-
s
p
ec
i
f
ic
ac
c
u
r
ac
y
,
p
ar
ticu
lar
l
y
w
it
h
tr
a
n
s
f
o
r
m
er
-
b
ased
m
o
d
els.
Ho
w
e
v
er
,
t
h
ese
ap
p
r
o
ac
h
es
ty
p
icall
y
o
p
er
ated
in
is
o
latio
n
,
av
o
id
ed
m
u
ltit
a
s
k
lear
n
in
g
,
an
d
f
ailed
to
in
teg
r
ate
s
en
ti
m
e
n
t,
to
p
ic
r
elev
a
n
ce
,
a
m
b
ig
u
it
y
,
a
n
d
tr
u
s
t
w
o
r
th
i
n
es
s
i
n
to
u
n
i
f
ied
,
d
ec
is
io
n
-
s
u
p
p
o
r
t
–
o
r
ien
ted
k
n
o
w
led
g
e
ex
tr
ac
tio
n
f
r
a
m
e
w
o
r
k
s
.
2
.
1
.
Resea
rc
h g
a
ps
Desp
ite
n
o
tab
le
p
r
o
g
r
es
s
,
s
e
v
er
al
r
esear
ch
g
ap
s
r
e
m
ai
n
.
E
x
is
t
in
g
m
o
d
els
i
n
ad
eq
u
ate
l
y
b
alan
ce
s
ca
lab
ilit
y
an
d
s
e
m
a
n
tic
i
n
tel
lig
e
n
ce
f
o
r
lar
g
e,
co
n
ti
n
u
o
u
s
T
w
it
ter
s
tr
ea
m
s
.
H
y
b
r
id
ar
c
h
itect
u
r
es
ar
e
o
f
te
n
d
o
m
ai
n
-
s
p
ec
i
f
ic
a
n
d
lac
k
g
e
n
e
r
aliza
tio
n
.
U
n
ce
r
tain
t
y
m
o
d
eli
n
g
is
r
ar
el
y
i
n
te
g
r
ated
d
ee
p
l
y
w
it
h
s
e
n
ti
m
en
t
an
d
o
p
in
io
n
m
i
n
i
n
g
.
Mo
s
t
ap
p
r
o
ac
h
es
tr
ea
t
s
e
n
ti
m
e
n
t,
to
p
ic
d
etec
tio
n
,
m
is
in
f
o
r
m
at
io
n
,
an
d
tr
u
s
t
an
al
y
s
i
s
as
is
o
lated
task
s
,
li
m
i
tin
g
ac
tio
n
ab
le
in
s
i
g
h
t
g
en
er
at
io
n
.
Fu
r
t
h
er
m
o
r
e,
p
r
ed
ictio
n
s
ar
e
s
eld
o
m
tr
an
s
f
o
r
m
ed
in
to
o
p
er
atio
n
all
y
m
ea
n
in
g
f
u
l
k
n
o
w
led
g
e
f
o
r
r
ea
l
-
ti
m
e
d
ec
is
io
n
-
m
ak
in
g
a
n
d
e
v
alu
a
tio
n
s
ar
e
co
m
m
o
n
l
y
co
n
d
u
cted
o
n
s
tatic
d
ataset
s
,
n
e
g
lecti
n
g
co
n
ce
p
t
d
r
if
t
a
n
d
ev
o
l
v
i
n
g
la
n
g
u
a
g
e.
T
h
ese
li
m
ita
tio
n
s
m
o
tiv
ate
th
e
p
r
o
p
o
s
ed
SHD
L
F a
s
a
s
ca
lab
le,
u
n
ce
r
tai
n
t
y
-
a
w
ar
e,
m
u
l
titas
k
f
r
a
m
e
w
o
r
k
f
o
r
ac
tio
n
ab
le
T
w
itter
an
al
y
tics
.
3.
M
E
T
H
O
D
T
h
i
s
s
e
ct
i
o
n
p
r
e
s
en
ts
th
e
p
r
o
p
o
s
e
d
S
H
DL
F
f
o
r
r
o
b
u
s
t
an
d
a
c
t
i
o
n
a
b
l
e
s
en
tim
en
t
an
d
o
p
i
n
io
n
m
i
n
in
g
f
r
o
m
T
w
it
t
e
r
d
a
t
a
.
T
h
e
f
r
am
ew
o
r
k
is
d
e
s
i
g
n
e
d
t
o
jo
in
t
ly
a
d
d
r
e
s
s
th
e
ch
al
l
en
g
es
o
f
s
em
an
ti
c
am
b
ig
u
i
ty
,
n
o
i
s
e,
s
c
a
l
a
b
i
l
ity
,
a
n
d
c
o
n
t
ex
t
s
p
a
r
s
i
ty
th
at
a
r
e
i
n
h
e
r
en
t
in
s
h
o
r
t
s
o
c
i
a
l
m
e
d
i
a
t
ex
ts
.
Fig
u
r
e
1
i
llu
s
t
r
a
t
es
th
e
o
v
e
r
al
l
w
o
r
k
f
l
o
w
o
f
t
h
e
p
r
o
p
o
s
e
d
SHD
L
F
m
o
d
e
l
,
h
ig
h
lig
h
t
in
g
th
e
en
d
-
to
-
en
d
p
i
p
e
l
in
e
f
r
o
m
r
a
w
tw
ee
t
in
g
es
t
i
o
n
t
o
f
in
a
l
s
en
t
im
en
t
c
la
s
s
if
i
ca
t
i
o
n
.
A
s
s
h
o
w
n
in
Fig
u
r
e
1
,
SH
DL
F
in
t
eg
r
a
t
es
t
r
an
s
f
o
r
m
e
r
-
b
a
s
e
d
c
o
n
t
ex
tu
a
l
r
e
p
r
e
s
e
n
t
a
ti
o
n
l
e
a
r
n
in
g
w
ith
s
e
q
u
en
ti
a
l
m
o
d
eli
n
g
an
d
a
t
t
en
t
i
o
n
-
d
r
iv
en
f
e
a
tu
r
e
f
u
s
i
o
n
,
en
a
b
l
in
g
ef
f
e
c
ti
v
e
e
x
tr
a
c
t
i
o
n
o
f
b
o
t
h
l
o
c
al
a
n
d
g
l
o
b
a
l
s
em
an
ti
c
p
a
t
t
e
r
n
s
w
h
i
le
m
a
in
t
ain
in
g
s
c
al
a
b
i
li
ty
f
o
r
l
a
r
g
e
-
s
c
al
e
T
w
it
t
e
r
s
t
r
e
am
s
.
Fig
u
r
e
1
.
Mo
d
el
ar
ch
itectu
r
e
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
s
ca
la
b
le
h
yb
r
id
d
ee
p
lea
r
n
i
n
g
fr
a
mewo
r
k
fo
r
min
in
g
a
ctio
n
a
b
le
kn
o
w
led
g
e
fr
o
m
…
(
A
b
h
ila
s
h
)
399
T
h
e
p
r
o
ce
s
s
in
g
p
ip
elin
e
b
e
g
i
n
s
w
i
th
t
w
ee
t
p
r
ep
r
o
ce
s
s
in
g
a
n
d
to
k
en
izatio
n
,
f
o
llo
w
ed
b
y
co
n
tex
t
u
al
e
m
b
ed
d
in
g
g
e
n
er
atio
n
u
s
i
n
g
a
tr
an
s
f
o
r
m
er
en
co
d
er
.
T
h
ese
em
b
ed
d
i
n
g
s
ar
e
th
e
n
p
as
s
ed
to
a
B
iL
ST
M
la
y
er
to
m
o
d
el
b
id
ir
ec
tio
n
al
s
eq
u
e
n
tia
l
d
ep
en
d
en
cies.
An
atten
ti
o
n
m
ec
h
a
n
i
s
m
i
s
ap
p
lied
to
em
p
h
asize
s
e
m
a
n
ticall
y
an
d
ac
tio
n
-
o
r
ien
ted
to
k
e
n
s
,
an
d
th
e
ag
g
r
e
g
ated
t
w
ee
t
r
ep
r
esen
tat
io
n
is
f
i
n
all
y
cla
s
s
i
f
ie
d
u
s
in
g
a
So
f
t
M
ax
-
b
ased
o
u
tp
u
t
lay
er
.
T
h
is
h
ier
a
r
ch
ical
an
d
m
o
d
u
lar
d
esig
n
allo
w
s
SHD
L
F
to
r
em
ai
n
co
m
p
u
tatio
n
all
y
e
f
f
i
cie
n
t
w
h
ile
ac
h
iev
in
g
s
u
p
er
io
r
r
ep
r
e
s
en
tat
io
n
al
p
o
w
er
co
m
p
ar
ed
t
o
s
tan
d
alo
n
e
d
ee
p
lear
n
in
g
ar
c
h
itect
u
r
es.
3
.
1
.
M
o
del a
rc
hite
ct
ure
T
h
e
SHDL
F
ar
ch
itect
u
r
e
co
n
s
is
ts
o
f
f
o
u
r
m
aj
o
r
co
m
p
o
n
en
t
s
,
ea
ch
co
n
tr
ib
u
tin
g
to
a
s
p
ec
i
f
ic
asp
ec
t
o
f
s
e
m
a
n
tic
u
n
d
er
s
tan
d
i
n
g
a
n
d
r
o
b
u
s
tn
es
s
:
3
.
1
.
1
.
T
o
k
eniza
t
io
n a
nd
pre
p
ro
ce
s
s
ing
R
a
w
t
w
ee
ts
ar
e
f
ir
s
t
clea
n
e
d
an
d
n
o
r
m
alize
d
th
r
o
u
g
h
s
tan
d
ar
d
p
r
ep
r
o
ce
s
s
in
g
s
tep
s
,
in
clu
d
i
n
g
to
k
en
izat
io
n
,
lo
w
er
ca
s
i
n
g
,
r
e
m
o
v
al
o
f
u
n
i
f
o
r
m
r
eso
u
r
ce
l
o
ca
to
r
s
(
UR
L
s
)
,
m
en
t
io
n
s
,
h
ash
ta
g
s
,
e
m
o
j
is
(
i
f
r
eq
u
ir
ed
)
,
an
d
o
th
er
n
o
i
s
y
ar
t
if
ac
ts
.
S
u
b
-
w
o
r
d
to
k
e
n
izatio
n
i
s
e
m
p
lo
y
ed
to
h
a
n
d
le
o
u
t
-
of
-
v
o
ca
b
u
lar
y
ter
m
s
an
d
in
f
o
r
m
al
la
n
g
u
a
g
e
co
m
m
o
n
l
y
o
b
s
er
v
ed
in
T
w
i
tter
d
ata.
T
h
is
s
tep
en
s
u
r
es
co
n
s
is
ten
c
y
a
n
d
r
ed
u
ce
s
lin
g
u
i
s
tic
s
p
ar
s
i
t
y
.
3
.
1
.
2
.
T
ra
ns
f
o
r
m
er
-
ba
s
e
d c
o
nte
x
t
ua
l e
m
be
dd
ing
la
y
er
T
h
e
p
r
ep
r
o
ce
s
s
ed
to
k
en
s
ar
e
m
ap
p
ed
in
to
d
en
s
e,
co
n
tex
tu
alize
d
em
b
ed
d
in
g
s
u
s
i
n
g
a
tr
an
s
f
o
r
m
er
en
co
d
er
.
Un
li
k
e
s
tatic
w
o
r
d
e
m
b
ed
d
i
n
g
s
,
tr
an
s
f
o
r
m
er
r
ep
r
esen
tat
io
n
s
d
y
n
a
m
icall
y
en
co
d
e
ea
ch
to
k
en
b
ased
o
n
its
s
u
r
r
o
u
n
d
i
n
g
co
n
te
x
t
t
h
r
o
u
g
h
s
el
f
-
a
tten
tio
n
m
ec
h
a
n
is
m
s
.
T
h
is
allo
w
s
t
h
e
m
o
d
el
to
ca
p
tu
r
e
l
o
n
g
-
r
an
g
e
d
ep
en
d
en
cies,
s
e
m
a
n
tic
n
u
a
n
ce
s
,
an
d
co
n
tex
tu
al
s
h
i
f
ts
w
it
h
in
s
h
o
r
t
t
w
ee
t
s
,
w
h
ic
h
ar
e
c
r
itical
f
o
r
ac
cu
r
ate
s
en
ti
m
e
n
t a
n
d
o
p
in
io
n
in
ter
p
r
etatio
n
.
3
.
1
.
3
.
B
idi
re
ct
io
na
l lo
ng
s
ho
r
t
-
t
er
m
m
e
m
o
ry
-
ba
s
ed
s
e
qu
e
ntia
l
m
o
de
lin
g
la
y
er
T
o
f
u
r
th
er
m
o
d
el
te
m
p
o
r
a
l
an
d
s
eq
u
en
tial
d
ep
en
d
e
n
cies,
t
h
e
co
n
tex
t
u
al
e
m
b
ed
d
in
g
s
ar
e
p
r
o
ce
s
s
ed
b
y
a
B
i
L
ST
M
n
et
w
o
r
k
.
T
h
e
f
o
r
w
ar
d
L
ST
M
ca
p
tu
r
es
d
ep
e
n
d
en
cie
s
f
r
o
m
p
ast
to
k
en
s
,
wh
ile
t
h
e
b
ac
k
w
ar
d
L
ST
M
ca
p
tu
r
es
d
ep
en
d
e
n
cies
f
r
o
m
f
u
t
u
r
e
to
k
e
n
s
.
B
y
co
n
c
aten
ati
n
g
t
h
e
h
id
d
en
s
ta
tes
f
r
o
m
b
o
th
d
ir
ec
tio
n
s
,
th
e
B
i
L
ST
M
p
r
o
d
u
ce
s
en
r
ich
ed
to
k
e
n
-
le
v
el
r
ep
r
ese
n
tatio
n
s
t
h
at
p
r
eser
v
e
s
e
n
ti
m
en
t
f
l
o
w
a
n
d
co
n
tex
tu
a
l
co
h
er
en
ce
ac
r
o
s
s
th
e
t
w
ee
t.
3
.
1
.
4
.
At
t
ent
io
n
-
ba
s
ed
f
ea
t
ur
e
f
us
io
n a
nd
cla
s
s
if
ica
t
io
n
An
atten
tio
n
m
ec
h
a
n
is
m
is
ap
p
lied
o
v
er
th
e
B
iL
ST
M
o
u
t
p
u
t
s
to
ass
ig
n
h
i
g
h
er
i
m
p
o
r
tan
ce
to
s
en
ti
m
e
n
t
-
b
ea
r
in
g
an
d
ac
tio
n
-
tr
ig
g
er
i
n
g
to
k
e
n
s
.
T
h
is
e
n
ab
le
s
th
e
m
o
d
el
to
s
elec
ti
v
el
y
f
o
c
u
s
o
n
in
f
o
r
m
ati
v
e
w
o
r
d
s
w
h
i
le
s
u
p
p
r
ess
in
g
n
o
i
s
e.
T
h
e
r
esu
lti
n
g
w
e
ig
h
ted
r
ep
r
esen
tat
io
n
is
a
g
g
r
e
g
ated
in
to
a
f
ix
ed
-
le
n
g
t
h
t
w
ee
t
v
ec
t
o
r
,
w
h
ic
h
is
th
e
n
p
ass
ed
to
a
f
u
ll
y
co
n
n
ec
ted
la
y
er
f
o
llo
w
ed
b
y
a
So
f
t
M
ax
clas
s
if
ier
to
p
r
ed
ict
s
en
ti
m
e
n
t
class
es (
p
o
s
iti
v
e,
n
e
g
ati
v
e,
o
r
n
eu
tr
al)
.
3
.
2
.
M
a
t
he
m
a
t
ica
l f
o
r
m
ula
t
i
o
n
W
e
r
ep
r
esen
t
a
tw
ee
t
as
an
o
r
d
er
ed
s
eq
u
en
ce
o
f
to
k
en
s
,
ea
ch
w
h
ic
h
is
a
w
o
r
d
o
r
s
u
b
-
w
o
r
d
u
n
it
o
b
tain
ed
th
r
o
u
g
h
p
r
ep
r
o
ce
s
s
in
g
(
to
k
e
n
izat
io
n
an
d
n
o
r
m
ali
za
tio
n
)
.
T
h
e
s
eq
u
en
ce
f
o
r
m
k
ee
p
s
th
e
w
o
r
d
o
r
d
er
n
ec
es
s
ar
y
f
o
r
th
e
co
n
te
x
tu
a
l u
n
d
er
s
tan
d
i
n
g
.
=
{
1
,
2
,
3
,
…
,
}
T
h
e
tr
an
s
f
o
r
m
er
e
n
co
d
er
m
a
p
s
th
e
to
k
e
n
s
eq
u
e
n
ce
to
co
n
tex
tu
al
ized
e
m
b
ed
d
in
g
s
.
E
ac
h
to
k
e
n
i
s
r
ep
r
esen
ted
as
a
d
-
d
i
m
en
s
i
o
n
al
v
ec
to
r
t
h
at
u
s
es
s
el
f
-
a
t
ten
tio
n
to
m
o
d
el
lo
ca
l
an
d
g
lo
b
al
co
n
tex
tu
al
in
f
o
r
m
atio
n
.
T
h
ese
r
ep
r
esen
ta
tio
n
s
w
ill
b
e
d
if
f
er
en
t
d
y
n
a
m
i
ca
ll
y
d
ep
en
d
in
g
o
n
th
e
s
u
r
r
o
u
n
d
in
g
to
k
en
s
in
th
e
t
w
ee
t,
u
n
lik
e
s
tatic
e
m
b
ed
d
i
n
g
s
.
=
(
)
,
∈
ℝ
×
T
h
e
co
n
tex
t
em
b
ed
d
in
g
s
ar
e
p
r
o
ce
s
s
ed
in
b
o
th
th
e
f
o
r
w
ar
d
an
d
b
ac
k
w
ar
d
p
ass
es
b
y
th
e
B
iL
ST
M.
T
h
o
u
g
h
t
h
e
b
ac
k
w
ar
d
L
ST
M
is
ca
p
tu
r
i
n
g
th
e
co
n
tex
t
o
f
t
h
e
f
u
t
u
r
e
p
ar
t
o
f
t
h
e
te
x
t,
th
e
f
o
r
w
ar
d
L
ST
M
i
s
ca
p
tu
r
in
g
th
e
co
n
tex
t
o
f
th
e
p
ast
p
ar
t
b
ased
o
n
th
e
p
r
ev
io
u
s
w
o
r
d
s
.
A
b
e
tter
s
e
m
a
n
tic
r
e
p
r
esen
tatio
n
o
f
t
h
e
w
o
r
d
is
en
ab
led
b
y
co
n
ca
ten
a
tin
g
th
e
h
id
d
en
s
tate
s
o
f
th
e
L
ST
Ms,
w
h
ic
h
is
s
ig
n
i
f
ica
n
tl
y
i
n
f
o
r
m
ati
v
e
in
th
e
co
n
tex
t o
f
ca
p
tu
r
in
g
t
h
e
t
w
ee
t
tex
t
'
s
s
en
t
i
m
e
n
t
f
lo
w
.
ℎ
⃗
⃗
⃗
=
(
)
,
ℎ
⃖
⃗
⃗
⃗
=
(
)
,
ℎ
=
(
ℎ
⃗
⃗
⃗
;
ℎ
⃖
⃗
⃗
⃗
)
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
396
-
4
0
5
400
A
tte
n
tio
n
m
ec
h
a
n
is
m
:
e
v
er
y
w
o
r
d
r
ep
r
esen
tatio
n
i
s
ascr
ib
ed
a
w
ei
g
h
t
o
f
i
m
p
o
r
ta
n
ce
,
,
b
y
t
h
e
atten
tio
n
m
ec
h
an
i
s
m
.
T
h
e
tr
ain
ab
ilit
y
o
f
co
n
tex
t
v
ec
to
r
is
en
d
o
w
ed
w
ith
t
h
e
ca
p
ac
it
y
to
f
o
cu
s
o
n
w
o
r
d
s
o
f
s
e
m
a
n
tic
i
m
p
o
r
ta
n
ce
,
s
u
c
h
as
p
h
r
ases
co
n
v
e
y
i
n
g
o
p
i
n
io
n
.
T
h
e
s
u
m
o
f
all
atte
n
tio
n
v
alu
es
is
o
n
e
d
u
e
to
th
e
ap
p
licatio
n
o
f
th
e
So
f
tMa
x
f
u
n
ctio
n
.
=
e
xp
(
ℎ
)
∑
e
xp
(
ℎ
)
=
1
Ag
g
r
eg
atio
n
o
f
t
w
ee
t
-
le
v
el
f
ea
tu
r
es:
a
f
ix
ed
-
len
g
t
h
r
ep
r
esen
tat
io
n
f
o
r
a
t
w
ee
t
is
g
en
er
ated
b
y
ca
lcu
lati
n
g
th
e
w
ei
g
h
ted
s
u
m
o
f
h
id
d
en
s
tate
s
at
th
e
to
k
e
n
lev
el.
T
h
e
m
o
d
el
f
o
cu
s
es
m
o
r
e
o
n
ce
r
tain
to
k
en
s
w
it
h
h
ig
h
er
atten
tio
n
w
e
ig
h
t
s
,
ef
f
ec
t
iv
el
y
ig
n
o
r
in
g
n
o
is
e
to
k
en
s
an
d
f
o
c
u
s
i
n
g
o
n
s
i
g
n
i
f
ican
t
to
k
en
s
f
o
r
s
en
ti
m
e
n
ts
o
r
o
p
in
io
n
s
.
=
∑
=
1
ℎ
C
las
s
i
f
icatio
n
u
s
in
g
So
f
tMa
x
la
y
er
:
a
f
u
ll
y
l
in
k
ed
la
y
er
i
s
a
p
p
lied
n
ex
t
to
t
h
e
o
v
er
all
t
w
e
et
v
ec
to
r
.
T
h
is
is
f
o
llo
w
ed
b
y
a
So
f
tM
ax
la
y
er
.
T
h
is
p
r
o
d
u
ce
s
a
p
r
o
b
ab
ilit
y
d
is
tr
ib
u
tio
n
f
o
r
th
e
C
tar
g
et
class
e
s
—
p
o
s
itiv
e,
n
e
g
ati
v
e,
an
d
n
e
u
tr
al
—
o
v
er
th
e
o
v
er
all
t
w
ee
t v
ec
to
r
.
=
(
+
)
Op
ti
m
izi
n
g
m
o
d
els
w
it
h
ca
teg
o
r
ical
cr
o
s
s
-
e
n
tr
o
p
y
lo
s
s
:
ca
teg
o
r
ical
cr
o
s
s
-
e
n
tr
o
p
y
ca
n
b
e
u
s
ed
to
m
ea
s
u
r
e
a
d
i
f
f
er
en
ce
b
et
w
ee
n
an
ac
t
u
al
lab
el
d
is
tr
ib
u
tio
n
a
n
d
an
ex
p
ec
ted
p
r
o
b
ab
ilit
y
̂
.
B
y
r
ed
u
cin
g
th
i
s
lo
s
s
,
cla
s
s
if
ica
tio
n
ac
c
u
r
ac
y
i
n
cr
ea
s
es,
as h
i
g
h
er
o
d
d
s
ar
e
g
iv
en
to
th
e
co
r
r
ec
t c
lass
b
y
t
h
e
m
o
d
el.
ℒ
=
−
∑
=
1
l
og
(
̂
)
T
h
is
ap
p
r
o
ac
h
m
a
k
es
a
n
e
f
f
ec
tiv
e
t
w
itter
r
ep
r
esen
ta
tio
n
f
o
r
o
p
tim
ized
u
t
ilizi
n
g
cr
o
s
s
-
en
tr
o
p
y
lo
s
s
i
n
o
p
tim
a
l
clas
s
i
f
icatio
n
b
y
i
n
t
eg
r
atin
g
co
n
tex
t
-
a
w
ar
e
tr
a
n
s
f
o
r
m
er
f
ea
t
u
r
e
e
m
b
ed
d
in
g
s
,
m
o
d
elled
B
i
L
ST
M
s
eq
u
en
ce
s
f
o
r
ca
p
tu
r
in
g
d
ep
en
d
en
c
y
,
a
n
d
atten
tio
n
m
ec
h
a
n
is
m
f
o
r
w
e
ig
h
ti
n
g
th
e
f
ea
t
u
r
es.
T
h
e
co
m
p
lete
SHD
L
F tr
ai
n
in
g
p
ip
elin
e
i
s
p
r
esen
ted
i
n
A
lg
o
r
it
h
m
1
.
A
l
g
o
r
ith
m
1
.
SHD
L
F
tr
ai
n
i
n
g
p
r
o
ce
d
u
r
e
I
n
p
u
t: T
w
itter
d
ataset
=
{
(
,
)
}
=
1
Ou
tp
u
t: T
r
ain
ed
SHDL
F
m
o
d
el
−
T
w
ee
t
p
r
ep
r
o
ce
s
s
in
g
b
y
to
k
e
n
izatio
n
,
n
o
r
m
a
lizatio
n
,
a
n
d
r
em
o
v
i
n
g
n
o
is
y
d
ata
,
−
C
r
ea
te
co
n
tex
tu
al
e
m
b
ed
d
in
g
s
u
s
i
n
g
t
h
e
tr
an
s
f
o
r
m
er
en
co
d
er
,
−
Usi
n
g
B
i
L
ST
M,
ex
tr
ac
t seq
u
e
n
ce
f
e
at
u
r
es
,
−
C
alcu
late
th
e
a
g
g
r
e
g
ated
r
ep
r
esen
tat
io
n
an
d
atte
n
tio
n
w
eig
h
t
s
,
−
C
ateg
o
r
ize
an
d
d
eter
m
i
n
e
lo
s
s
,
−
T
o
u
p
d
ate
th
e
p
ar
am
eter
s
,
u
s
e
th
e
A
d
a
m
o
p
ti
m
izer
,
−
R
ep
ea
t step
s
2
–
7
u
n
til co
n
v
er
g
en
ce
cr
iter
ia
ar
e
s
ati
s
f
ied
.
.
3
.
3
.
Ana
ly
s
is
o
f
c
o
m
p
uta
t
io
na
l c
o
m
p
lex
it
y
L
et
b
e
th
e
e
m
b
ed
d
in
g
d
i
m
e
n
s
io
n
,
ℎ
b
e
th
e
h
id
d
en
s
ize,
b
e
th
e
n
u
m
b
er
o
f
C
NN
f
ilter
s
,
a
n
d
b
e
th
e
len
g
t
h
o
f
t
h
e
t
w
ee
t
:
−
T
r
an
s
f
o
r
m
er
e
m
b
ed
d
in
g
:
(
2
)
(
s
elf
-
atten
tio
n
)
,
−
B
iL
ST
M
la
y
er
:
(
ℎ
2
)
,
−
C
NN
f
ea
tu
r
e
e
x
tr
ac
tio
n
:
(
)
,
−
A
tte
n
tio
n
m
ec
h
a
n
is
m
:
(
ℎ
)
.
E
ac
h
t
w
ee
t
'
s
to
tal
ti
m
e
co
m
p
l
ex
it
y
is
:
(
2
+
ℎ
2
+
)
.
SHDL
F
is
ap
p
r
o
p
r
i
ate
f
o
r
r
ea
l
-
ti
m
e
an
d
b
atch
-
le
v
el
lar
g
e
-
s
ca
le
T
w
it
ter
an
al
y
tics
s
i
n
ce
f
i
n
e
-
t
u
n
i
n
g
is
d
o
n
e
o
n
s
h
o
r
ten
ed
t
w
ee
t
len
g
t
h
s
d
esp
ite
th
e
q
u
ad
r
atic
T
r
an
s
f
o
r
m
er
co
s
t.
Fro
m
a
h
ar
d
w
ar
e
d
ep
lo
y
m
e
n
t
p
er
s
p
ec
tiv
e,
th
e
m
o
d
u
lar
s
tr
u
ct
u
r
e
o
f
SHD
L
F
e
n
ab
l
es
p
ar
tial
p
ar
alleliza
tio
n
an
d
r
eso
u
r
ce
-
a
w
ar
e
m
ap
p
in
g
o
n
to
e
m
b
ed
d
ed
an
d
r
ec
o
n
f
ig
u
r
ab
le
p
latf
o
r
m
s
.
T
h
e
tr
an
s
f
o
r
m
er
e
m
b
ed
d
in
g
s
ta
g
e
ca
n
b
e
e
x
ec
u
ted
u
s
i
n
g
o
p
ti
m
ized
m
atr
ix
-
m
u
lt
ip
licatio
n
ac
ce
ler
ato
r
s
,
w
h
i
l
e
th
e
B
iLST
M
an
d
atten
tio
n
m
o
d
u
le
s
ca
n
b
e
p
ip
elin
ed
to
r
ed
u
ce
laten
c
y
.
S
in
ce
t
w
ee
t
s
ar
e
s
h
o
r
t
(
t
y
p
icall
y
n
<5
0
)
,
th
e
q
u
ad
r
atic
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
s
ca
la
b
le
h
yb
r
id
d
ee
p
lea
r
n
i
n
g
fr
a
mewo
r
k
fo
r
min
in
g
a
ctio
n
a
b
le
kn
o
w
led
g
e
fr
o
m
…
(
A
b
h
ila
s
h
)
401
s
elf
-
atte
n
tio
n
co
m
p
lex
it
y
r
e
m
ain
s
b
o
u
n
d
ed
an
d
f
ea
s
ib
le
f
o
r
ed
g
e
in
f
er
en
ce
.
F
u
r
t
h
er
m
o
r
e,
th
e
s
ep
ar
atio
n
o
f
co
n
tex
t
u
al
e
m
b
ed
d
in
g
an
d
s
eq
u
en
t
ial
m
o
d
eli
n
g
la
y
er
s
allo
ws
f
le
x
ib
le
d
ep
lo
y
m
e
n
t
s
tr
ate
g
i
es,
in
cl
u
d
in
g
ed
g
e
-
clo
u
d
p
ar
titi
o
n
in
g
,
FP
G
A
-
b
as
ed
ac
ce
ler
atio
n
o
f
co
n
v
o
lu
tio
n
al
o
r
atten
tio
n
co
m
p
o
n
e
n
t
s
,
an
d
lo
w
-
p
o
w
er
So
C
ex
ec
u
t
io
n
f
o
r
r
ea
l
-
ti
m
e
I
o
T
-
in
teg
r
ated
s
i
tu
a
tio
n
al
m
o
n
i
to
r
in
g
s
y
s
te
m
s
.
4.
RE
SU
L
T
AND
DI
SCUS
SI
O
N
T
h
e
d
atasets
e
m
p
lo
y
ed
in
t
h
e
ex
p
er
i
m
e
n
ts
ar
e
th
e
s
tan
d
a
r
d
b
en
ch
m
ar
k
d
ata
s
ets
f
o
r
th
e
task
o
f
d
etec
tin
g
t
h
e
s
en
t
i
m
e
n
t
o
f
T
w
itter
.
A
cc
u
r
ac
y
,
p
r
ec
is
io
n
,
r
ec
all,
an
d
F1
-
s
co
r
e
ar
e
th
e
m
etr
i
cs
e
m
p
lo
y
ed
in
th
e
ex
p
er
i
m
e
n
ts
to
ev
al
u
ate
t
h
e
p
er
f
o
r
m
an
ce
o
f
t
h
e
m
o
d
els
.
C
NN,
B
i
L
ST
M,
B
E
R
T
,
a
n
d
C
NN.
Fo
r
ea
ch
ev
alu
a
tio
n
m
etr
ic,
th
e
p
r
o
p
o
s
ed
SHDL
F
m
o
d
el
p
er
f
o
r
m
s
co
m
p
ar
ati
v
el
y
b
etter
t
h
an
t
h
e
tr
an
s
f
o
r
m
er
-
b
ased
b
aselin
es,
s
i
m
p
le
d
ee
p
lear
n
in
g
,
a
n
d
tr
ad
itio
n
al
m
ac
h
i
n
e
lear
n
in
g
m
eth
o
d
s
.
Mo
s
t
n
o
ticea
b
ly
,
S
HD
L
F
i
m
p
r
o
v
es
o
v
er
f
i
n
e
-
t
u
n
ed
B
E
R
T
b
y
a
m
ar
g
in
o
f
1
-
2
%
ab
s
o
lu
te
F1
-
s
co
r
e,
i
m
p
l
y
i
n
g
t
h
at
s
i
m
p
l
y
u
s
i
n
g
co
n
tex
t
u
al
e
m
b
ed
d
i
n
g
s
f
ail
s
t
o
en
co
d
e
th
e
r
eq
u
ir
ed
s
em
a
n
tics
ass
o
ciate
d
w
it
h
ac
tio
n
ab
i
lit
y
o
n
t
h
eir
o
w
n
.
SHD
L
F
o
u
tp
er
f
o
r
m
s
C
NN
–
B
iL
ST
M
co
m
b
in
atio
n
s
i
n
ter
m
s
o
f
r
ec
all,
w
h
ich
i
s
an
i
m
p
o
r
tan
t
r
eq
u
ir
e
m
e
n
t
f
o
r
cr
is
is
a
n
d
e
m
er
g
en
c
y
r
esp
o
n
s
e
s
y
s
te
m
s
,
a
n
d
p
r
o
v
es
it
s
e
f
f
e
ctiv
e
n
ess
in
o
v
er
co
m
i
n
g
f
alse
n
e
g
ativ
e
s
.
T
ab
le
1
p
r
esen
ts
a
co
m
p
ar
ati
v
e
p
er
f
o
r
m
an
ce
an
al
y
s
is
o
f
clas
s
ical,
d
e
ep
lear
n
in
g
,
an
d
tr
a
n
s
f
o
r
m
er
-
b
ased
m
o
d
els o
n
th
e
C
r
is
i
s
L
e
x
T
2
6
d
ataset.
Fig
u
r
e
2
illu
s
tr
ates
t
h
e
co
n
f
u
s
io
n
m
a
tr
ix
o
f
t
h
e
p
r
o
p
o
s
ed
SHDL
F
m
o
d
el,
s
h
o
w
i
n
g
a
s
tr
o
n
g
co
n
ce
n
tr
atio
n
o
f
p
r
ed
ictio
n
s
alo
n
g
t
h
e
d
iag
o
n
al.
T
h
is
in
d
icate
s
h
ig
h
clas
s
i
f
ic
atio
n
ac
cu
r
ac
y
w
i
th
m
i
n
i
m
al
m
i
s
clas
s
if
icatio
n
ac
r
o
s
s
s
en
ti
m
e
n
t
class
e
s
,
co
n
f
ir
m
i
n
g
t
h
e
r
o
b
u
s
tn
es
s
an
d
s
tab
ilit
y
o
f
th
e
m
o
d
el
i
n
h
an
d
li
n
g
class
-
le
v
el
v
ar
iatio
n
s
w
it
h
i
n
th
e
d
ata
s
et.
Fig
u
r
e
3
d
ep
icts
th
e
r
ec
eiv
er
o
p
er
atin
g
ch
ar
ac
ter
is
tic
(
R
O
C
)
cu
r
v
e
f
o
r
t
h
e
S
HD
L
F
m
o
d
el
,
ac
h
iev
i
n
g
an
ar
ea
u
n
d
er
th
e
cu
r
v
e
(
A
U
C
)
o
f
0
.
9
6
.
T
h
e
h
ig
h
A
U
C
v
al
u
e
r
ef
lects
ex
ce
lle
n
t
d
is
cr
i
m
i
n
a
tiv
e
ca
p
ab
ilit
y
a
n
d
in
d
icate
s
t
h
at
t
h
e
m
o
d
el
ef
f
e
ctiv
el
y
d
is
ti
n
g
u
is
h
es
b
et
w
ee
n
p
o
s
itiv
e
a
n
d
n
e
g
ati
v
e
clas
s
e
s
ac
r
o
s
s
d
if
f
er
en
t
d
ec
is
io
n
th
r
e
s
h
o
l
d
s
,
f
u
r
t
h
er
v
a
lid
atin
g
its
r
eliab
ilit
y
f
o
r
cr
is
is
s
en
ti
m
e
n
t a
n
a
l
y
s
is
.
T
ab
le
1
.
Var
io
u
s
m
o
d
els p
er
f
o
r
m
an
ce
co
m
p
ar
i
s
o
n
o
n
C
r
i
s
is
L
e
x
T
2
6
d
ataset
M
o
d
e
l
A
c
c
u
r
a
c
y
P
r
e
c
i
si
o
n
R
e
c
a
l
l
F1
-
sco
r
e
S
V
M
0
.
8
1
2
0
.
8
0
9
0
.
8
1
2
0
.
8
1
C
N
N
0
.
8
5
6
0
.
8
5
5
0
.
8
5
6
0
.
8
5
5
B
i
L
S
T
M
0
.
8
7
1
0
.
8
7
0
.
8
7
1
0
.
8
7
C
N
N
-
B
i
L
S
T
M
0
.
8
8
4
0
.
8
8
5
0
.
8
8
4
0
.
8
8
4
B
ER
T
0
.
9
1
5
0
.
9
1
6
0
.
9
1
5
0
.
9
1
5
S
H
D
L
F
(
o
u
r
s)
0
.
9
2
9
0
.
9
2
8
0
.
9
2
9
0
.
9
2
8
Fig
u
r
e
2
.
C
o
n
f
u
s
io
n
m
atr
ix
f
o
r
th
e
p
r
o
p
o
s
ed
SHDL
F
m
o
d
el
o
n
t
h
e
C
r
is
is
L
e
x
T
2
6
d
a
taset
Fig
u
r
e
3
.
R
OC
c
u
r
v
e
ill
u
s
tr
ati
n
g
t
h
e
clas
s
i
f
icatio
n
p
er
f
o
r
m
a
n
ce
o
f
S
HD
L
F
w
it
h
a
n
A
UC
o
f
0
.
9
6
T
h
e
p
r
e
d
o
m
i
n
an
ce
o
f
tr
u
e
p
o
s
itiv
e
s
an
d
tr
u
e
n
eg
a
tiv
e
s
o
b
s
er
v
ed
in
th
e
co
n
f
u
s
io
n
m
a
tr
i
x
(
Fig
u
r
e
4
)
d
em
o
n
s
tr
ate
s
th
e
s
tr
o
n
g
d
is
cr
i
m
i
n
ati
v
e
ca
p
ab
ilit
y
o
f
t
h
e
p
r
o
p
o
s
ed
SHDL
F
m
o
d
el,
w
it
h
o
n
l
y
m
i
n
i
m
al
m
is
c
lass
if
ica
tio
n
o
f
cr
itical
an
d
n
o
n
-
cr
it
ical
i
n
s
ta
n
ce
s
.
T
h
e
r
o
b
u
s
tn
e
s
s
o
f
t
h
e
SH
D
L
F
f
r
a
m
e
w
o
r
k
i
s
f
u
r
th
er
v
alid
ated
b
y
th
e
R
OC
cu
r
v
e
s
h
o
w
n
in
Fi
g
u
r
e
5
,
ac
h
iev
in
g
an
A
U
C
s
co
r
e
o
f
0
.
8
9
o
n
th
e
C
OVI
D
-
1
9
in
ten
s
i
v
e
ca
r
e
u
n
it
(
I
C
U)
d
ataset.
T
a
b
le
2
p
r
o
v
id
es
a
co
m
p
ar
ativ
e
p
er
f
o
r
m
a
n
ce
ev
al
u
atio
n
o
f
v
ar
io
u
s
m
ac
h
i
n
e
lear
n
i
n
g
,
d
ee
p
lear
n
in
g
,
a
n
d
tr
an
s
f
o
r
m
er
-
b
ased
m
o
d
els o
n
t
h
e
C
OVI
D
-
1
9
I
C
U
d
ataset.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
396
-
4
0
5
402
Fig
u
r
e
4
.
C
o
n
f
u
s
io
n
m
atr
ix
f
o
r
th
e
p
r
o
p
o
s
ed
SHDL
F
m
o
d
el
o
n
t
h
e
C
OVI
D
-
1
9
d
ataset
Fig
u
r
e
5
.
R
OC
c
u
r
v
e
ill
u
s
tr
ati
n
g
t
h
e
clas
s
i
f
icatio
n
p
er
f
o
r
m
a
n
ce
o
f
S
HD
L
F
w
it
h
a
n
A
UC
o
f
0
.
8
9
T
ab
le
2
.
Var
io
u
s
m
o
d
els p
er
f
o
r
m
an
ce
co
m
p
ar
i
s
o
n
o
n
C
OVI
D
-
1
9
I
C
U
d
ataset
M
o
d
e
l
A
c
c
u
r
a
c
y
P
r
e
c
i
si
o
n
R
e
c
a
l
l
F1
-
sco
r
e
S
V
M
0
.
7
8
5
0
.
7
8
1
0
.
7
8
5
0
.
7
8
3
C
N
N
0
.
8
3
2
0
.
8
3
0
.
8
3
2
0
.
8
3
1
B
i
L
S
T
M
0
.
8
4
9
0
.
8
4
7
0
.
8
4
9
0
.
8
4
8
C
N
N
-
B
i
L
S
T
M
0
.
8
6
0
.
8
6
1
0
.
8
6
0
.
8
6
B
ER
T
0
.
8
8
2
0
.
8
8
3
0
.
8
8
2
0
.
8
8
2
S
H
D
L
F
(
p
r
o
p
o
se
d
w
o
r
k
)
0
.
8
9
5
0
.
8
9
3
0
.
8
9
5
0
.
8
9
4
T
h
e
c
o
n
f
u
s
io
n
m
atr
ix
r
ev
ea
ls
th
at
th
e
SHDL
F
m
o
d
e
l
c
an
ef
f
ec
tiv
ely
id
en
tif
y
th
e
r
elev
an
t
t
w
ee
ts
f
o
r
th
e
C
O
VI
D
-
19
em
er
g
en
c
y
an
d
o
v
er
co
m
e
th
e
p
r
o
b
lem
o
f
m
is
lea
d
in
g
r
esu
lts
c
au
s
ed
b
y
n
o
i
s
e
an
d
am
b
ig
u
ity
i
n
th
e
h
e
alth
d
is
c
o
u
r
s
e.
Fig
u
r
e
6
illu
s
tr
at
es
th
e
c
o
m
p
ar
ativ
e
p
e
r
f
o
r
m
an
ce
o
f
d
if
f
er
en
t
m
o
d
els
o
n
th
e
C
h
r
is
tS
et
2
6
0
d
at
ase
t.
A
c
o
n
s
is
t
en
t
im
p
r
o
v
e
m
en
t
is
o
b
s
er
v
ed
f
r
o
m
tr
a
d
it
io
n
al
SVM
t
o
d
e
ep
le
ar
n
in
g
an
d
tr
an
s
f
o
r
m
er
-
b
ase
d
m
o
d
els.
Hy
b
r
i
d
a
r
ch
i
tec
tu
r
es
o
u
t
p
e
r
f
o
r
m
s
in
g
le
m
o
d
els
,
w
ith
B
E
R
T
s
h
o
w
in
g
s
tr
o
n
g
co
n
t
ex
tu
al
le
ar
n
in
g
ca
p
a
b
il
ity
.
T
h
e
p
r
o
p
o
s
e
d
SH
DL
F
m
o
d
el
ac
h
iev
es
th
e
h
i
g
h
est
a
cc
u
r
a
cy
,
p
r
e
cisi
o
n
,
r
e
ca
ll
,
an
d
F1
-
s
c
o
r
e
,
in
d
ic
atin
g
its
ef
f
ec
t
iv
en
ess
in
jo
in
tly
ca
p
tu
r
in
g
co
n
t
ex
tu
al
,
s
e
q
u
en
ti
al,
an
d
at
ten
ti
o
n
-
d
r
iv
en
f
ea
tu
r
es
.
Fig
u
r
e
7
p
r
esen
t
s
p
er
f
o
r
m
a
n
ce
r
esu
lt
s
o
n
t
h
e
C
OVI
D
-
19
co
m
p
u
ted
to
m
o
g
r
ap
h
y
(
C
T
)
d
ataset,
ex
h
ib
it
in
g
a
s
i
m
ilar
tr
en
d
.
SHDL
F
co
n
s
i
s
ten
tl
y
o
u
tp
er
f
o
r
m
s
b
aseli
n
e
an
d
ad
v
an
ce
d
m
o
d
els,
d
em
o
n
s
tr
atin
g
r
o
b
u
s
t g
e
n
er
aliza
tio
n
,
a
n
d
s
u
p
er
io
r
d
is
cr
im
i
n
ati
v
e
a
b
ilit
y
ac
r
o
s
s
h
eter
o
g
e
n
eo
u
s
m
ed
ical
d
at
asets
.
Fig
u
r
e
6
.
P
er
f
o
r
m
a
n
ce
o
n
ch
r
i
s
ts
et2
6
0
d
ataset
Fig
u
r
e
7
.
P
er
f
o
r
m
a
n
ce
o
n
C
O
VI
D
-
1
9
C
T
d
ataset
4
.
1
.
Ro
bu
s
t
nes
s
a
nd
a
bla
t
io
n study
T
h
e
ef
f
ec
ti
v
en
e
s
s
o
f
th
e
atte
n
tio
n
la
y
er
in
p
o
in
ti
n
g
to
i
m
p
o
r
tan
t
to
k
en
s
is
v
alid
ated
b
y
th
e
ev
id
en
t
r
ed
u
ctio
n
i
n
t
h
e
F1
-
s
co
r
e
w
h
e
n
t
h
e
atte
n
tio
n
la
y
er
is
r
e
m
o
v
ed
.
A
ls
o
v
alid
ated
i
s
t
h
e
r
eq
u
i
r
e
m
en
t
f
o
r
co
n
te
x
t
-
d
ep
en
d
en
t
r
ep
r
esen
tatio
n
i
n
s
t
ea
d
o
f
tr
an
s
f
o
r
m
er
e
m
b
ed
d
in
g
s
o
r
s
tatic
w
o
r
d
e
m
b
ed
d
i
n
g
s
g
lo
b
al
v
ec
to
r
s
(G
lo
Ve)
,
w
h
ic
h
r
es
u
lted
in
a
r
ed
u
ctio
n
o
f
m
o
r
e
th
a
n
4
% in
p
er
f
o
r
m
an
ce
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
s
ca
la
b
le
h
yb
r
id
d
ee
p
lea
r
n
i
n
g
fr
a
mewo
r
k
fo
r
min
in
g
a
ctio
n
a
b
le
kn
o
w
led
g
e
fr
o
m
…
(
A
b
h
ila
s
h
)
403
T
h
at
th
e
ad
v
an
ce
m
e
n
t
s
in
S
HDL
F
o
v
er
ex
is
ti
n
g
m
o
d
els
ar
e
s
ig
n
i
f
ican
t
is
ascer
tain
e
d
th
r
o
u
g
h
s
tatis
t
ical
s
ig
n
i
f
ica
n
ce
tes
tin
g
v
ia
p
air
ed
t
-
test
s
i
n
w
h
ic
h
p
<0
.
0
5
.
SHDL
F
m
o
d
el
o
u
tp
er
f
o
r
m
ed
s
t
r
o
n
g
b
aselin
es
in
ev
er
y
asp
ec
t,
w
i
t
h
an
i
m
p
r
o
v
e
m
e
n
t
i
n
F1
-
v
alu
e
o
f
3
–
6
%.
Stro
n
g
clas
s
d
is
cr
i
m
i
n
atio
n
ca
p
ab
ilit
y
is
f
u
r
th
er
a
f
f
ir
m
ed
t
h
r
o
u
g
h
an
al
y
s
i
s
o
n
R
OC
-
A
U
C
.
I
n
ad
d
itio
n
to
p
r
ed
ictiv
e
p
er
f
o
r
m
an
ce
,
th
e
ar
ch
itectu
r
al
e
f
f
ic
ien
c
y
o
f
S
HD
L
F
w
as
an
al
y
ze
d
in
te
r
m
s
o
f
in
f
er
e
n
ce
s
ca
lab
ilit
y
.
D
u
e
to
its
p
ar
alleliza
b
le
d
esig
n
an
d
m
o
d
er
ate
p
ar
am
eter
f
o
o
tp
r
in
t
co
m
p
ar
ed
to
la
r
g
e
tr
an
s
f
o
r
m
er
-
o
n
l
y
m
o
d
el
s
,
SH
DL
F
m
a
in
ta
in
s
f
av
o
r
ab
le
late
n
c
y
ch
ar
ac
ter
is
tics
f
o
r
s
h
o
r
t
-
t
ex
t
i
n
f
er
en
ce
.
S
u
c
h
co
m
p
u
tatio
n
al
b
eh
a
v
io
r
s
u
p
p
o
r
ts
its
s
u
itab
il
it
y
f
o
r
d
ep
lo
y
m
en
t
i
n
e
m
b
ed
d
ed
A
I
s
y
s
te
m
s
a
n
d
I
o
T
-
en
ab
led
m
o
n
ito
r
i
n
g
p
lat
f
o
r
m
s
,
w
h
er
e
r
ea
l
-
ti
m
e
r
esp
o
n
s
i
v
e
n
es
s
an
d
co
n
s
tr
ain
ed
r
eso
u
r
ce
u
tili
za
t
i
o
n
ar
e
cr
itical.
T
h
e
m
o
d
u
lar
s
ep
ar
atio
n
o
f
e
m
b
ed
d
in
g
,
s
eq
u
e
n
tial
m
o
d
eli
n
g
,
a
n
d
atten
tio
n
co
m
p
o
n
e
n
t
s
f
u
r
t
h
e
r
en
ab
les
h
ar
d
w
ar
e
-
a
w
ar
e
o
p
ti
m
izatio
n
an
d
p
o
ten
tial
m
ap
p
i
n
g
o
n
to
r
ec
o
n
f
i
g
u
r
ab
le
ac
ce
ler
ato
r
s
w
it
h
o
u
t
co
m
p
r
o
m
is
i
n
g
class
i
f
icatio
n
p
er
f
o
r
m
a
n
ce
.
5.
CO
NCLU
SI
O
N
T
h
is
s
t
u
d
y
p
r
esen
ted
a
SHD
L
F
f
o
r
ex
tr
ac
tin
g
m
ea
n
in
g
f
u
l
a
n
d
ac
tio
n
ab
le
i
n
s
i
g
h
ts
f
r
o
m
la
r
g
e
-
s
ca
le,
n
o
is
y
,
a
n
d
u
n
s
tr
u
ct
u
r
ed
T
w
it
t
er
d
ata.
B
y
in
te
g
r
ati
n
g
co
n
te
x
tu
a
l
tr
an
s
f
o
r
m
er
-
b
ased
e
m
b
ed
d
in
g
s
,
s
eq
u
e
n
tia
l
m
o
d
eli
n
g
,
an
d
a
tten
t
io
n
-
d
r
iv
en
f
ea
tu
r
e
f
u
s
io
n
,
SHD
L
F
e
f
f
ec
tiv
e
l
y
o
v
er
co
m
es
th
e
i
n
h
e
r
en
t
li
m
itatio
n
s
o
f
tr
ad
itio
n
al
m
ac
h
i
n
e
lear
n
i
n
g
ap
p
r
o
ac
h
es
an
d
s
tan
d
alo
n
e
d
ee
p
lear
n
in
g
m
o
d
els
i
n
s
e
n
ti
m
en
t
an
d
o
p
in
io
n
an
al
y
s
is
.
T
h
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
d
e
m
o
n
s
tr
ate
s
s
tr
o
n
g
r
ep
r
esen
tatio
n
al
lear
n
i
n
g
ca
p
ab
il
it
y
an
d
s
ca
lab
ilit
y
,
m
ak
in
g
it
w
ell
s
u
ited
f
o
r
h
i
gh
-
v
o
lu
m
e,
r
ea
l
-
ti
m
e
s
o
cia
l
m
ed
ia
s
tr
ea
m
s
.
C
o
m
p
r
e
h
e
n
s
i
v
e
ex
p
er
i
m
en
tal
ev
alu
a
tio
n
ac
r
o
s
s
m
u
ltip
le
b
en
ch
m
ar
k
d
ataset
s
co
n
f
ir
m
s
th
e
e
f
f
ec
ti
v
en
e
s
s
a
n
d
g
en
er
a
lizatio
n
ab
ilit
y
o
f
SHD
L
F.
On
t
h
e
C
r
is
is
L
e
x
T
2
6
d
ataset,
SHDL
F
ac
h
ie
v
ed
an
ac
cu
r
ac
y
o
f
9
2
.
9
%
an
d
an
F1
-
s
co
r
e
o
f
9
2
.
8
%,
an
d
o
u
tp
er
f
o
r
m
i
n
g
B
E
R
T
b
y
ap
p
r
o
x
im
a
tel
y
1
.
4
%
i
n
ac
c
u
r
ac
y
a
n
d
1
.
3
%
in
F1
-
s
co
r
e.
Si
m
ilar
l
y
,
o
n
th
e
C
OVI
D
-
1
9
I
C
U
d
ataset,
SH
DL
F
a
ttai
n
ed
an
ac
c
u
r
ac
y
o
f
8
9
.
5
%
an
d
an
F1
-
s
co
r
e
o
f
8
9
.
4
%,
r
ef
lectin
g
co
n
s
is
ten
t
p
er
f
o
r
m
a
n
ce
g
ai
n
s
o
v
er
h
y
b
r
id
C
NN
–
B
iL
S
T
M
an
d
tr
an
s
f
o
r
m
er
-
o
n
l
y
m
o
d
els.
T
h
e
h
ig
h
R
OC
-
A
U
C
s
co
r
es
o
f
0
.
9
6
an
d
0
.
8
9
ac
r
o
s
s
d
atasets
f
u
r
t
h
er
v
alid
ate
t
h
e
f
r
a
m
e
w
o
r
k
’
s
s
tr
o
n
g
d
is
cr
i
m
i
n
a
tiv
e
ca
p
ab
ilit
y
a
n
d
r
o
b
u
s
tn
es
s
in
f
ilter
i
n
g
in
f
o
r
m
ati
v
e
co
n
te
n
t
f
r
o
m
n
o
is
y
an
d
u
n
ce
r
tai
n
T
w
itter
d
ata.
T
h
ese
q
u
an
tita
ti
v
e
i
m
p
r
o
v
e
m
en
t
s
h
ig
h
li
g
h
t
SH
D
L
F
’
s
ab
il
it
y
to
h
a
n
d
le
s
p
ar
s
it
y
,
a
m
b
i
g
u
it
y
,
a
n
d
co
n
te
x
t
u
al
v
ar
iab
ilit
y
th
a
t
ar
e
ch
ar
ac
ter
is
tic
o
f
s
o
cial
m
ed
i
a
tex
t.
De
s
p
ite
it
s
s
tr
o
n
g
p
e
r
f
o
r
m
an
ce
,
s
ev
er
al
av
e
n
u
es
r
e
m
ain
f
o
r
f
u
r
t
h
er
en
h
a
n
ce
m
en
t.
Fu
tu
r
e
w
o
r
k
will
f
o
cu
s
o
n
ad
d
r
ess
i
n
g
ex
tr
e
m
e
clas
s
i
m
b
ala
n
ce
co
m
m
o
n
l
y
o
b
s
er
v
ed
in
r
ea
l
-
ti
m
e
T
w
itter
s
tr
ea
m
s
t
h
r
o
u
g
h
ad
ap
tiv
e
a
n
d
co
s
t
-
s
e
n
s
iti
v
e
lear
n
i
n
g
s
tr
ate
g
ies.
T
o
i
m
p
r
o
v
e
co
m
p
u
tatio
n
al
ef
f
icien
c
y
w
it
h
o
u
t
co
m
p
r
o
m
i
s
in
g
ac
c
u
r
ac
y
,
lig
h
t
w
ei
g
h
t
o
r
l
o
w
-
late
n
c
y
tr
an
s
f
o
r
m
er
v
ar
ian
ts
m
a
y
b
e
ex
p
lo
r
ed
.
A
d
d
itio
n
al
l
y
,
e
x
ten
d
i
n
g
SHD
L
F
to
m
u
lti
lin
g
u
al
an
d
co
d
e
-
m
i
x
ed
s
en
ti
m
e
n
t
an
a
l
y
s
is
,
as
w
ell
a
s
in
co
r
p
o
r
atin
g
m
ec
h
a
n
i
s
m
s
f
o
r
s
ar
ca
s
m
d
et
ec
tio
n
,
n
e
g
atio
n
h
a
n
d
lin
g
,
an
d
co
n
tex
t
-
d
ep
en
d
en
t
p
o
lar
it
y
s
h
i
f
ts
,
w
i
ll
f
u
r
t
h
er
s
tr
en
g
th
e
n
it
s
ap
p
licab
ilit
y
.
T
h
ese
e
n
h
a
n
ce
m
en
ts
ai
m
to
p
o
s
itio
n
SHD
L
F
as
a
co
m
p
r
eh
en
s
i
v
e
an
d
r
o
b
u
s
t
f
r
a
m
e
w
o
r
k
f
o
r
ad
v
an
ce
d
o
p
in
i
o
n
m
i
n
i
n
g
i
n
r
ea
l
-
w
o
r
ld
s
o
cial
n
et
w
o
r
k
en
v
ir
o
n
m
e
n
ts
.
F
UNDIN
G
I
NF
O
RM
AT
I
O
N
Au
t
h
o
r
s
s
tate
n
o
f
u
n
d
i
n
g
i
n
v
o
l
v
ed
.
AUTHO
R
CO
NT
RIB
UT
I
O
NS ST
A
T
E
M
E
NT
T
h
is
jo
u
r
n
al
u
s
e
s
th
e
C
o
n
tr
ib
u
to
r
R
o
les
T
ax
o
n
o
m
y
(
C
R
ed
iT
)
t
o
r
ec
o
g
n
ize
in
d
i
v
id
u
al
au
t
h
o
r
co
n
tr
ib
u
tio
n
s
,
r
ed
u
ce
au
t
h
o
r
s
h
ip
d
is
p
u
tes,
an
d
f
ac
ilit
ate
co
lla
b
o
r
atio
n
.
Na
m
e
o
f
Aut
ho
r
C
M
So
Va
Fo
I
R
D
O
E
Vi
Su
P
Fu
A
b
h
ilas
h
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
S
y
ed
Sira
j
Ah
m
ed
✓
✓
✓
✓
✓
✓
✓
C
:
C
o
n
c
e
p
t
u
a
l
i
z
a
t
i
o
n
M
:
M
e
t
h
o
d
o
l
o
g
y
So
:
So
f
t
w
a
r
e
Va
:
Va
l
i
d
a
t
i
o
n
Fo
:
Fo
r
mal
a
n
a
l
y
si
s
I
:
I
n
v
e
st
i
g
a
t
i
o
n
R
:
R
e
so
u
r
c
e
s
D
:
D
a
t
a
C
u
r
a
t
i
o
n
O
:
W
r
i
t
i
n
g
-
O
r
i
g
i
n
a
l
D
r
a
f
t
E
:
W
r
i
t
i
n
g
-
R
e
v
i
e
w
&
E
d
i
t
i
n
g
Vi
:
Vi
su
a
l
i
z
a
t
i
o
n
Su
:
Su
p
e
r
v
i
si
o
n
P
:
P
r
o
j
e
c
t
a
d
mi
n
i
st
r
a
t
i
o
n
Fu
:
Fu
n
d
i
n
g
a
c
q
u
i
si
t
i
o
n
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
396
-
4
0
5
404
CO
NF
L
I
C
T
O
F
I
N
T
E
R
E
S
T
ST
A
T
E
M
E
NT
Au
t
h
o
r
s
s
tate
n
o
co
n
f
lic
t o
f
i
n
t
er
est.
DATA AV
AI
L
AB
I
L
I
T
Y
Data
av
ailab
ilit
y
is
n
o
t
ap
p
licab
le
to
th
is
p
ap
er
as
n
o
n
ew
d
ata
w
er
e
cr
ea
ted
o
r
an
aly
ze
d
in
th
i
s
s
tu
d
y
.
RE
F
E
R
E
NC
E
S
[
1
]
S
.
N
R
a
n
d
L
.
S
u
d
h
a
,
“
C
h
a
l
l
e
n
g
e
s
a
n
d
i
ss
u
e
s
i
n
d
a
t
a
m
i
n
i
n
g
f
o
r
so
c
i
a
l
n
e
t
w
o
r
k
a
n
a
l
y
si
s,”
I
n
t
e
rn
a
t
i
o
n
a
l
J
o
u
rn
a
l
Fo
r
Mu
l
t
i
d
i
sc
i
p
l
i
n
a
ry
Re
s
e
a
r
c
h
,
v
o
l
.
7
,
n
o
.
4
,
J
u
l
.
2
0
2
5
,
d
o
i
:
1
0
.
3
6
9
4
8
/
i
j
f
mr
.
2
0
2
5
.
v
0
7
i
0
4
.
5
0
9
4
4
.
[
2
]
M
.
P
.
K
a
l
a
sh
a
m
i
,
M
.
M
.
P
e
d
r
a
m,
a
n
d
H
.
S
a
d
r
,
“
EEG
F
e
a
t
u
r
e
Ex
t
r
a
c
t
i
o
n
a
n
d
D
a
t
a
A
u
g
me
n
t
a
t
i
o
n
i
n
Emo
t
i
o
n
R
e
c
o
g
n
i
t
i
o
n
,
”
C
o
m
p
u
t
a
t
i
o
n
a
l
I
n
t
e
l
l
i
g
e
n
c
e
a
n
d
N
e
u
r
o
sc
i
e
n
c
e
,
v
o
l
.
2
0
2
2
,
p
p
.
1
–
1
6
,
M
a
r
.
2
0
2
2
,
d
o
i
:
1
0
.
1
1
5
5
/
2
0
2
2
/
7
0
2
8
5
1
7
.
[
3
]
A
.
G
e
e
t
,
R
.
Y
a
d
a
v
,
S
.
K
.
A
l
a
r
i
a
,
S
.
K
.
G
u
p
t
a
,
a
n
d
J.
K
.
B
h
u
t
t
o
,
“
N
u
me
r
i
c
a
l
S
i
mu
l
a
t
i
o
n
a
n
d
D
e
si
g
n
o
f
S
e
n
t
i
me
n
t
A
n
a
l
y
si
s
o
f
Tw
i
t
t
e
r
P
o
st
s
U
si
n
g
H
y
b
r
i
d
M
a
c
h
i
n
e
L
e
a
r
n
i
n
g
A
p
p
r
o
a
c
h
,
”
i
n
P
ro
c
e
e
d
i
n
g
s
o
f
t
h
e
5
t
h
I
n
t
e
rn
a
t
i
o
n
a
l
C
o
n
f
e
re
n
c
e
o
n
I
n
f
o
rm
a
t
i
o
n
Ma
n
a
g
e
m
e
n
t
&
Ma
c
h
i
n
e
I
n
t
e
l
l
i
g
e
n
c
e
,
N
e
w
Y
o
r
k
,
N
Y
,
U
S
A
:
A
C
M
,
N
o
v
.
2
0
2
3
,
p
p
.
1
–
9
,
d
o
i
:
1
0
.
1
1
4
5
/
3
6
4
7
4
4
4
.
3
6
5
2
4
4
3
.
[
4
]
H
.
S
a
d
r
,
M
.
N
a
z
a
r
i
,
M
.
M
.
P
e
d
r
a
m
,
a
n
d
M
.
T
e
sh
n
e
h
l
a
b
,
“
Ex
p
l
o
r
i
n
g
t
h
e
Ef
f
i
c
i
e
n
c
y
o
f
T
o
p
i
c
-
B
a
se
d
M
o
d
e
l
s
i
n
C
o
m
p
u
t
i
n
g
S
e
man
t
i
c
R
e
l
a
t
e
d
n
e
ss
o
f
G
e
o
g
r
a
p
h
i
c
T
e
r
ms,”
I
n
t
e
r
n
a
t
i
o
n
a
l
J
o
u
r
n
a
l
o
f
We
b
R
e
se
a
rc
h
,
v
o
l
.
2
,
n
o
.
2
,
p
p
.
2
3
–
3
5
,
2
0
1
9
,
d
o
i
:
1
0
.
2
2
1
3
3
/
i
j
w
r
.
2
0
2
0
.
2
2
5
8
6
6
.
1
0
5
6
.
[
5
]
R
.
X
i
a
n
g
,
Y.
L
o
n
g
,
M
.
W
a
n
,
J.
G
u
,
Q.
L
u
,
a
n
d
C
.
-
R.
H
u
a
n
g
,
“
A
f
f
e
c
t
i
o
n
d
r
i
v
e
n
n
e
u
r
a
l
n
e
t
w
o
r
k
s
f
o
r
se
n
t
i
m
e
n
t
a
n
a
l
y
si
s,”
i
n
Pro
c
e
e
d
i
n
g
s
o
f
t
h
e
T
w
e
l
f
t
h
L
a
n
g
u
a
g
e
Re
so
u
r
c
e
s
a
n
d
Ev
a
l
u
a
t
i
o
n
C
o
n
f
e
r
e
n
c
e
,
2
0
2
0
,
p
p
.
1
1
2
–
1
1
9
.
[
6
]
E.
I
n
d
r
a
y
u
n
i
a
n
d
A
.
N
u
r
h
a
d
i
,
“
O
p
t
i
m
i
z
i
n
g
G
e
n
e
t
i
c
A
l
g
o
r
i
t
h
ms
f
o
r
S
e
n
t
i
m
e
n
t
A
n
a
l
y
si
s
o
f
A
p
p
l
e
P
r
o
d
u
c
t
R
e
v
i
e
w
s
U
si
n
g
S
V
M
,
”
S
i
n
k
rO
n
,
v
o
l
.
4
,
n
o
.
2
,
p
.
1
7
2
,
A
p
r
.
2
0
2
0
,
d
o
i
:
1
0
.
3
3
3
9
5
/
s
i
n
k
r
o
n
.
v
4
i
2
.
1
0
5
4
9
.
[
7
]
N
.
C
.
D
a
n
g
,
M
.
N
.
M
o
r
e
n
o
-
G
a
r
c
í
a
,
a
n
d
F
.
D
e
l
a
P
r
i
e
t
a
,
“
S
e
n
t
i
me
n
t
A
n
a
l
y
si
s
B
a
se
d
o
n
D
e
e
p
L
e
a
r
n
i
n
g
:
A
C
o
mp
a
r
a
t
i
v
e
S
t
u
d
y
,
”
El
e
c
t
r
o
n
i
c
s
,
v
o
l
.
9
,
n
o
.
3
,
p
.
4
8
3
,
M
a
r
.
2
0
2
0
,
d
o
i
:
1
0
.
3
3
9
0
/
e
l
e
c
t
r
o
n
i
c
s
9
0
3
0
4
8
3
.
[
8
]
S
.
K
u
maw
a
t
,
I
.
Y
a
d
a
v
,
N
.
P
a
h
a
l
,
a
n
d
D
.
G
o
e
l
,
“
S
e
n
t
i
me
n
t
A
n
a
l
y
si
s
U
si
n
g
L
a
n
g
u
a
g
e
M
o
d
e
l
s:
A
S
t
u
d
y
,
”
i
n
2
0
2
1
1
1
t
h
I
n
t
e
r
n
a
t
i
o
n
a
l
C
o
n
f
e
re
n
c
e
o
n
C
l
o
u
d
C
o
m
p
u
t
i
n
g
,
D
a
t
a
S
c
i
e
n
c
e
&
En
g
i
n
e
e
ri
n
g
(
C
o
n
f
l
u
e
n
c
e
)
,
I
EEE,
Jan
.
2
0
2
1
,
p
p
.
9
8
4
–
9
8
8
,
d
o
i
:
1
0
.
1
1
0
9
/
C
o
n
f
l
u
e
n
c
e
5
1
6
4
8
.
2
0
2
1
.
9
3
7
7
0
4
3
.
[
9
]
K
.
L
.
T
a
n
,
C
.
P
.
L
e
e
,
K
.
S
.
M
.
A
n
b
a
n
a
n
t
h
e
n
,
a
n
d
K
.
M
.
L
i
m,
“
R
o
B
E
R
T
a
-
L
S
T
M
:
A
H
y
b
r
i
d
M
o
d
e
l
f
o
r
S
e
n
t
i
m
e
n
t
A
n
a
l
y
si
s
W
i
t
h
T
r
a
n
sf
o
r
me
r
a
n
d
R
e
c
u
r
r
e
n
t
N
e
u
r
a
l
N
e
t
w
o
r
k
,
”
I
EEE
A
c
c
e
ss
,
v
o
l
.
1
0
,
p
p
.
2
1
5
1
7
–
2
1
5
2
5
,
2
0
2
2
,
d
o
i
:
1
0
.
1
1
0
9
/
A
C
C
ESS
.
2
0
2
2
.
3
1
5
2
8
2
8
.
[
1
0
]
A
.
H
i
d
r
i
,
S
.
A
.
A
l
sai
f
,
M
.
A
l
a
h
mari,
E.
A
l
S
h
e
h
r
i
,
a
n
d
M
.
S
.
H
i
d
r
i
,
“
O
p
i
n
i
o
n
M
i
n
i
n
g
a
n
d
A
n
a
l
y
si
s
U
si
n
g
H
y
b
r
i
d
D
e
e
p
N
e
u
r
a
l
N
e
t
w
o
r
k
s,”
T
e
c
h
n
o
l
o
g
i
e
s
,
v
o
l
.
1
3
,
n
o
.
5
,
p
.
1
7
5
,
A
p
r
.
2
0
2
5
,
d
o
i
:
1
0
.
3
3
9
0
/
t
e
c
h
n
o
l
o
g
i
e
s1
3
0
5
0
1
7
5
.
[
1
1
]
J.
A
h
me
d
a
n
d
M
.
A
h
me
d
,
“
C
l
a
ss
i
f
i
c
a
t
i
o
n
,
d
e
t
e
c
t
i
o
n
a
n
d
se
n
t
i
me
n
t
a
n
a
l
y
si
s
u
si
n
g
m
a
c
h
i
n
e
l
e
a
r
n
i
n
g
o
v
e
r
n
e
x
t
g
e
n
e
r
a
t
i
o
n
c
o
mm
u
n
i
c
a
t
i
o
n
p
l
a
t
f
o
r
ms,”
Mi
c
ro
p
r
o
c
e
ss
o
rs
a
n
d
M
i
c
r
o
sys
t
e
m
s
,
v
o
l
.
9
8
,
p
.
1
0
4
7
9
5
,
A
p
r
.
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
mi
c
p
r
o
.
2
0
2
3
.
1
0
4
7
9
5
.
[
1
2
]
K
.
T
.
S
h
a
h
r
i
a
r
a
n
d
I
.
H
.
S
a
r
k
e
r
,
“
Ex
p
l
o
r
i
n
g
a
h
y
b
r
i
d
d
e
e
p
l
e
a
r
n
i
n
g
f
r
a
me
w
o
r
k
t
o
a
u
t
o
mat
i
c
a
l
l
y
d
i
sco
v
e
r
t
o
p
i
c
a
n
d
se
n
t
i
me
n
t
i
n
C
O
V
I
D
-
1
9
t
w
e
e
t
s,”
a
rX
i
v
p
re
p
r
i
n
t
a
r
Xi
v
:
2
3
1
2
.
0
1
1
7
8
,
2
0
2
3
,
d
o
i
:
1
0
.
4
8
5
5
0
/
a
r
x
i
v
.
2
3
1
2
.
0
1
1
7
8
.
[
1
3
]
H
.
L
i
,
“
R
e
s
e
a
r
c
h
o
n
H
y
b
r
i
d
D
a
t
a
M
i
n
i
n
g
M
e
t
h
o
d
s
f
o
r
S
o
c
i
a
l
M
e
d
i
a
S
e
n
t
i
me
n
t
A
n
a
l
y
si
s,”
i
n
Pro
c
e
e
d
i
n
g
s
o
f
t
h
e
2
0
2
3
4
t
h
I
n
t
e
r
n
a
t
i
o
n
a
l
C
o
n
f
e
r
e
n
c
e
o
n
Bi
g
D
a
t
a
Ec
o
n
o
m
y
a
n
d
I
n
f
o
rm
a
t
i
o
n
Ma
n
a
g
e
m
e
n
t
,
N
e
w
Y
o
r
k
,
N
Y
,
U
S
A
:
A
C
M
,
D
e
c
.
2
0
2
3
,
p
p
.
2
0
4
–
2
0
9
,
d
o
i
:
1
0
.
1
1
4
5
/
3
6
5
9
2
1
1
.
3
6
5
9
2
4
6
.
[
1
4
]
I
.
B
e
n
sassi
,
M
.
K
o
u
i
ssi
,
O
.
N
d
a
m
a
,
E.
M
.
En
-
N
a
i
m
i
,
a
n
d
A
.
Z
o
u
h
a
i
r
,
“
H
y
b
r
i
d
a
p
p
r
o
a
c
h
f
o
r
t
w
e
e
t
s
si
mi
l
a
r
i
t
y
c
l
a
ssi
f
i
c
a
t
i
o
n
f
o
u
n
d
e
d
o
n
c
a
se
b
a
se
d
r
e
a
so
n
i
n
g
a
n
d
mac
h
i
n
e
l
e
a
r
n
i
n
g
t
e
c
h
n
i
q
u
e
s,”
B
u
l
l
e
t
i
n
o
f
E
l
e
c
t
r
i
c
a
l
En
g
i
n
e
e
ri
n
g
a
n
d
I
n
f
o
rm
a
t
i
c
s
,
v
o
l
.
1
4
,
n
o
.
1
,
p
p
.
6
1
6
–
6
2
4
,
F
e
b
.
2
0
2
5
,
d
o
i
:
1
0
.
1
1
5
9
1
/
e
e
i
.
v
1
4
i
1
.
8
4
5
2
.
[
1
5
]
F
.
Es
-
sab
e
r
y
,
I
.
Es
-
sab
e
r
y
,
J.
Q
a
d
i
r
,
B
.
S
a
i
n
z
-
de
-
A
b
a
j
o
,
a
n
d
B
.
G
a
r
c
i
a
-
Z
a
p
i
r
a
i
n
,
“
A
h
y
b
r
i
d
H
a
d
o
o
p
-
b
a
se
d
s
e
n
t
i
me
n
t
a
n
a
l
y
si
s
c
l
a
ssi
f
i
e
r
f
o
r
t
w
e
e
t
s
a
sso
c
i
a
t
e
d
w
i
t
h
C
O
V
I
D
-
1
9
u
t
i
l
i
z
i
n
g
t
w
o
mac
h
i
n
e
l
e
a
r
n
i
n
g
a
l
g
o
r
i
t
h
ms:
C
N
N
,
a
n
d
f
u
z
z
y
C
4
.
5
,
”
J
o
u
rn
a
l
o
f
Bi
g
D
a
t
a
,
v
o
l
.
1
1
,
n
o
.
1
,
p
.
1
7
6
,
D
e
c
.
2
0
2
4
,
d
o
i
:
1
0
.
1
1
8
6
/
s4
0
5
3
7
-
0
2
4
-
0
1
0
1
4
-
4.
[
1
6
]
M
.
S
i
n
g
h
,
“
H
a
d
o
o
p
-
b
a
se
d
T
w
i
t
t
e
r
S
e
n
t
i
me
n
t
A
n
a
l
y
si
s
U
si
n
g
D
e
e
p
L
e
a
r
n
i
n
g
,
”
i
n
D
e
m
y
s
t
i
f
y
i
n
g
Em
e
r
g
i
n
g
T
r
e
n
d
s
i
n
Ma
c
h
i
n
e
L
e
a
r
n
i
n
g
,
B
e
n
t
h
a
m
S
c
i
e
n
c
e
Pu
b
l
i
s
h
e
r
s
,
2
0
2
5
,
p
p
.
3
0
6
–
315
,
d
o
i
:
1
0
.
2
1
7
4
/
9
7
8
9
8
1
5
3
0
5
3
9
5
1
2
5
0
2
0
0
3
0
.
[
1
7
]
J.
R
a
n
e
,
Ö
.
K
a
y
a
,
S
.
K
.
M
a
l
l
i
c
k
,
a
n
d
N
.
L
.
R
a
n
e
,
“
S
c
a
l
a
b
l
e
a
n
d
a
d
a
p
t
i
v
e
d
e
e
p
l
e
a
r
n
i
n
g
a
l
g
o
r
i
t
h
ms f
o
r
l
a
r
g
e
-
sca
l
e
mac
h
i
n
e
l
e
a
r
n
i
n
g
sy
st
e
ms,”
i
n
F
u
t
u
re
R
e
se
a
rc
h
O
p
p
o
r
t
u
n
i
t
i
e
s
f
o
r
Ar
t
i
f
i
c
i
a
l
I
n
t
e
l
l
i
g
e
n
c
e
i
n
I
n
d
u
st
r
y
4
.
0
a
n
d
5
.
0
,
D
e
e
p
S
c
i
e
n
c
e
P
u
b
l
i
s
h
i
n
g
,
2
0
2
4
,
d
o
i
:
1
0
.
7
0
5
9
3
/
9
7
8
-
81
-
9
8
1
2
7
1
-
0
-
5
_
2
.
[
1
8
]
F
.
M
.
D
e
i
l
a
mi
,
H
.
S
a
d
r
,
a
n
d
M
.
T
a
r
k
h
a
n
,
“
C
o
n
t
e
x
t
u
a
l
i
z
e
d
M
u
l
t
i
d
i
me
n
si
o
n
a
l
P
e
r
so
n
a
l
i
t
y
R
e
c
o
g
n
i
t
i
o
n
u
s
i
n
g
C
o
mb
i
n
a
t
i
o
n
o
f
D
e
e
p
N
e
u
r
a
l
N
e
t
w
o
r
k
a
n
d
E
n
se
mb
l
e
L
e
a
r
n
i
n
g
,
”
N
e
u
r
a
l
Pro
c
e
ss
i
n
g
L
e
t
t
e
rs
,
v
o
l
.
5
4
,
n
o
.
5
,
p
p
.
3
8
1
1
–
3
8
2
8
,
O
c
t
.
2
0
2
2
,
d
o
i
:
1
0
.
1
0
0
7
/
s
1
1
0
6
3
-
0
2
2
-
1
0
7
8
7
-
9.
[
1
9
]
S
.
I
.
M
a
n
z
o
o
r
a
n
d
J.
S
i
n
g
l
a
,
“
F
a
k
e
n
e
w
s d
e
t
e
c
t
i
o
n
u
si
n
g
mac
h
i
n
e
l
e
a
r
n
i
n
g
a
p
p
r
o
a
c
h
e
s:
a
sy
st
e
mat
i
c
r
e
v
i
e
w
,
”
i
n
P
ro
c
e
e
d
i
n
g
s
o
f
t
h
e
T
h
i
r
d
I
n
t
e
rn
a
t
i
o
n
a
l
C
o
n
f
e
r
e
n
c
e
o
n
T
r
e
n
d
s
i
n
El
e
c
t
ro
n
i
c
s
a
n
d
I
n
f
o
rm
a
t
i
c
s
(
I
C
O
EI
2
0
1
9
)
,
2
0
1
9
,
p
p
.
2
3
0
–
2
3
4
.
[
2
0
]
D
.
S
h
a
h
,
H
.
I
sah
,
a
n
d
F
.
Z
u
l
k
e
r
n
i
n
e
,
“
P
r
e
d
i
c
t
i
n
g
t
h
e
Ef
f
e
c
t
s
o
f
N
e
w
s
S
e
n
t
i
me
n
t
s
o
n
t
h
e
S
t
o
c
k
M
a
r
k
e
t
,
”
i
n
2
0
1
8
I
EE
E
I
n
t
e
r
n
a
t
i
o
n
a
l
C
o
n
f
e
r
e
n
c
e
o
n
B
i
g
D
a
t
a
(
Bi
g
D
a
t
a
)
,
I
EEE,
D
e
c
.
2
0
1
8
,
p
p
.
4
7
0
5
–
4
7
0
8
,
d
o
i
:
1
0
.
1
1
0
9
/
B
i
g
D
a
t
a
.
2
0
1
8
.
8
6
2
1
8
8
4
.
[
2
1
]
M
.
N
e
h
z
a
t
i
,
“
O
p
t
i
mi
z
a
t
i
o
n
o
f
d
e
e
p
l
e
a
r
n
i
n
g
a
l
g
o
r
i
t
h
ms
f
o
r
l
a
r
g
e
d
i
g
i
t
a
l
d
a
t
a
p
r
o
c
e
ssi
n
g
u
si
n
g
e
v
o
l
u
t
i
o
n
a
r
y
n
e
u
r
a
l
n
e
t
w
o
r
k
s,”
Me
m
o
r
i
e
s
-
M
a
t
e
ri
a
l
s,
D
e
v
i
c
e
s
,
C
i
rc
u
i
t
s
a
n
d
S
y
st
e
m
s
,
v
o
l
.
9
,
A
p
r
.
2
0
2
5
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
me
mo
r
i
.
2
0
2
5
.
1
0
0
1
2
6
.
[
2
2
]
Q.
S
h
e
n
a
n
d
A
.
Q
u
,
“
C
o
sU
K
G
:
A
R
e
p
r
e
se
n
t
a
t
i
o
n
L
e
a
r
n
i
n
g
F
r
a
mew
o
r
k
f
o
r
U
n
c
e
r
t
a
i
n
K
n
o
w
l
e
d
g
e
G
r
a
p
h
s,”
M
a
t
h
e
m
a
t
i
c
s
,
v
o
l
.
1
2
,
n
o
.
1
0
,
p
.
1
4
1
9
,
M
a
y
2
0
2
4
,
d
o
i
:
1
0
.
3
3
9
0
/
ma
t
h
1
2
1
0
1
4
1
9
.
[
2
3
]
V
.
Z
a
v
a
r
e
l
l
a
e
t
a
l
.
,
“
T
r
i
p
l
é
t
o
i
l
e
:
Ex
t
r
a
c
t
i
o
n
o
f
k
n
o
w
l
e
d
g
e
f
r
o
m
mi
c
r
o
b
l
o
g
g
i
n
g
t
e
x
t
,
”
H
e
l
i
y
o
n
,
v
o
l
.
1
0
,
n
o
.
1
2
,
p
.
e
3
2
4
7
9
,
J
u
n
.
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
h
e
l
i
y
o
n
.
2
0
2
4
.
e
3
2
4
7
9
.
[
2
4
]
N
.
D
.
P
a
d
w
a
l
a
n
d
K
.
A
l
a
sk
a
r
,
“
A
d
a
p
t
i
v
e
o
n
l
i
n
e
r
e
i
n
f
o
r
c
e
me
n
t
l
e
a
r
n
i
n
g
f
r
a
me
w
o
r
k
f
o
r
r
e
a
l
-
t
i
me
o
p
i
n
i
o
n
m
i
n
i
n
g
a
n
d
b
i
g
d
a
t
a
d
e
c
i
si
o
n
-
ma
k
i
n
g
i
n
so
c
i
a
l
me
d
i
a
,
”
S
h
o
d
h
K
o
sh
:
J
o
u
r
n
a
l
o
f
Vi
s
u
a
l
a
n
d
Pe
r
f
o
rm
i
n
g
Art
s
,
v
o
l
.
5
,
n
o
.
1
,
Jan
.
2
0
2
4
,
d
o
i
:
1
0
.
2
9
1
2
1
/
sh
o
d
h
k
o
sh
.
v
5
.
i
1
.
2
0
2
4
.
6
2
6
8
.
[
2
5
]
S
.
C
h
a
t
t
e
r
j
e
e
,
A
.
A
.
Tz
a
c
h
e
v
a
,
a
n
d
Z
.
R
a
s
,
“
S
c
a
l
a
b
l
e
A
c
t
i
o
n
M
i
n
i
n
g
H
y
b
r
i
d
M
e
t
h
o
d
f
o
r
En
h
a
n
c
e
d
U
se
r
Emo
t
i
o
n
s
i
n
E
d
u
c
a
t
i
o
n
a
n
d
B
u
s
i
n
e
ss
D
o
ma
i
n
,
”
I
n
t
e
rn
a
t
i
o
n
a
l
J
o
u
r
n
a
l
o
n
C
y
b
e
rn
e
t
i
c
s
&
I
n
f
o
r
m
a
t
i
c
s
,
v
o
l
.
1
3
,
n
o
.
1
,
p
p
.
3
1
–
5
2
,
Jan
.
2
0
2
4
,
d
o
i
:
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
s
ca
la
b
le
h
yb
r
id
d
ee
p
lea
r
n
i
n
g
fr
a
mewo
r
k
fo
r
min
in
g
a
ctio
n
a
b
le
kn
o
w
led
g
e
fr
o
m
…
(
A
b
h
ila
s
h
)
405
1
0
.
5
1
2
1
/
i
j
c
i
.
2
0
2
4
.
1
3
0
1
0
4
.
[
2
6
]
Y
.
G
u
o
e
t
a
l
.
,
“
U
n
s
u
p
e
r
v
i
se
d
so
c
i
a
l
e
v
e
n
t
d
e
t
e
c
t
i
o
n
v
i
a
h
y
b
r
i
d
g
r
a
p
h
c
o
n
t
r
a
st
i
v
e
l
e
a
r
n
i
n
g
a
n
d
r
e
i
n
f
o
r
c
e
d
i
n
c
r
e
me
n
t
a
l
c
l
u
s
t
e
r
i
n
g
,
”
K
n
o
w
l
e
d
g
e
-
B
a
se
d
S
y
s
t
e
m
s
,
v
o
l
.
2
8
4
,
p
.
1
1
1
2
2
5
,
Ja
n
.
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
k
n
o
sy
s.2
0
2
3
.
1
1
1
2
2
5
.
[
2
7
]
V
.
N
a
i
r
,
D
.
J.
P
a
r
e
e
k
,
a
n
d
S
.
B
h
a
t
t
,
“
A
K
n
o
w
l
e
d
g
e
-
B
a
se
d
D
e
e
p
L
e
a
r
n
i
n
g
A
p
p
r
o
a
c
h
f
o
r
A
u
t
o
mat
i
c
F
a
k
e
N
e
w
s
D
e
t
e
c
t
i
o
n
u
s
i
n
g
B
ER
T
o
n
T
w
i
t
t
e
r
,
”
Pro
c
e
d
i
a
C
o
m
p
u
t
e
r S
c
i
e
n
c
e
,
v
o
l
.
2
3
5
,
p
p
.
1
8
7
0
–
1
8
8
2
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
p
r
o
c
s.
2
0
2
4
.
0
4
.
1
7
8
.
[
2
8
]
J.
Y
i
n
,
X
.
L
i
u
,
a
n
d
Z
.
Y
a
n
g
,
“
A
d
e
e
p
mu
l
t
i
p
l
e
-
i
n
st
a
n
c
e
t
e
x
t
b
i
n
a
r
y
c
l
a
ssi
f
i
c
a
t
i
o
n
f
o
r
t
o
p
i
c
r
e
l
e
v
a
n
t
c
o
n
t
e
n
t
e
x
t
r
a
c
t
i
o
n
o
n
so
c
i
a
l
me
d
i
a
,
”
J
o
u
r
n
a
l
o
f
K
i
n
g
S
a
u
d
U
n
i
v
e
rsi
t
y
-
C
o
m
p
u
t
e
r
a
n
d
I
n
f
o
rm
a
t
i
o
n
S
c
i
e
n
c
e
s
,
v
o
l
.
3
6
,
n
o
.
1
,
p
.
1
0
1
8
8
3
,
Ja
n
.
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
j
k
su
c
i
.
2
0
2
3
.
1
0
1
8
8
3
.
B
I
O
G
RAP
H
I
E
S O
F
AUTH
O
RS
Pro
f.
Ab
h
il
a
sh
is
a
n
A
ss
istan
t
P
r
o
f
e
ss
o
r
in
t
h
e
S
c
h
o
o
l
o
f
Co
m
p
u
ter
S
c
ien
c
e
a
n
d
A
p
p
li
c
a
ti
o
n
s
a
t
RE
V
A
Un
iv
e
rsit
y
,
Be
n
g
a
lu
ru
,
Ka
rn
a
tak
a
.
He
re
c
e
i
v
e
d
h
is
M
a
ste
r
o
f
Co
m
p
u
ter
A
p
p
li
c
a
ti
o
n
s
(M
CA
)
d
e
g
re
e
f
ro
m
Ku
v
e
m
p
u
Un
iv
e
rsity
,
S
h
iv
a
m
o
g
g
a
,
a
n
d
is
c
u
rre
n
tl
y
p
u
rsu
i
n
g
h
is
P
h
.
D.
a
t
P
re
sid
e
n
c
y
Un
iv
e
rsity
,
Be
n
g
a
lu
ru
.
W
it
h
o
v
e
r
1
2
y
e
a
r
s
o
f
a
c
a
d
e
m
ic
e
x
p
e
rien
c
e
,
h
is
re
se
a
rc
h
p
rima
ril
y
f
o
c
u
se
s o
n
d
a
t
a
m
in
in
g
,
m
a
c
h
in
e
lea
rn
in
g
,
a
n
d
d
e
e
p
lea
rn
in
g
,
w
it
h
p
a
rti
c
u
lar
e
m
p
h
a
sis
o
n
in
tell
ig
e
n
t
d
a
ta
a
n
a
ly
ti
c
s
a
n
d
re
a
l
-
w
o
rld
p
ro
b
lem
so
lv
in
g
.
His
sc
h
o
larl
y
in
tere
sts
in
c
lu
d
e
th
e
d
e
v
e
lo
p
m
e
n
t
o
f
h
y
b
rid
a
n
d
d
e
e
p
lea
rn
i
n
g
m
o
d
e
ls
f
o
r
larg
e
-
s
c
a
le
d
a
ta
a
n
a
l
y
sis.
He
is
a
c
ti
v
e
l
y
in
v
o
lv
e
d
in
a
c
a
d
e
m
ic
re
se
a
r
c
h
,
p
u
b
li
c
a
ti
o
n
,
a
n
d
m
e
n
to
rin
g
in
e
m
e
r
g
in
g
a
re
a
s
o
f
a
rti
f
icia
l
in
telli
g
e
n
c
e
a
n
d
d
a
ta
sc
ien
c
e
.
He
c
a
n
b
e
c
o
n
t
a
c
ted
a
t
e
m
a
il
:
p
ro
f
.
a
b
h
il
a
sh
h
p
@g
m
a
il
.
c
o
m
.
Dr
.
S
y
e
d
S
ira
j
Ahm
e
d
re
c
e
iv
e
d
h
is
P
h
.
D.
i
n
C
o
m
p
u
ter
S
c
ie
n
c
e
a
n
d
E
n
g
in
e
e
rin
g
f
ro
m
V
IT
Un
iv
e
rsit
y
,
In
d
ia.
C
u
rre
n
tl
y
h
e
is
w
o
rk
in
g
a
s
a
n
A
s
so
c
iate
P
r
o
f
e
ss
o
r
(S
e
lec
ti
o
n
G
ra
d
e
)
in
th
e
S
c
h
o
o
l
o
f
In
f
o
rm
a
t
io
n
S
c
ien
c
e
,
P
re
sid
e
n
c
y
Un
iv
e
rsi
ty
,
Ba
n
g
a
lo
re
,
In
d
ia.
He
h
a
s
a
u
th
o
re
d
m
o
re
th
a
n
2
5
n
a
ti
o
n
a
l
a
n
d
i
n
tern
a
ti
o
n
a
l
j
o
u
r
n
a
l
p
a
p
e
rs,
b
o
o
k
c
h
a
p
ters
.
He
is
re
v
iew
e
r
o
f
m
a
n
y
in
tern
a
ti
o
n
a
l
j
o
u
r
n
a
ls
su
c
h
a
s
a
n
n
a
ls
o
f
tele
c
o
m
m
u
n
ica
ti
o
n
s,
c
o
m
p
u
tatio
n
a
l
in
telli
g
e
n
c
e
s
y
ste
m
s,
c
lu
ste
r
c
o
m
p
u
ti
n
g
,
d
a
ta
sc
ien
c
e
,
a
n
d
a
n
a
ly
ti
c
s
.
He
is
a
n
a
c
a
d
e
m
i
c
a
n
d
re
se
a
rc
h
e
r
w
it
h
e
x
p
e
rti
se
in
c
o
m
p
u
ter
sc
ien
c
e
a
n
d
d
a
ta
a
n
a
ly
ti
c
s,
w
it
h
a
stro
n
g
f
o
c
u
s
o
n
so
c
ia
l
m
e
d
ia
a
n
a
ly
ti
c
s,
se
n
ti
m
e
n
t
a
n
a
ly
sis,
a
n
d
a
p
p
li
e
d
a
rti
f
icia
l
in
tel
li
g
e
n
c
e
.
He
h
a
s
e
x
ten
siv
e
e
x
p
e
rien
c
e
in
tea
c
h
in
g
c
o
re
c
o
m
p
u
ti
n
g
su
b
jec
ts,
g
u
id
i
n
g
stu
d
e
n
t
p
r
o
jec
ts,
a
n
d
m
e
n
to
ri
n
g
re
se
a
rc
h
a
c
ti
v
it
ies
.
His
sc
h
o
larly
in
tere
sts
in
c
lu
d
e
d
a
ta
m
in
in
g
,
m
a
c
h
in
e
lea
rn
in
g
a
p
p
li
c
a
ti
o
n
s,
a
n
d
a
n
a
ly
ti
c
s
-
d
riv
e
n
d
e
c
isio
n
su
p
p
o
rt
sy
ste
m
s.
He
h
a
s
c
o
n
tri
b
u
t
e
d
c
u
rricu
l
u
m
d
e
v
e
lo
p
m
e
n
t,
a
n
d
is
a
c
ti
v
e
l
y
in
v
o
lv
e
d
in
b
rid
g
in
g
th
e
o
re
ti
c
a
l
c
o
n
c
e
p
ts
w
it
h
p
ra
c
ti
c
a
l,
re
a
l
-
w
o
rld
p
ro
b
lem
so
lv
in
g
in
c
o
m
p
u
t
i
n
g
a
n
d
a
n
a
ly
ti
c
s
.
He
c
a
n
b
e
c
o
n
tac
ted
a
t
e
m
a
il
:
n
ss
a
.
2
6
@g
m
a
il
.
c
o
m
.
Evaluation Warning : The document was created with Spire.PDF for Python.