Dealing with increasing data volumes and decreasing resources
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The US Naval Oceanographic Office (NAVOCEANO) has recently updated its survey vessels and launches to include the latest generation of high-resolution multibeam and digital side-scan sonar systems, along with state-of-the-art ancillary sensors. This has resulted in NAVOCEANO possessing a tremendous ocean observing and mapping capability. However, these systems produce massive amounts of data that must be validated prior to inclusion in various bathymetry, hydrography, and imagery products. It is estimated that the amount of data to be processed will increase by an overwhelming 2000 times above present data quantities. NAVOCEANO is meeting this challenge on a number of fronts that include a series of hardware and software improvements. The key to meeting the challenge of the massive data volumes was to change the approach that required every data point to be viewed and validated. This was achieved with the replacement of the traditional line-by-line editing approach with an automated cleaning module, and an area-based editor (ABE) integrated with existing commercial off-the-shelf processing and visualization packages. NAVOCEANO has entered into two cooperative research and development agreements (CRADAs) - one with the Science Applications International Corporation (SAIC), Newport, RI, USA, and the other with Interactive Visualization Systems (IVS), Fredericton, N.B., Canada, to integrate the ABE with SAIC's SABER product and IVS's Fledermaus 3D visualization product. This paper presents an overview of the new approach and data results and metrics of the effort required to process data, including editing, quality control, and product generation for multibeam data utilizing targets from digital imagery data and automated techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle