Selective context fusion utilizing an integrated RFID-WSN architecture
Notice bibliographique
Résumé
The abundance of sensed data and its correlation between wireless entities has recently increased significantly. Understanding the context of each entity in a given environment is not-trivial. Mainly due to the need of realizing an efficient scheme for context fusion over multiple sensing/polling technologies. In this paper we present a selective context fusion model that utilizes an integrated architecture which encompasses both RFID systems and information collected from Wireless Sensor Networks (WSNs). We integrate the identification capabilities of the former with the group intelligence sustained by the latter. A mediator acts as both the reader and relay (RR) node to communicate both technologies respectively. Thus, collecting context information from sensors and tags, then aggregating, filtering and carrying out analysis to selectively enhance the quality of context collected in its vicinity. As such, the network will fuse information over a multiplicity of devices. The goal of this system is to utilize contextual information about the devices generating the data to better the selection process. The filtration process eliminates irregularities in the data as well as redundancy. Moreover, a weighted function stresses the value of data generated by higher-end nodes. Weight is also attributed to log-based evaluation protocols that identify a reliability metric. To further strengthen the fusion approach, local RRs will collect and aggregate context information from neighboring RR nodes, as well as knowledge databases over the Internet. As a load balancing measure, and to avoid resource draining, participating nodes will have an inversely proportional likelihood of participation in providing context information as their contribution count increases. Our system is further elaborated upon via an extensive use case.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».