MétaCan
Menu
Retour à la cohorte
Enregistrement W1985453966 · doi:10.1109/icif.2007.4408141

Data fusion enabled networks

2007· article· en· W1985453966 sur OpenAlexaff
Vladimir Vila

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSystems Engineering Methodologies and Applications
Établissements canadiensGeneral Dynamics (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceScalabilitySystems engineeringProcess (computing)Sensor fusionSystem of systemsSoftware engineeringDistributed computingLegacy systemService-oriented architectureSoftwareSystems designEngineeringWeb serviceDatabaseArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

High tempo battlefield requirements, rapidly evolving communications/information technologies and the need to include legacy components, call for a system-of- systems engineering approach in the development of data fusion enabled networks (DFEN). System-of- systems engineers are concerned with large scale interdisciplinary issues combining multiple, heterogeneous, distributed systems that are embedded in networks at multiple levels and multiple domains. These issues are also of concern to data fusion engineers because the networks being engineered to resolve the issues are the environment in which future data fusion systems must perform successfully. This paper is a description of a system-of-systems approach to the development of DFEN's. Applying system-of-systems techniques, a DFEN software and hardware infrastructure is being developed The infrastructure is being developed as a capability within a network enabled C4ISR infrastructure, using a service oriented architecture (SOA) and a DFEN specific ontology. Within this framework, important aspects of data fusion system development can be addressed in a process-driven, scalable and evolvable manner.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,082
Tête enseignante GPT0,296
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSystems Engineering Methodologies and ApplicationsTravaux en français237 207