Notice bibliographique
Résumé
The rising tide of data from Sensor Networks, Internet of Things devices and novel sensing systems (e.g. smart devices and wearable technology) are introducing a number of opportunities as well as challenges. While the diversity and abundance of sensing resources are providing a wealth of data for Information Services, we are facing growing challenges in coping with the volume, diversity, and inconsistency of data, both in reported values and measures of accuracy, in addition to challenges in interoperability among these systems to truly realize ubiquitous services that can harness information from aggregated data. At a time when real-time access to data is critical to many applications, especially decision-making processes, the status quo in coping with Big Sensed Data (BSD) is faltering. In this paper we build on recent advancements in interoperability, and frameworks for managing IoT, to present a framework for heterogeneous sensing in BSD (HetSense-BSD), which adopts a multi-phase approach in soliciting heterogeneous resources to serve Information services. We introduce a novel Selective Sensor Fusion (S2F) algorithm for pruning superfluous data at the source, to the reduce communication footprint of data with inferior quality, and better utilize access networks for delivering the best possible data from available resources to the services. We present a use case for HetSense-BSD, and elaborate on the design of this framework as a first milestone in harnessing the aggregated potential of ubiquitously available resources in novel sensing systems.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».