Big Sensed Data: Evolution, Challenges, and a Progressive Framework
Notice bibliographique
Résumé
The rise of sensor deployments, uptake of the Internet of Things (IoT), and new manifestations of sensing systems (e.g., crowd sensing, M2M-driven sensing, cloud sensing) has resulted in a tide of sensed data that is potentially drowning our communication resources and hindering big data analytics with superfluous data. We argue that efficient management of IoT systems in smart communities and cities lies not in sensing systems alone, but in the expedited funneling and processing of data as we attempt to prune the unnecessary and build on the valuable. The quest for energy efficiency that dominated sensor networks for so long is now matched with a more pressing demand for access ubiquity and real-time operation. We highlight how big data became a challenge in sensing systems, then elaborate on the status quo in managing this challenge under different research umbrellas. We draw upon three planes that encompass current and future developments for the management of big sensed data (BSD), namely resources, data, and information planes, detailing their pertinent challenges and how evolving solutions can streamline their contributions in light of others. We conclude by highlighting core challenges rising across these three planes, and potential solutions to addressing synergy in coping and scaling with BSD.
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 | 0,030 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,023 |
| Communication savante | 0,022 | 0,046 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».