A Distributed Tensor-Train Decomposition Method for Cyber-Physical-Social Services
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
C yber- P hysical- S ocial S ystems (CPSS) integrating the cyber, physical, and social worlds is a key technology to provide proactive and personalized services for humans. In this paper, we studied CPSS by taking h uman- i nteraction-aware b ig d ata (HIBD) as the starting point. However, the HIBD collected from all aspects of our daily lives are of high-order and large-scale, which bring ever-increasing challenges for their cleaning, integration, processing, and interpretation. Therefore, new strategies for representing and processing of HIBD become increasingly important in the provision of CPSS services. As an emerging technique, tensor is proving to be a suitable and promising representation and processing tool of HIBD. In particular, tensor networks, as a significant tensor decomposition technique, bring advantages of computing, storage, and applications of HIBD. Furthermore, T ensor- T rain (TT), a type of tensor network, is particularly well suited for representing and processing high-order data by decomposing a high-order tensor into a series of low-order tensors. However, at present, there is still need for an efficient Tensor-Train decomposition method for massive data. Therefore, for larger-scale HIBD, a highly-efficient computational method of Tensor-Train is required. In this paper, a d istributed T ensor- T rain (DTT) decomposition method is proposed to process the high-order and large-scale HIBD. The high performance of the proposed DTT such as the execution time is demonstrated with a case study on a typical form of CPSS data, C omputed T omography (CT) image data.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle