IEEE Access Special Section Editorial: Cloud-Fog-Edge Computing in Cyber–Physical–Social Systems (CPSS)
Notice bibliographique
Résumé
Cyber–Physical–Social Systems (CPSS) integrate the cyber, physical, and social spaces together. One of the ultimate goals of cyber–physical–social systems is to make our lives more convenient and intelligent by providing prospective and personalized services for users. To achieve this goal, a wide range of data in CPSS are employed as the starting point for research, since the data contain the users’ historical behavior trajectory and the users’ demand preference. Generated and collected from social and physical spaces and integrated into the cyberspace, CPSS data are complex and heterogeneous, recording all aspects of users’ lives in the forms of image, audio, video, and text. Generally, the collected or generated data in CPSS satisfy the 4Vs (volume, variety, velocity, and veracity) of big data. Thus, knowing how to deal with CPSS big data efficiently is the key to providing services for users. From another perspective, CPSS big data are specified as the global historical data and the local real-time data. Cloud computing, as a powerful paradigm for implementing the data-intensive applications, has an irreplaceable role in processing global historical data. On the other hand, with the increasing computing capacity and communication capabilities of mobile terminal devices, fog-edge computing, as an important and effective supplement of cloud computing, has been widely used to process local real-time data. Therefore, the question of how to systematically and efficiently process CPSS big data (including both the global historical data and the local real-time data) in CPSS has become the key for providing services. The goal of this Special Section is therefore to provide insights and views into the area of Cloud-Fog-Edge Computing in CPSS, as well as to provide directions for research in the field.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,013 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,042 |
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 ».