Privacy and Accuracy for Cloud-Fog-Edge Collaborative Driver-Vehicle-Road Relation Graphs
Notice bibliographique
Résumé
There are three key roles in Intelligent Transportation Systems (ITS): driver, vehicle and road. However, existing static interactions among Driver-Vehicle-Road (DVR) are too passive to reflect the change of driver preferences, vehicle conditions, road conditions, etc. Therefore, we provide a data-driven Cloud-Fog-Edge Collaborative Driver-Vehicle-Road (CFEC-DVR) framework. The framework could self-adaptively evolves through continuous iteration to provide better ITS services for humans. The collaboration among DVR creates a lot of relation data that construct our relation graphs. Cloud brings some privacy risks. Relation graphs have great analytic value. As DVR collaboration, privacy quality and analytic accuracy are three key issues in the framework, we propose a Relation Graph Privacy-Preserving scheme with High Accuracy in our framework, which is named as RGPP-HA. Based on machine learning, our method nearly maximizes the difficulty for attackers to know exactly how many other roles are connected to the attacked role, which enhances the privacy quality. Meanwhile, we find as much valuable information as possible from roles’ encrypted relations for more accurately analytic performance. Based on the experiments, we compare the proposed scheme RGPP-HA with existing classic and relevant schemes. The experimental results show that our scheme has the best privacy quality and analytic accuracy. This further verifies the feasibility of CFEC-DVR framework.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».