MétaCan
Menu
Retour à la cohorte
Enregistrement W4385192883 · doi:10.1109/icacite57410.2023.10182625

Retracted: An Integration Of Wireless Communications And Artificial Intelligence For Autonomous Vehicles

2023· article· en· W4385192883 sur OpenAlexaff
Kadambari Raghuram, Ibrahim Altarawni, K Vijayalakshmi, Ajay Kumar, Abhijeetsinh Jadeja, Pankaj Chandra

Dossier post-publication

OpenAlex signale ce travail comme rétracté, mais aucune notice correspondante de Retraction Watch ne figure dans cette base.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueInternet of Things and AI
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésHandsetComputer scienceWirelessLatency (audio)Base stationThroughputEnhanced Data Rates for GSM EvolutionWireless networkIntelligent transportation systemLow latency (capital markets)Computer networkTelecommunicationsEngineeringTransport engineering

Résumé

récupéré en direct d'OpenAlex

The pinnacle of transportation is the development of autonomous driving, which, with the help of CAVs and related traffic management systems, can eventually lead to congestion- and accident-free driving. This vision has as of late prodded extraordinary examination interest in fields including IoV, LTE-V2X, and 5G. In any case, the huge volume of traffic information that CAVs produce makes issues for both the current organizations and the approaching 5G correspondence organizations. For outside network innovations, the VMBS fills in as both a client hub and an edge processing hub. For CAVs, it fills in as a base station and a data caching hub, melding correspondence and calculation. People offer both the VMBS-empowered handset and figuring for CAVs as well as the VMBS-helped wireless innovation for other wireless gadgets to achieve this. It is underlined and addressed that there are a number of research obstacles and open questions. Last but not least, the results of the simulation show that the planned VMBS-CCNA may significantly enhance throughput, latency, and the average amount of links.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesIntégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,999
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,004
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,330
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInternet of Things and AITravaux en français237 207