Tensor-Based Viterbi Algorithms for Collaborative Cloud-Edge Cyber-Physical-Social Activity Prediction
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
With the rapid development and application of smart city, Cyber-Physical-Social Systems (CPSS) as its superset is becoming increasingly important, and attracts extensive attentions. For satisfying the smart requirements of CPSS design, a cloud-edge collaborative CPSS framework is first proposed in this paper. Then Coupled-Hidden-Markov-Model (CHMM) and tensor algebra are used to improve existing activity prediction methods for providing CPSS with more intelligent decision support. There are three key features (timing, periodicity and correlation) implied in CPSS data from multi-edge, which affects the accuracy of activity prediction. Thus, these features are synthetically integrated into improved Tensor-based CHMMs (T-CHMMs) to enhance the prediction accuracy. Based on the multi-edge CPSS data, three Tensor-based Viterbi Algorithms (TVA) are correspondingly proposed to solve the prediction problem for T-CHMMs. Compared with traditional matrix-based methods, the proposed TVA could more accurately compute the optimal hidden state sequences under given observation sequences. Finally, the comprehensive performances of proposed models and algorithms are validated on three open datasets by self-comparison and other-comparison. The experimental results show that the proposed methods is superior to the compared three classical methods in terms of F1 measure, average precision and average recall.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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