Goal-Driven Trusted Collaborator Selection and Task Offloading in Dynamic Collaborative Systems
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
Given the limited onboard resources and operational time constraints, dynamic collaboration among moving intelligent machines, such as unmanned aerial vehicles (UAVs) and unmanned ground vehicles (UGVs) through task offloading has become essential for effective task completion. However, the growing offloading complexity and mismatch between task specifics and distributed resources inevitably lead to resource wastage and potential task failures. Furthermore, malicious collaborators may sneak into offloading processes, which undermines collaborative system reliability. To tackle these challenges collectively, a goal-driven trusted task offloading strategy is proposed, which efficiently matches diverse tasks to optimal distributed resources. Specifically, multidimensional goals of complex tasks are modeled as distinct task completion metrics, jointly termed Value of Service (VoS). Moreover, we define task-specific trust as a goal-achieving mechanism that enables the construction of a reliable collaborator group for a given task with diverse VoS. Based on the task-specific trust evaluation of all potential collaborators, the task offloading process is transformed into a trust-guided bipartite graph matching problem. To mitigate the matching complexity in large-scale collaborative systems, decomposed subtasks with similar goals are initially clustered into limited categories and subsequently arranged by priorities. Simulation results show the proposed strategy efficiently selects capable and reliable collaborators who complete tasks as expected in unreliable dynamic environments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 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