Notice bibliographique
Résumé
2025 9th International Conference on Artificial Intelligence, Automation and Control Technologies (AIACT 2025), was successfully held in Sapporo, Japan from February 17 to 21, 2025, which was organized by Hong Kong Society of Mechanical Engineers(HKSME) and Shanghai Jiao Tong University, supported by Norwegian University of Science and Technology. Considering that some participants could not attend in person, the conference was adjusted as hybrid conference, as a combination of on-line and off-line conference. The conference accepted 33 papers, including countries like Malaysia, Japan, China, India, Thailand, Australia, Singapore,Canada, etc. Four renowned speakers delivered speeches about their latest research. They are Prof. Edwin K. P. Chong from Colorado State University, USA; Prof. Shugen Ma from The Hong Kong University of Science and Technology, China; Prof. Graziano Chesi from The University of Hong Kong, HKSAR,China and Prof. Haibin DUAN from Beihang University,China, delivered excellent speeches, sharing their latest and insightful research ideas. The conference also includes 3 technical sessions and one poster session. Each presenter was given 10-15 minutes to deliver their presentation, including 2 minutes Q&A. Two awards, one best oral presentation award and one best poster presentation award were selected by the end of conference. There is a lively discussion at the conference, which promotes academic exchange, which makes AIACT 2025 an effective communication platform for all the participants all over the world. List of COMMITTEES is available in this PDF.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,649 | 0,516 |
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 ».