MétaCan
Menu
Retour à la cohorte
Enregistrement W4411182762 · doi:10.14419/s5wzx363

Toward Pervasive Intelligence Systems: Looking Ahead in Cyber-physical World in Pervasive Computing

2025· article· en· W4411182762 sur OpenAlexaff
S. V. Manikanthan, L. R. Aravind Babu, Anu George, Dasari Teja Sri, M. Venkatesan

Notice bibliographique

RevueInternational Journal of Basic and Applied Sciences · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Malware Detection Techniques
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésUbiquitous computingCyber-physical systemComputer scienceContext-aware pervasive systemsComputer securityHuman–computer interactionOperating system

Résumé

récupéré en direct d'OpenAlex

The physical world is becoming filled with communication and computing units that communicate with one another and users; almost ‎everything will be able to gather data and react to relevant stimuli. Through sensing, computing, and transmission components, real-world ‎elements interact with cyberspace in this technologically advanced situation, leading to the so-called convergence of the Cyber-Physical ‎World (CPW). However, the ubiquitous computing environment and IoT devices are susceptible to various threats due to their dynamic ‎operation and the requirement to manage private and sensitive data. A high degree of safety guarantee is necessary for smart environments, ‎such as trusted context producers and consumers, which should shield private data from exposure or surveillance. A unique, lightweight ‎security architecture that authenticates and preserves the context of providers and receivers is proposed in the research, along with a discussion ‎of the primary cyber threats in smart environments. Several recent research studies have proposed a definition of CPS that encompasses all ‎the characteristics mentioned in the various domains. We contrast those several CPS plans, talk about some related concepts and technology, ‎and wrap up by outlining the primary research issues in the field.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,701
Score d'incertitude au seuil0,432

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,313
Écart entre enseignants0,290 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Basic and Applied SciencesMême sujetAdvanced Malware Detection TechniquesTravaux en français237 207