Trust verification in information fusion-based autonomous monitoring systems using 9-valued logic
Notice bibliographique
Résumé
Ensuring the correctness and reliability of communication in multi-source data autonomous monitoring systems is a critical challenge, particularly in wireless and IoT-enabled environments, where trust and decision-making play a crucial role. This paper introduces a novel nine-valued verification framework designed to verify trust-based protocols in autonomous systems under multi-source data settings. The proposed framework, 9V-TCTL, provides a formal modeling approach that captures complex trust dynamics and fusion-driven decision-making processes, particularly in multi-UAV fire detection and IoT-based monitoring applications. To support the verification of 9V-TCTL models, we developed 9V-VISPL, an extended version of the ISPL language, which converts these models into a format compatible with the MCMAS-T verifier. Additionally, we propose a reduction algorithm that preserves the syntax and semantics of 9V-TCTL while transforming it into two-valued logic, enabling the use of existing efficient model verifiers. Our implementation, 9V-Checker, is provided as an open-source tool with extensive documentation and experimental validation. We compare our approach with state-of-the-art verification tools, demonstrating its advantages in scalability, transformation efficiency, and trust expressiveness. Through scalability and reliability testing in multi-source data autonomous monitoring systems, we demonstrate the effectiveness of our approach in enhancing trust verification and fusion-based decision-making in multi-sensor 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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».