MétaCan
Menu
Retour à la cohorte
Enregistrement W4413074920 · doi:10.1109/tnse.2025.3589594

Intent-Driven Cognitive xDFC Bridge in Endogenous Intelligent IIoT: A Systematic Review and S$^{2}$Croft Architecture With Bayesian-CRO-Fuzzy Synergy

2025· review· en· W4413074920 sur OpenAlexaff
Sai Zou, Minghui Liwang, Wei Ni, Xianbin Wang

Notice bibliographique

RevueIEEE Transactions on Network Science and Engineering · 2025
Typereview
Langueen
DomaineEngineering
ThématiqueAdvanced Memory and Neural Computing
Établissements canadiensWestern University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésBridge (graph theory)Bayesian probabilityFuzzy logicComputer scienceCognitive architectureArchitectureFuzzy cognitive mapFuzzy control systemArtificial intelligenceCognitionNeuroscienceNeuro-fuzzyBiologyGeography

Résumé

récupéré en direct d'OpenAlex

To effectively address the growing demands of business and the substantial data dynamics inherent in complex networks, endogenous intelligence-driven autonomous adaptation and optimization present a critical solution to improve pervasive network management capabilities. The exponential surge in ultra-large-scale service demands exposes critical gaps in existing frameworks to achieve efficient function chain-service matching, as prior studies overlook the complexity inherent to theIndustrialInternetofThings (IIoT) ecosystems. This paper systematically reviews network services based on business requirements, introduces an innovative concept calledx-dimensionalfunctionchain (xDFC, dimensions such as functionality, performance, and resources, etc), and focuses on obtaining efficient bridge matching between diverse time-sensitive businesses and proper xDFCs in IIoT upon considering quality of service and resource costs. To facilitate this, we propose asynergisticstrategy collectively known as$\text{S}^{2}$Croft that combineschemicalreactionoptimization (CRO) andfuzzy-settheory (FT). In particular, we employ CRO to achieve the optimal matching, incorporating a Bayesian model to capture the correlations between various attributes and enhance the interpretability of our design. More importantly, FT is applied to determine the upper and lower bounds of the solution space, while accelerating the convergence of large-scale problems. Comprehensive simulations demonstrate that compared to state-of-the-art methods,$\text{S}^{2}$Croft achieves 74.72% time reduction over large-scale scenarios, while ensuring the same level of matching stability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,026
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0040,005
Bibliométrie0,0080,007
Études des sciences et des technologies0,0010,001
Communication savante0,0030,005
Science ouverte0,0030,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,021
Tête enseignante GPT0,251
Écart entre enseignants0,229 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Network Science and EngineeringMême sujetAdvanced Memory and Neural ComputingTravaux en français237 207