Cognitive Internet of Things: A Review of Theory, Applications, and Recent Advances
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
With the development of increasingly interconnected cyber-physical systems (CPSs), the Internet of Things (IoT) paradigm must be expanded further to account for the collection, transmission, and processing of unprecedented amounts of data in uncertain and changing environments. Cognitive Internet of Things (CIoT) introduces a paradigm shift in IoT systems by integrating the engineering perspective of cognition, as formulated in cognitive dynamic systems (CDS), into traditional IoT frameworks. This survey systematically examines how CIoT leverages the five pillars of cognition: perception, attention, memory, language, and intelligence, to enable context-aware, autonomous, and adaptive functionality. We trace the evolution from standard IoT architectures to this cognitively enriched model, detailing how data acquisition and storage, combined with enabling technologies such as data fusion, reinforcement learning, cognitive communications (via cognitive radios), and the integration of foundation models and large language models (LLMs), facilitate advanced data analytics and introduce a new intelligent layer for deeper contextual understanding and adaptation. By emphasizing the synergy between CDS principles and emerging technologies, the paper demonstrates how CIoT can address longstanding challenges in scalability, interoperability, and resource management. Through a critical evaluation of current limitations and lessons learned, we offer a forward-looking perspective on how these cognitively inspired frameworks can further enhance intelligent IoT ecosystems. Ultimately, this work serves as a foundational resource for aligning IoT systems with the engineering-driven notion of cognition, guiding future research and innovation in autonomous, scalable IoT 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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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