Editorial Message - Special Track on Embedded Systems: Applications, Solutions, and Techniques
Notice bibliographique
Résumé
Spatial and Image based information systems are increasingly at the heart of novel applications, raising new challenges in complex spatial data modelling, spatial data and image sharing, and emergent spatial data semantics.The ACM SAC track on Advances in Spatial and Image-based Information Systems (ASIIS) aims to foster interdisciplinary discussions and research in complementary aspects of these systems.The track includes original research contribution and practical design solutions and brings together different points of view when addressing spatial and image based information systems.This year 20 papers were submitted from 15 countries, showing the establishment of the event as a truly international competition.After a rigorous blind peer review procees, only 5 papers were accepted for inclusion in the conference proceedings.Due to space limitations many good papers were rejected.In the first paper, entitled Structural similarity in geographical queries to improve query answering, Arianna D'Ulizia, Fernando Ferri, Anna Formica, Patrizia Grifoni, and Maurizio Rafanelli address query approximation problem with imprecise or missing query data in Geographic Information Systems, and proposes an approach for query constraints relaxing.The authors use the concept similarity in an ontology management system mixed with the maximum weighted matching problem in bipartite graphs.In the second paper entitled "Distortion-constrained compression of vector maps", Alexander Kolesnikov and Alexander Akimov provide an algorithm for lossy compression of vector maps for given error tolerance.The algorithm is based on optimal polygonal approximation and dynamic quantization of vector data.A near optimal distortion-constrained quantizer with step defined by the tolerance level was constructed.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,012 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,024 |
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 ».