Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Association Areas of the Cortex01:21

Association Areas of the Cortex

9.9K
Association areas are regions of the cerebral cortex that do not have a specific sensory or motor function. Instead, they integrate and interpret information from various sources to enable higher cognitive processes such as memory, learning, and decision-making. Some key association areas include the following:
Prefrontal Association Area: This area is located in the frontal lobe and is involved in planning, decision-making, and moderating social behavior. It connects with primary motor areas,...
9.9K
Parallel Processing01:20

Parallel Processing

809
The brain processes sensory information rapidly due to parallel processing, which involves sending data across multiple neural pathways at the same time. This method allows the brain to manage various sensory qualities, such as shapes, colors, movements, and locations, all concurrently. For instance, when observing a forest landscape, the brain simultaneously processes the movement of leaves, the shapes of trees, the depth between them, and the various shades of green. This enables a quick and...
809

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

A heterotrophic nitrification and aerobic denitrification strain capable of antibiotic degradation: From function to mechanism.

Environmental pollution (Barking, Essex : 1987)·2026
Same author

Serine Hydroxymethyltransferase (SHMT) in biology and disease: molecular mechanisms and therapeutic targeting.

Journal of translational medicine·2026
Same author

Molecular Switches in Plant Stress Adaptation: The Function and Engineering of Inducible Promoters.

Journal of agricultural and food chemistry·2026
Same author

Digital art therapy for emotional well-being in adults with cancer: A scoping review of digital health interventions.

Digital health·2026
Same author

Molecular Hydrogen in Food Packaging and Preservation: Current Advances and Interdisciplinary Perspectives.

Comprehensive reviews in food science and food safety·2026
Same author

Effects of an 8-Week Programmed Physical Activity Intervention on Children's Cognitive, Emotional, and Body Movement Development-A Quasi-Experimental Study of a Preschool in Taiwan.

Children (Basel, Switzerland)·2026

Video Experimental Relacionado

Updated: Feb 26, 2026

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.5K

Mecanismo de programación de tareas de computación de borde basado en extracción de características

Shunli Zhang1,2, Jia-Ying Li1, Peng Yu2

  • 1Department of Information Technology and Engineering, Jinzhong University, Jinzhong, People's Republic of China.

PloS one
|February 24, 2026
PubMed
Resumen

Este estudio presenta un nuevo mecanismo de programación de tareas de computación de borde (MFEAF) que mejora la eficiencia energética y las tasas de éxito de las tareas. MFEAF mejora la predicción de fallos y la programación tolerante a fallos a través de un modelado de red avanzado.

Palabras clave:
computación de bordeprogramación de tareasfusión de atenciónextracción de características multidimensionalestolerancia a falloseficiencia energéticaredes neuronalesaprendizaje automático

Videos de Experimentos Relacionados

Last Updated: Feb 26, 2026

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.5K

Área de la Ciencia:

  • Computación de borde
  • Inteligencia artificial
  • Redes de computadoras

Sus antecedentes:

  • Los algoritmos existentes de programación de tareas de computación de borde enfrentan desafíos con un alto consumo de energía y bajas tasas de éxito de tareas en el host central.
  • Las relaciones de dependencia dinámicas entre hosts en entornos de borde son complejas y difíciles de modelar.

Objetivo del estudio:

  • Proponer un mecanismo de programación de tareas eficiente y adaptable para entornos de computación de borde.
  • Mejorar la optimización de la predicción de fallos y la programación tolerante a fallos.
  • Mejorar la eficiencia energética y las capacidades de procesamiento de tareas.

Principales métodos:

  • Desarrolló un mecanismo de extracción de características multidimensionales y fusión de atención (MFEAF).
  • Integró redes de atención de grafos y modelado de redes temporales para la predicción de fallos y la programación.
  • Empleó una arquitectura de red neuronal de grafos multinivel con convolución de grafos y atención de grafos.
  • Utilizó el ajuste dinámico de la tasa de aprendizaje y el recocido coseno para mejorar la convergencia.

Principales resultados:

  • MFEAF logró una puntuación F1 de 0.9328 para la predicción de fallos, superando a los métodos existentes.
  • Demostró una disminución del 5,0 % en el consumo de energía promedio y un aumento del 12,0 % en las tareas completadas.
  • Redujo el tiempo promedio de migración en un 50 % (19,79 segundos en total), una disminución del 51,3 %.
  • Logró el menor costo y el mayor índice de equidad para los contenedores, equilibrando la asignación de recursos y la rentabilidad.

Conclusiones:

  • MFEAF ofrece una solución eficiente y adaptable para la tolerancia a fallos dinámica en la computación de borde.
  • El mecanismo propuesto mejora significativamente las métricas de rendimiento, incluida la predicción de fallos, la eficiencia energética, el procesamiento de tareas y la eficiencia de la migración.
  • MFEAF equilibra eficazmente la asignación de recursos y la rentabilidad en entornos de borde.