MétaCan
Menu
Retour à la cohorte
Enregistrement W1970190945 · doi:10.5539/cis.v3n1p20

Simulation Evaluation Algorithms of LSRP and DVRP in Bank Network

2010· article· en· W1970190945 sur OpenAlexvenueno aff
Feixue Huang, Zhou Yong, Zhijie Li

Notice bibliographique

RevueComputer and Information Science · 2010
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Computational Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceUsabilitySimple (philosophy)ComputationEntropy (arrow of time)AlgorithmSIMPLE algorithm

Résumé

récupéré en direct d'OpenAlex

Because the computational complexity of high usability analysis is too high when selecting the routing protocol in the bank network plan, a simple measurement method of high usability for banks is proposed to solve this problem in the article. First, establish a simulation environment which is close to the real network of banks to offer the measurement environment and data. Second, based on the theoretical comparison of LSRP and DVRP, establish the simple simulation measurement algorithm by Shannon’s information entropy theory. Finally, evaluate the degree of high usability of LSRP and DVRP in the bank network by this algorithm. The result of simulation shows that (1) the simulation is close to the periodic rule of the statistical data group in real environment, (2) the deviation ratio is less than 0.1, and (3) the covariance is unequal to 0. And the result indicates that the simulation is connected with the real environment and both are very close, and the simulation environment can offer effective data. The computation result of the simple simulation measurement algorithm shows that the time cost differences of LSRP and DVRP exist in the period of fault recovering, which indicates the simple measurement algorithm is effective.

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)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,017
Tête enseignante GPT0,323
Écart entre enseignants0,306 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputer and Information ScienceMême sujetAdvanced Computational Techniques and ApplicationsTravaux en français237 207