Probability Theory on Trees and Analysis of Algorithms
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
The analysis of algorithms and data structures, started by D. Knuth, is a rapidly growing area at the interface of Mathematics and Theoretical Computer Science. Probability theory enters the subject in a natural way when studying an algorithm as to its performance over randomized inputs and/or if an algorithm itself takes randomization steps. The latter holds true for so-called divide and conquer algorithms, which were a central topic of this workshop. The sorting algorithm is presumably the most prominent example. While early work was mostly based on the generating function approach, the last two decades have seen an increasing number of contributions based on probabilistic methods involving martingales, random trees and other stochastic processes. The first article of this type was written in the eighties by L. Devroye, a Humboldt award winner of 2004 and also one of the organizers. Later another pioneering contribution came by U. Rösler who, by introducing weighted branching processes and the contraction method, determined the asymptotic distributional behavior of . One can say that much of the work presented at this workshop is to some extent spawn by these articles. The aim and scope of the mini-workshop was to bring together leading junior and senior experts in the field with a strong probabilistic background and a focus on divide an conquer algorithms and related data structures. There were 16 one hour talks presented by 12 of the 14 participants from 7 countries. Main topics were branching processes, the contraction method, the asymptotic analysis of random trees, stochastic fixed point equations and randomized algorithms.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| 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