Notice bibliographique
Résumé
The success of P2P file sharing applications prompted new efforts to explore the applicability of using P2P overlays in other applications, for example, to build computing clusters. These new genres of P2P applications necessitate mechanisms for discovering resources (not contents) in P2P systems. Existing solutions address this issue by converting the resource descriptions into contents and then use content discovery overlays to store and retrieve these descriptions. They use structured P2P overlays that provides the best search efficiency for content discovery. Even though this approach works well, it suffers from a number of drawbacks. For example, structured overlays are designed for discovering specific contents and querying to find a range of content makes the system inefficient. Unfortunately, it is highly likely for resources queries to include range specification like "memory ≥ 3GB." Further, these research efforts discover resources based on their attributes, but neglect connectivity metrics, latency and bandwidth. These issues warrant another look at resource discovery in distributed systems. I introduce a new resource discovery scheme called resource addressable network (RAN) to address these issues. The inability to support range queries in structured overlays is a result from assigning the nodes with random node IDs. The mechanisms introduced in this thesis produce non-random node IDs such that, while they provide a structured search space, they also retain the characteristics of the unstructured metric space where the resources are naturally located, for example, the attribute–value space; the proximity between two resources in terms of their attributes is reflected also in their node IDs. Producing such a mapping from a unstructured metric space to a structured search space and designing supporting architecture is the key contribution of this thesis. RAN is multi-tier discovery substr
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,007 |
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 ».