Improved Bounds for Max Consensus in Wireless Networks
Notice bibliographique
Résumé
In consensus problems, the goal is for the nodes of a network to converge to a certain quantity or a function of their values using local communications. In the maximum value consensus problem, the objective of these communications is for all the nodes to converge to the maximum of their initial values. There are two existing algorithms for the maximum value consensus problem in asynchronous networks: RANDOM-PAIRWISE-MAX and RANDOM-BROADCAST-MAX for which the bounds on the mean convergence time have been derived in the literature. In this paper, we derive tighter bounds on the expected convergence time of these two algorithms when run on grid networks and random geometric graphs, respectively-two models commonly used to capture salient properties of wireless networks. We show that RANDOM-PAIRWISE-MAX run on a 2-D grid graph with n nodes converges in expectation after O(n3/2) iterations, and RANDOM-BROADCAST-MAX run on a random geometric graph with n nodes converges in expectation after O((n/ log n)3/2) iterations. These bounds improve over the previous best-known upper bounds by factors of √n log n and log n + log2n, respectively. Experiments illustrate that the proposed bounds can be up to 95% tighter than the previous state-of-the-art bounds. Furthermore, we enhance the proposed bounds by introducing probabilistic network link failures, e.g., to model packet drops in wireless networks.
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 | 0,010 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,013 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».