Improved Bounds for Max Consensus in Wireless Networks
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
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(n <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">3/2</sup> ) iterations, and RANDOM-BROADCAST-MAX run on a random geometric graph with n nodes converges in expectation after O((n/ log n) <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">3/2</sup> ) iterations. These bounds improve over the previous best-known upper bounds by factors of √n log n and log n + log <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> n, 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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