On Designing Adaptive Data Structures with Adaptive Data "Sub"-Structures
Notice bibliographique
Résumé
Data structures are key pillars for optimizing computational efficiency, as they contribute in no small measure to enhancing the "speed" in the accessing and subsequent processing of data.The need for enhancing speed is critical for almost all applications and domains, and this is most relevant when real-time or near real-time efficiency is desired.This thesis proposes the use of "Adaptive" Data-Structures (ADSs) that invoke reinforcement learning schemes from the theory of Learning Automata (LA).These operate in conjunction with select re-organization rules to update themselves as they receive queries from the Environment of interaction.The result of such a process is the subsequent minimization of the cost associated with query accesses.The Environments under consideration are those that exhibit a so-called "locality of reference", and are referred to as Non-stationary Environments (NSEs).A hierarchy of data "sub"-structures is used to design Singly-Linked Lists (SLLs) First and foremost, I give thanks to the Lord, my God, for He is good, and His mercies endure forever.Let all the earth praise the Name of the Lord God and His Son Jesus Christ, who is blessed forever and ever.I am particularly grateful to my Supervisor Prof. B. John Oommen.He has been a rock and a support to me.He taught me all that I know about the field of learning automata, and by extension, the broader body of reinforcement learning.Prof. Oommen was my mentor and received me as his son.He was an example of what it means to live in holiness and righteousness.I am privileged to sit and learn under him.I would like to offer special thanks to my parents
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».