Computing Autotopism Groups of Partial Latin Rectangles
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
Computing the autotopism group of a partial Latin rectangle (PLR) can be performed in multiple ways. This study has two aims: comparing some of these methods experimentally to identify those that are competitive; and identifying design goals for developing practical software. We compare six families of algorithms (two backtracking and four graph-theoretic methods), with and without using entry invariants (EIs), in a range of settings. Two EIs are considered: frequencies of row, column, and symbol representatives; and 2 × 2 submatrices. The best approach to computing autotopism groups varies. When PLRs have many autotopisms (such as having very few entries or being a group table), the McKay, Meynert, and Myrvold (MMM) method computes generators for the autotopism group efficiently. (The MMM method is the standard way to compute autotopisms.) Otherwise, PLRs ordinarily have trivial or small autotopism groups, and the task is to verify this. The so-called PLR graph method is slightly more efficient in this setting than the MMM method (in some circumstances, around twice as fast). With an intermediate number of entries, the quick-to-compute strong EIs are effective at reducing the need for computation without introducing significant overhead. With a full or almost-full PLR, a more sophisticated EI is needed to reduce down-the-line computation. These results suggest a hybrid approach to computing autotopism groups: The software decides on suitable EIs based on the input; and the user chooses between the MMM or the PLR graph methods, depending on their dataset. This article expands the authors’ previous article Computing autotopism groups of PLRs: a pilot study .
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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