Notice bibliographique
Résumé
The neighbourhood load balancing problem considers a network along with a distribution of tasks over its nodes. The aim is to minimize discrepancy which is the difference between the maximum and the minimum load. This is done by a distributed process that exchanges load between neighbouring nodes. One distinguishes between the continuous model - where tasks can be split arbitrarily - and the more practical discrete model in which tasks are atomic. The former has been comprehensively studied in early results [20, 57, 29]. In the latter model, various algorithms have been developed and analyzed [10, 9, 27, 28, 41, 39, 44, 57, 62, 64]. Nevertheless, several aspects are yet to be explored, such as devising new discrete algorithms, and generalizing or tightening the existing analyses. We study the problem of discrete neighbourhood load balancing. We propose a new approach that can transform continuous load balancing algorithms into deterministic or randomized discrete versions. Despite its simplicity, the proposed approach works in quite general settings (arbitrary network topology, weighted tasks and heterogeneous processors) and in many cases achieves improved discrepancy bounds. We also study the usage of rotor-router walks - deterministic analogue of random walks - for discrete load balancing, and in particular, derandomization of existing randomized approaches. After that, we obtain discrepancy bounds for deterministic and randomized discrete second-order processes [57], where the amount of load transferred in each round depends both on the current load distribution and the amount of load transferred in the previous round. In second-order processes a node may attempt to send out more load than its available load. To address this issue, we provide bounds on the minimum load of any node which is sufficient to prevent such conditions.
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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».