Companion of the 2022 ACM/SPEC International Conference on Performance Engineering
Notice bibliographique
Résumé
ICPE'22 is in the past, and for the first time the conference's companion proceedings are published in form of post-conference proceedings. The main motivation of this was to give authors of workshop or short papers an opportunity to improve their archived research papers based on discussions during the conference. This post-proceedings collect material for the following tracks: Work-in-Progress and Vision Track: The work-in-progress and vision track this year was organized by Cristina L. Abad. The goal of this track was for attendees to present, and get feedback on, early ideas. Two papers were accepted in this track. Poster and Demonstrations Track: Christoph Laaber and Wen Xia headed the poster and demonstrations track. Four papers were accepted and presented in a special session on the first conference day. Tutorials: Under the leadership of David Daly and Shuibing He, three high-quality tutorials were organized at the conference this year: - "Optimizing the Performance of Fog Computing Environments Using AI and Co-Simulation", by Shreshth Tuli and Giuliano Casale - "Automated Benchmarking of cloud-hosted DBMS with benchANT", by Daniel Seybold and Jörg Domaschka - "SPEC Server Efficiency Benchmark Development - How to Contribute to the Future of Energy Conservation", by Maximilian Meissner, Klaus-Dieter Lange, Jeremy Arnold, Sanjay Sharma, Roger Tipley, Nishant Rawtani, David Reiner, Mike Petrich, Aaron Cragin Data Challenge Track: The first data challenge track ever at ICPE was organized by Cor-Paul Bezemer (University of Alberta), David Daly (MongoDB) and Weiyi Shang (Concordia University), with the support of 5 PC members. In this track, an industrial performance dataset was provided by MongoDB. The participants were invited to come up with research questions about the dataset, and study those. The challenge was open-ended: participants can choose the research questions that they find most interesting. The data challenge track accepted 4 short papers, in which the proposed approaches and/or tools and their findings are discussed.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,193 | 0,116 |
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 ».