Designing for Recommending Intermediate States in A Scientific Workflow\n Management System
Notice bibliographique
Résumé
To process a large amount of data sequentially and systematically, proper\nmanagement of workflow components (i.e., modules, data, configurations,\nassociations among ports and links) in a Scientific Workflow Management System\n(SWfMS) is inevitable. Managing data with provenance in a SWfMS to support\nreusability of workflows, modules, and data is not a simple task. Handling such\ncomponents is even more burdensome for frequently assembled and executed\ncomplex workflows for investigating large datasets with different technologies\n(i.e., various learning algorithms or models). However, a great many studies\npropose various techniques and technologies for managing and recommending\nservices in a SWfMS, but only a very few studies consider the management of\ndata in a SWfMS for efficient storing and facilitating workflow executions.\nFurthermore, there is no study to inquire about the effectiveness and\nefficiency of such data management in a SWfMS from a user perspective. In this\npaper, we present and evaluate a GUI version of such a novel approach of\nintermediate data management with two use cases (Plant Phenotyping and\nBioinformatics). The technique we call GUI-RISPTS (Recommending Intermediate\nStates from Pipelines Considering Tool-States) can facilitate executions of\nworkflows with processed data (i.e., intermediate outcomes of modules in a\nworkflow) and can thus reduce the computational time of some modules in a\nSWfMS. We integrated GUI-RISPTS with an existing workflow management system\ncalled SciWorCS. In SciWorCS, we present an interface that users use for\nselecting the recommendation of intermediate states (i.e., modules' outcomes).\nWe investigated GUI-RISP's effectiveness from users' perspectives along with\nmeasuring its overhead in terms of storage and efficiency in workflow\nexecution.\n
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».