TAPER: query-aware, partition-enhancement for large, heterogenous,\n graphs
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
Graph partitioning has long been seen as a viable approach to address Graph\nDBMS scalability. A partitioning, however, may introduce extra query processing\nlatency unless it is sensitive to a specific query workload, and optimised to\nminimise inter-partition traversals for that workload. Additionally, it should\nalso be possible to incrementally adjust the partitioning in reaction to\nchanges in the graph topology, the query workload, or both. Because of their\ncomplexity, current partitioning algorithms fall short of one or both of these\nrequirements, as they are designed for offline use and as one-off operations.\nThe TAPER system aims to address both requirements, whilst leveraging existing\npartitioning algorithms. TAPER takes any given initial partitioning as a\nstarting point, and iteratively adjusts it by swapping chosen vertices across\npartitions, heuristically reducing the probability of inter-partition\ntraversals for a given pattern matching queries workload. Iterations are\ninexpensive thanks to time and space optimisations in the underlying support\ndata structures. We evaluate TAPER on two different large test graphs and over\nrealistic query workloads. Our results indicate that, given a hash-based\npartitioning, TAPER reduces the number of inter-partition traversals by around\n80%; given an unweighted METIS partitioning, by around 30%. These reductions\nare achieved within 8 iterations and with the additional advantage of being\nworkload-aware and usable online.\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.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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