Notice bibliographique
Résumé
This paper compares several published algorithms which list all of the maximal cliques of a graph. A clique is a complete subgraph, i.e., a set of vertices and edges such that every pair of vertices is joined by an edge. A maximal clique is a clique which is not a proper subgraph of a larger clique. A closely related concept is that of a maximal independent set (MIS), where every pair of vertices is lacking an edge. An algorithm which lists maximal cliques for a graph G can also list MISs of graph G, if the input is changed from G to the complement of G, i.e., each edge is converted to a nonedge and vice versa. Many algorithms have been developed for finding all of the maximal cliques or MISs of a graph, but few papers compare more than a couple of these algorithms experimentally. Some papers give theoretical bounds on the complexity of algorithms, but improved theoretical bounds do not always translate into improved practical performance. This state of affairs makes it difficult for a researcher looking for the fastest algorithm to list all the maximal cliques of a graph. In this paper we compare five clique- or MIS-listing algorithms, and show that variations of the Bron and Kerbosch algorithm appear to be the fastest for random graphs and a type of graph which arises in physical mapping of genomes. Introduction: Clique- and MIS-listing algorithms
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 | 0,001 | 0,001 |
| 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 | 0,003 | 0,000 |
| 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 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 ».