Benchmark Sets and Experimental Results for "Scalable High-Quality Hypergraph Partitioning"
Notice bibliographique
Résumé
set_A_M_HG.tar.xz: benchmark set of 488 medium sized hypergraphs. Referenced either as set A or as set M_HG in our publications. HMetis format set_B_L_HG.tar.xz: benchmark set of 94 large hypergraphs. Referenced either as set B or as set L_HG in our publications. HMetis format set_C_M_G.tar.xz: benchmark set of 172 medium sized graphs. Referenced as set M_G in our publications. Metis format set_D_L_G.tar.xz: benchmark set of 53 large graphs. Referenced as set L_G in our publications. Metis format set_A_M_HG.csv: general statistics on the benchmark set of medium sized hypergraphs set_B_M_HG.csv: general statistics on the benchmark set of large hypergraphs set_C_M_G.csv: general statistics on the benchmark set of medium sized graphs set_D_L_G.csv: general statistics on the benchmark set of large graphs results_talg.zip: experimental results for our journal article "Scalable High-Quality Hypergraph Partitioning" (ACM Transactions on Algorithms, 2024) results_alenex21.zip: experimental results for our paper "Scalable Shared-Memory Hypergraph Partitioning" (ALENEX 2021) results_alenex22.zip: experimental results for our paper "Shared-Memory n-level Hypergraph Partitioning" (ALENEX 2022) results_sea22.zip: experimental results for our paper "Parallel Flow-Based Hypergraph Partitioning" (SEA 2022)
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,064 | 0,032 |
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 ».