Distribution of IMUNES system : graph partitioning
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
In meiner Masterarbeit habe ich eine Graph-Partitionierungs Heuristik in IMUNES System implementiert. IMUNES ist ein Programm für Netzwerk Emulation / Simulation. Da die Netzwerk Emulation und Simulation sehr Rechenintensive sind, ist eine Methode für die Aufteilung der Belastung zwischen verteilten Systemen erforderlich. Die Emulation in IMUNES ist als ein Graph dargestellt, so dass das Problem der Aufteilung der Belastung ist als das Problem der Aufteilung von Knoten und Kanten des Graphen ("Graph-Partitionierung") behandelt.<br /> Nach METIS Graph-Partitionierung Algorithmuns, habe ich die Graph-Partitionierung mit drei Phasen implementiert. In der ersten Phase, Vergröberung (Coarsening), eine Hierarchie von Annäherungen an das ursprüngliche Problem wird erzeugt. In der zweiten Phase, wird eine Eingangslösung für das Problem gefunden, die dann iterativ in der dritte Phase verfeinert wird.<br /> In den Hauptteil dieser Masterarbeit beschreibe ich die Implementation der drei Phasen des Multilevel-Partitioning Algorithmus in IMUNES. Das Ziel meiner Masterarbeit war die Implementation des Echtzeit - Job - Partitionierung in IMUNES System. Nach der Implementation habe ich einige Effizienz- und Qalitätsbewertungen durchgeführt. Bewertungsergebnisse am Ende der Arbeit zeigen, dass die Methoden das gleiche Qualitätsniveau von Partitionen erreichen, wie die Partitionen abgeleitet von der METIS Methode, benötigen aber mehr Zeit, wegen den Kompromiss zwischen Geschwindigkeit und Plattformunabhängigkeit durch die Tcl/Tk Skriptsprache anstatt eine kompilierte Programmiersprache.<br />
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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 découle