Succinct and Compact Data Structures for Intersection Graphs
Notice bibliographique
Résumé
This thesis designs space efficient data structures for several classes of intersection graphs, including interval graphs, path graphs and chordal graphs. Our goal is to support navigational operations such as adjacent and neighbourhood and distance operations such as distance efficiently while occupying optimal space, or a constant factor of the optimal space. \n \nUsing our techniques, we first resolve an open problem with regards to succinctly representing ordinal trees that is able to convert between the index of a node in a depth-first traversal (i.e. pre-order) and in a breadth-first traversal (i.e. level-order) of the tree. Using this, we are able to augment previous succinct data structures for interval graphs with the $\\GDistance$ operation. \n \nWe also study several variations of the data structure problem in interval graphs: beer interval graphs and dynamic interval graphs. In beer interval graphs, we are given that some vertices of the graph are beer nodes (representing beer stores) and we consider only those paths that pass through at least one of these beer nodes. We give data structure results and prove space lower bounds for these graphs. We study dynamic interval graphs under several well known dynamic models such as incremental or offline, and we give data structures for each of these models. \n \nFinally we consider path graphs where we improve on previous works by exploiting orthogonal range reporting data structures. For optimal space representations, we improve the run time of the queries, while for non-optimal space representations (but optimal query times), we reduce the space needed.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,002 | 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 ».