Random Graph Generation in Hyperedge Replacement Languages
Notice bibliographique
Résumé
We present a novel approach for the random generation of graphs in context-free hypergraph languages. It is obtained by adapting both of Mairson's generation algorithms for context-free string grammars to the setting of hyperedge replacement grammars. It provides a concrete instrument for the generation of unbiased graph data where a solid mathematical proof is required for the validation of procedures, filling an important gap in the field of random testing. Our main result is that for non-ambiguous hyperedge replacement grammars, the method is guaranteed to efficiently generate hypergraphs uniformly at random in user-specified domains. It means that testing for the sought properties in the generated graph is no longer required since they are directly inferred by the grammar. The efficiency of the method is ensured by the proofs of polynomial time and space asymptotic behaviors. Our secondary result is that it greatly extends the range of either context-free and non-context-free string languages to sample from with a uniform distribution through the use of string graph grammars. We prove how ambiguous string grammars can be expressed with equivalent non-ambiguous hyperedge replacement grammars, overcoming the current limitation for the achievement of the uniformity of the sampling. Our contribution also proposes several case studies of relevant hyperedge replacement languages proving the existence of a representative grammar for a uniform sampling, or, otherwise, their inherent ambiguity by the analysis of particular structures. These languages form a basis for a proof by reduction for more complex languages, greatly improving the possible search for non-ambiguous solutions.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 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 ».