Creating Optimal Edit Metric Codes using a Genetic Algorithm
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
Implementing error correcting codes is a challenging problem in information theory and the search for optimal codes, those of maximum size, has been the focus of research for years. Edit distance is defined as the minimum number of substitutions, insertions, and deletions required to change one word into another. Edit metric codes can be used to detect and correct substitution, insertion, and deletion errors from noise that occurs during transmission or storage of data. Important applications include those related to DNA storage, in which all these types of errors can occur. A (n, M, d)<inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">q</inf> edit metric code consists of a set of M q-ary codewords of length n where all codewords are at edit distance at least d apart. Such a code is optimal if M has the largest possible value given n, d, and q. Using a steady state genetic algorithm, this work attempts to increase the largest known value or minimum bound of M for which there exists a binary edit distance metric code with fixed codeword lengths. This work compares the ability of variation operators (two crossover and two mutation) to produce the best known values of M for a set of parameters. The results show that most combinations of variation operators are able to match the best known results for the parameter sets used in this study. For n = 16, the combination of variation operators are able to increase the best known lower bounds.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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