WikiEdge:ArXiv速递/2025-03-27：修订间差异
Updated page by Carole |
Updated page by Carole |
||
| 第25行： | 第25行： | ||
*'''原文链接'''：http://arxiv.org/abs/2503.21409v1 | *'''原文链接'''：http://arxiv.org/abs/2503.21409v1 | ||
'''中文摘要'''：[[基尔霍夫指数]]是衡量[[网络性能]]的关键指标，定义为[[网络]]中所有[[节点]]间[[电阻距离]]之和，其数值越低表示性能越优。本文研究通过添加[[边]]来最小化[[基尔霍夫指数]]的问题。首先提出一种[[贪心算法]]，并通过[[子模性]]比率和[[曲率]]的边界分析其质量；随后引入基于[[梯度]]的[[贪心算法]]作为新解决方案。为降低[[计算成本]]，我们利用[[几何特性]]、[[凸包]]近似和[[节点投影坐标]]近似技术。进一步采用[[预剪枝]]和[[快速更新]]技术优化算法，使其特别适用于[[大规模网络]]。所提算法具有近线性[[时间复杂度]]。通过在十个[[真实网络]]上的大量[[实验]]验证，结果表明我们的算法在[[效率]]和[[效果]]上均优于现有最优方法，且可扩展至含500万[[节点]]和1200万[[边]]的[[大型图]]结构。 | '''中文摘要'''：[[基尔霍夫指数]]是衡量[[网络性能]]的关键指标，定义为[[网络]]中所有[[节点]]间[[电阻距离]]之和，其数值越低表示性能越优。本文研究通过添加[[边]]来最小化[[基尔霍夫指数]]的问题。首先提出一种[[贪心算法]]，并通过[[子模性]]比率和[[曲率]]的边界分析其质量；随后引入基于[[梯度]]的[[贪心算法]]作为新解决方案。为降低[[计算成本]]，我们利用[[几何特性]]、[[凸包]]近似和[[节点投影坐标]]近似技术。进一步采用[[预剪枝]]和[[快速更新]]技术优化算法，使其特别适用于[[大规模网络]]。所提算法具有近线性[[时间复杂度]]。通过在十个[[真实网络]]上的大量[[实验]]验证，结果表明我们的算法在[[效率]]和[[效果]]上均优于现有最优方法，且可扩展至含500万[[节点]]和1200万[[边]]的[[大型图]]结构。 | ||
== 摘要 == | |||
* '''原文标题'''：Robust DNN Partitioning and Resource Allocation Under Uncertain Inference Time | |||
* '''中文标题'''：不确定推理时间下的鲁棒DNN划分与资源分配 | |||
* '''发布日期'''：2025-03-27 13:06:26+00:00 | |||
* '''作者'''：Zhaojun Nan, Yunchu Han, Sheng Zhou, Zhisheng Niu | |||
* '''分类'''：cs.DC, cs.IT, cs.LG, math.IT | |||
*'''原文链接'''：http://arxiv.org/abs/2503.21476v1 | |||
'''中文摘要'''：在[[边缘智能]]系统中，[[深度神经网络]]（[[DNN]]）[[划分]]与[[数据卸载]]可为[[资源受限]]的[[移动设备]]提供[[实时任务]][[推理]]。然而，DNN的推理时间通常具有[[不确定性]]且无法预先精确确定，这对确保[[任务]]在[[截止期限]]内及时处理提出了重大挑战。针对推理时间的[[不确定性]]，我们提出了一种[[鲁棒优化]]方案，在满足任务[[概率]][[截止期限]]的同时最小化移动设备的[[总能耗]]。该方案仅需推理时间的[[均值]]与[[方差]]信息，无需任何[[预测方法]]或[[分布函数]]。该问题被建模为[[混合整数非线性规划]]（[[MINLP]]），需联合优化DNN模型划分及本地[[CPU]]/[[GPU]][[频率]]与[[上行]][[带宽]][[分配]]。为解决该问题，我们首先将原问题分解为两个子问题：[[资源分配]]与DNN模型划分。随后，利用[[机会约束规划]]（[[CCP]]）方法将具有[[概率]][[约束]]的两个子问题等价转化为[[确定性]][[优化问题]]。最终分别采用[[凸优化]]技术和[[惩罚凸凹过程]]（[[PCCP]]）技术，获得资源分配子问题的[[最优解]]及DNN模型划分子问题的[[驻点]]。所提算法基于主流[[硬件平台]]的[[真实数据]]，并在广泛使用的DNN模型上进行[[评估]]。大量[[仿真]]表明，我们的算法在保证[[概率]][[截止期限]]的同时，能有效应对[[推理时间]][[不确定性]]并最小化[[移动设备]][[能耗]]。 | |||
2025年3月28日 (五) 07:55的版本
摘要
- 原文标题：Behavioral response to mobile phone evacuation alerts
- 中文标题：手机疏散警报的行为响应
- 发布日期：2025-03-27 13:33:56+00:00
- 作者：Erick Elejalde, Timur Naushirvanov, Kyriaki Kalimeri, Elisa Omodei, Márton Karsai, Loreto Bravo, Leo Ferres
- 分类：cs.CY, cs.SI
- 原文链接：http://arxiv.org/abs/2503.21497v1
中文摘要：本研究分析了2024年2月智利瓦尔帕莱索野火期间民众对手机疏散警报的行为响应。通过58万台设备的匿名移动网络数据，我们追踪了紧急短信通知后的人口流动情况。研究发现三个关键模式：(1) 首次警报触发即时疏散响应，1.5小时内网络连接率下降80%，而后续警报效果递减；(2) 未预警区域也出现大规模疏散，暗示可能存在交通拥堵；(3) 疏散时机存在社会经济差异，高收入区域响应更快，且预警与非预警地点差异较小。统计模型显示，疏散决策率和恢复模式均存在社会经济差异。这些发现为气候灾害应急通信策略提供依据，强调需要针对性警报、社会经济分层信息传递和分阶段疏散程序，以提升危机期间的公共安全。
摘要
- 原文标题：Resilience and Volatility in Academic Publishing, The Case of the University of Maribor 2004-2023
- 中文标题：学术出版的韧性与波动性：马里博尔大学2004-2023年案例研究
- 发布日期：2025-03-27 12:10:22+00:00
- 作者：Mojca Tancer Verboten, Dean Korošak
- 分类：cs.DL, cs.SI
- 原文链接：http://arxiv.org/abs/2503.21423v1
中文摘要：本文研究了2004至2023年间斯洛文尼亚马里博尔大学(UM)学术出版的韧性与波动性动态。该时期以重大经济压力和政策转变为特征，包括高等教育立法和大学资助的变革。研究通过UM就业数据和OpenAlex出版记录，考察了在编研究人员数量与以UM署名发表的独立作者数之间的关系。尽管2009-2013年经济衰退和紧缩阶段研究人员就业大幅减少，但以UM署名发表的独立作者数量却意外增长。这种增长源于项目制资助转型、扩大的博士生群体贡献以及国际合作增加等因素。作者流动分析揭示显著对比：短期高波动性（年流失率约40-50%）与中期强稳定性（5年流失率约8-10%）并存。生存分析证实该趋势，显示出版作者初期高流失率与核心群体的长期持续性。此外，合著网络分析表明UM研究网络随时间推移更具韧性。关键发现是2016年前后网络结构发生根本转变——从异配混合转向同配混合，标志着合作动态的深刻变化。研究结果对科研政策和大学管理具有启示意义，强调必须平衡短期绩效指标与科研生态长期稳定发展所需的韧性。
摘要
- 原文标题：Efficient Algorithms for Minimizing the Kirchhoff Index via Adding Edges
- 中文标题：通过添加边最小化基尔霍夫指数的高效算法
- 发布日期：2025-03-27 11:52:24+00:00
- 作者：Xiaotian Zhou, Ahad N. Zehmakan, Zhongzhi Zhang
- 分类：cs.DM
- 原文链接：http://arxiv.org/abs/2503.21409v1
中文摘要：基尔霍夫指数是衡量网络性能的关键指标，定义为网络中所有节点间电阻距离之和，其数值越低表示性能越优。本文研究通过添加边来最小化基尔霍夫指数的问题。首先提出一种贪心算法，并通过子模性比率和曲率的边界分析其质量；随后引入基于梯度的贪心算法作为新解决方案。为降低计算成本，我们利用几何特性、凸包近似和节点投影坐标近似技术。进一步采用预剪枝和快速更新技术优化算法，使其特别适用于大规模网络。所提算法具有近线性时间复杂度。通过在十个真实网络上的大量实验验证，结果表明我们的算法在效率和效果上均优于现有最优方法，且可扩展至含500万节点和1200万边的大型图结构。
摘要
- 原文标题：Robust DNN Partitioning and Resource Allocation Under Uncertain Inference Time
- 中文标题：不确定推理时间下的鲁棒DNN划分与资源分配
- 发布日期：2025-03-27 13:06:26+00:00
- 作者：Zhaojun Nan, Yunchu Han, Sheng Zhou, Zhisheng Niu
- 分类：cs.DC, cs.IT, cs.LG, math.IT
- 原文链接：http://arxiv.org/abs/2503.21476v1
中文摘要：在边缘智能系统中，深度神经网络（DNN）划分与数据卸载可为资源受限的移动设备提供实时任务推理。然而，DNN的推理时间通常具有不确定性且无法预先精确确定，这对确保任务在截止期限内及时处理提出了重大挑战。针对推理时间的不确定性，我们提出了一种鲁棒优化方案，在满足任务概率截止期限的同时最小化移动设备的总能耗。该方案仅需推理时间的均值与方差信息，无需任何预测方法或分布函数。该问题被建模为混合整数非线性规划（MINLP），需联合优化DNN模型划分及本地CPU/GPU频率与上行带宽分配。为解决该问题，我们首先将原问题分解为两个子问题：资源分配与DNN模型划分。随后，利用机会约束规划（CCP）方法将具有概率约束的两个子问题等价转化为确定性优化问题。最终分别采用凸优化技术和惩罚凸凹过程（PCCP）技术，获得资源分配子问题的最优解及DNN模型划分子问题的驻点。所提算法基于主流硬件平台的真实数据，并在广泛使用的DNN模型上进行评估。大量仿真表明，我们的算法在保证概率截止期限的同时，能有效应对推理时间不确定性并最小化移动设备能耗。