Este artículo fue publicado por primera vez el Site del Dr. Craig Wrighty lo republicamos con permiso del autor. Lea la Parte 1, Parte 2, Parte 3, Parte 4, Parte 5, Parte 6, Parte 7, Parte 8, Parte 9 y Parte 10.
La medición de la distancia entre nodos se ha considerado compleja (Chen et al., 2020) y sujeta a errores o procesamiento computacional enumerado. Debido a los problemas con las redes de medición, algunos autores simplemente han capturado y producido representaciones de una red gráfica, sin analizar el impacto del poder y la influencia de cada nodo. Se ha llevado a cabo un enfoque limitado de esta forma en la purple Ethereum, proporcionando un modelo de sistemas informáticos en la crimson (Kim et al., 2018) sin embargo, tal enfoque falla en distinguir la validez de cada nodo o su influencia en otras partes de la crimson.
Fei (2018) resuelve algunos problemas de análisis de la influencia de la purple que otros autores, como Kim et al. (2018). El enfoque novedoso para identificar nodos influyentes en redes complejas también resume otras medidas de centralidad existentes y proporciona un medio para capturar la intensidad y la atracción mutua que puede existir entre los nodos en una purple distribuida como Bitcoin. A través de dicho proceso, el autor ofrece un medio para comparar la influencia de cada nodo, lo que permite a los investigadores analizar el poder o efecto comparativo que mantiene cada sistema.
A través de dicho análisis, Fei (2018) proporciona un medio para aislar los sistemas centrales y los factores de crimson que forman componentes de nodos gigantes dentro de redes complejas, mientras que Chen et al. (2020) analizan las tecnologías automatizadas de aprendizaje automático que pueden simplificar algunas de las tareas. Desafortunadamente, muchos autores, incluido Kim et al. (2018), continúan enfocándose en el volumen de nodos, ignorando el efecto unique que tienen los nodos más influyentes sobre el resto de la red.
Bibliografía comentada
Chen, D., Lin, Y., Li, W., Li, P., Zhou, J. y Sunlight, X. (2020). Medición y alivio del problema de suavizado excesivo para redes neuronales gráficas desde la vista topológica. Actas de la Conferencia AAAI sobre Inteligencia Artificial, 34(04), 3438–3445. https://doi.org/10.1609/aaai.v34i04.5747
Chen et al. (2020) introducen el concepto de redes neuronales gráficas (GNN) como un modelo de aprendizaje automático conectado a la representación gráfica. La metodología integra la desviación media absoluta (MAD) y las características de suavidad de muchas otras redes neuronales y herramientas de aprendizaje automático relacionadas. La funcionalidad también permite la captura de datos de pink a través de un proceso automatizado con un conjunto de herramientas conocido como sistema de optimización de borde adaptativo. Finalmente, las medidas topográficas se analizan en busca de ruido y sobrealisamiento.
El beneficio principal del documento radica en el análisis sistemático y cuantitativo de los problemas que enfrentan las GNN y la optimización de los sistemas que analizan y capturan las topografías gráficas. El análisis se realiza en varios Pubmed y redes de citas públicas relacionadas, y se ha centrado en podar y capturar información importante entre sistemas que no se captan y representan de forma pure como tales.
Fei, L., Zhang, Q. y Deng, Y. (2018). Identificación de nodos influyentes en redes complejas basadas en la ley del inverso del cuadrado. Physica A: Mecánica Estadística y sus Aplicaciones, 5121044-1059. https://doi.org/10.1016/j.physa.2018.08.135
Fey et al. (2018) documentan el proceso asociado con la identificación de nodos influyentes en redes complejas. Al determinar los nodos que tienen mayor influencia y son esenciales en la transmisión y difusión del tráfico, será posible un análisis de la descentralización y la interconectividad entre los sistemas. El documento comienza abordando los diversos tipos de medidas de centralidad que ya existen, documentando las deficiencias y limitaciones del algoritmo. Luego, los autores proponen usar una ley del cuadrado inverso para formar un índice de atracción mutua entre nodos en una pink compleja.
El documento presenta una serie de experimentos y simulaciones que comparan la medida de centralidad propuesta con las medidas existentes, como la centralidad de cercanía, la centralidad de grado y la centralidad de vector propio. Además, también se analizan los métodos utilizados con sistemas basados en web como Google (NASDAQ:GOOGL) en el rating de páginas y el position de líderes. Finalmente, el modelo y el proceso se extienden a la observación de los sistemas epidemiológicos, incluidos los modelos susceptibles e infectados. La validación experimental demuestra un buen poder estadístico en la metodología propuesta.
Kim, SK, Ma, Z., Murali, S., Mason, J., Miller, A. y Bailey, M. (2018). Medición de pares de la purple Ethereum. Actas de la Conferencia de Medición de Online 201891–104. https://doi.org/10.1145/3278532.3278542
Kim et al. (2018) proponen una metodología para medir pares de crimson en la purple Ethereum. El documento comienza presentando y documentando la capacidad de ‘contrato inteligente’ de Ethereum, y se refiere al sistema como una ‘criptomoneda’. Luego, se presenta el argumento de que Ethereum es el primer sistema de cadena de bloques completo de Turing, ignorando las capacidades dentro de Bitcoin. El método se basa en el descubrimiento de nodos y se implementa utilizando una herramienta desarrollada llamada NodeFinder. Los autores afirman que la herramienta ha encontrado más de 10 000 nodos al explorar el ecosistema P2P de Ethereum.
No se proporciona ningún análisis de la funcionalidad del nodo, como el desarrollo de bloques, y la medición y validación se centran en encontrar a todos los participantes en el sistema. Se presenta el argumento de que la herramienta se valida a través de mediciones externas donde el nodo encuentra otros sistemas que forman parte del ecosistema de pares. Desafortunadamente, no se ha publicado información sobre la creación de bloques. Asimismo, no se incluye en el estudio información relativa a la emisión o transmisión de bloques o transacciones. En consecuencia, el análisis de los “pares no productivos” (2018, p. 99) aporta pocos beneficios. Además, dado que los autores no han diferenciado entre los nodos que son clientes de la purple y los nodos que producen bloques y transmiten información de forma activa, el valor standard del artículo es limitado.
Referencias adicionales
Chen, D., Lin, Y., Li, W., Li, P., Zhou, J. y Sunshine, X. (2020). Medición y alivio del problema de suavizado excesivo para redes neuronales gráficas desde la vista topológica. Actas de la Conferencia AAAI sobre Inteligencia Synthetic, 34(04), 3438–3445. https://doi.org/10.1609/aaai.v34i04.5747
Fei, L., Zhang, Q. y Deng, Y. (2018). Identificación de nodos influyentes en redes complejas basadas en la ley del inverso del cuadrado. Physica A: Mecánica Estadística y sus Aplicaciones, 5121044-1059. https://doi.org/10.1016/j.physa.2018.08.135
Kim, SK, Ma, Z., Murali, S., Mason, J., Miller, A. y Bailey, M. (2018). Medición de pares de la purple Ethereum. Actas de la Conferencia de Medición de Internet 201891–104. https://doi.org/10.1145/3278532.3278542
Este artículo fue ligeramente editado con fines de claridad.
Ver: Discurso principal del Dr. Craig Wright: Una mejor World wide web con IPv6 y BSV Blockchain
¿Nuevo en Bitcoin? Echa un vistazo a CoinGeek Bitcoin para principiantes sección, la guía de recursos definitiva para obtener más información sobre Bitcoin, tal como lo concibió originalmente Satoshi Nakamoto, y blockchain.
