Dagdia Zaineb Chelly;克里斯汀·扎吉斯 详细研究了基于分布式粗糙集的局部敏感哈希特征选择技术。 （英语） Zbl 1522.68506号 芬丹。通知。 182，编号2，111-179（2021）. 摘要：在大数据背景下，最近一些数学工具实现了粒度计算，尤其是粗糙集理论（RST）。作为粗糙集理论的一个关键课题，特征选择已被研究，以适应RST的相关细粒度概念来处理大量数据，从而导致分布式RST版本的开发。然而，尽管具有可扩展性，分布式RST版本仍面临一个关键挑战，即在保证数据依赖性的同时，在分布式环境中划分特征搜索空间。因此，在本文中，我们提出了一种新的基于位置敏感哈希（LSH）的分布式RST版本，称为LSH-dRST，用于大数据特征选择。LSH-dRST使用LSH将类似特征匹配到同一个bucket中，并将生成的bucket映射到分区中，以更高效的方式拆分universe。更准确地说，在本文中，我们通过将LSH-dRST与基于宇宙随机划分的标准分布式RST版本进行比较，对其性能进行了详细分析。我们证明了我们的LSH-dRST在处理大量数据时是可扩展的。我们还证明了LSH-dRST以更可靠的方式确保了高维特征搜索空间的划分；因此，在分布式环境中更好地保留数据依赖性，并确保更低的计算成本。 MSC公司： 68T09号 数据分析和大数据的计算方面 68层37 人工智能背景下的不确定性推理 关键词：粒度计算;粗糙集理论;大数据;特征选择;局部敏感散列;分布式处理 软件：阿帕奇火花;磁粉探伤;UCI-毫升;Hadoop公司 PDF格式BibTeX公司 XML格式引用 \textit{D.Z.Chelly}和\textit{C.Zarges}，Fundam。通知。182，编号2，111--179（2021；Zbl 1522.68506） 全文： 内政部 参考文献： [1] 原始LSH-dRST（F=10，B=10）LSH-dRSAT 5，B=10）LSH-dRST（F=5，B=2）LSH-d RSTLSH-dRST（F=8，B=2） [2] 原始LSH-dRST（F=10，B=10）LSH-dRSAT 5，B=10）LSH-dRST（F=5，B=2）LSH-d RSTLSH-dRST（F=8，B=2） [3] 原始LSH-dRST（F=10，B=10）LSH-dRSAT 5，B=10）LSH-dRST（F=5，B=2）LSH-d RSTLSH-dRST（F=8，B=2） [4] 原始LSH-dRST（F=10，B=10）LSH-dRSAT 5，B=10）LSH-dRST（F=5，B=2）LSH-d RSTLSH-dRST（F=8，B=2） [5] 原始LSH-dRST（F=10，B=10）LSH-dRSAT 5，B=10）LSH-dRST（F=5，B=2）LSH-d RSTLSH-dRST（F=8，B=2） [6] 原始LSH dRST（F=10，B=10）LSH dRST（F=10，B=2）LSH dRST（F=10，B=25）LSH dRST（F=10，B=5）LSH dRST（F=10，B=50）LSH dRST（F=4，B=10）LSH dRST（F=4，B=2）LSH dRST（F=4，B=25）LSH dRST（F=4，B=5）LSH dRST（F=4，B=50）LSH dRST（F=5，B=10）LSH dRST（F=5，B=2）LSH dRST（F=5，B=25）LSH dRST（F=5，B=5）LSH dRST（F=5，B=50）LSH dRST（F=8，B=10）LSH-dRST（F=8，B=2） [7] Pedrycz W，Skowron A，Kreinovich V.颗粒计算手册。John Wiley&Sons，2008年。国际标准图书编号978-0-470-03554-2。 [8] 姚毅等。粒度计算：基本问题和可能的解决方案。摘自：第五届信息科学联合会议记录，第1卷。2000年，第186-189页。统一资源定位地址http://citeseerx.ist.psu。edu/viewdoc/摘要？doi=10.1.1.19.7509。 [9] 林天勇，姚玉英，扎德，洛杉矶。数据挖掘，粗糙集和粒度计算，第95卷。《物理》，2013年。国际标准图书编号978-3-7908-1791-1。 [10] Tsumoto S，Hirano S，Inuiguchi M.粗糙集理论和粒度计算研讨会综述。日本人工智能学会年会。施普林格，2001年，第239-239页。doi（操作界面）：https://doi.org/10.1007/3-540-45548-5_26。 ·Zbl 1054.68696号 ·文件编号：10.1007/3-540-45548-5_26 [11] 走向模糊信息粒化理论及其在人类推理和模糊逻辑中的中心地位。模糊集合与系统，1997年。90(2):111-127. doi（操作界面）：https://doi.org/10.1016/S0165-0114(97) 00077-8. ·Zbl 0988.0304号 [12] Wang H，Xu Z，Pedrycz W.模糊集技术在大数据处理中的作用概述：趋势、挑战和机遇。基于知识的系统，2017年。118:15-30. doi（操作界面）：https://doi.org/2016年10月10日/j.knosys.2016.11.008·doi:10.1016/j.knosys.2016.11.008 [13] Mukkamala RR、Hussain A、Vatrapu R.基于模糊集的大社会数据情绪分析。2014年IEEE第18届国际企业分布式对象计算会议。IEEE，2014年，第71-80页。doi:10.1109/EDOC.2014.19·doi:10.1109/EDOC.2014.19 [14] 张杰，李涛，潘瑜。基于MapReduce的大数据并行粗糙集知识获取。收录：第一届大数据、流和异构源挖掘国际研讨会论文集：算法、系统、编程模型和应用。ACM，2012年，第20-27页。doi（操作界面）：https://doi.org/ 10.1145/2351316.2351320. ·数字对象标识代码：10.1145/2351316.2351320 [15] Dagdia ZC、Zarges C、Schannes B、Micalef M、Galiana L、Rolland B、de Fresnoye O、Benchoufi M.作为数据挖掘技术的粗糙集理论：流行病学和癌症发病率预测的案例研究。在：关于数据库中的机器学习和知识发现的欧洲联合会议上。施普林格，2018年，第440-455页。doi（操作界面）：https://doi.org/10.1007/978-3-030-10997-4_27。 ·doi:10.1007/978-3-030-10997-4_27 [16] Hamidinekoo A，Dagdia ZC，Suhail Z，Zwiggelaar R.基于分布式粗糙集的特征选择方法，用于分析乳腺肿块分类中的深度和手工特征。在：2018年IEEE国际大数据会议（大数据）。IEEE，2018年，第2423-2432页。doi:10.1109/BigData。2018.8621962. ·doi:10.1109/BigData.2018.8621962 [17] Dagdia ZC，Zarges C，Beck G，Lebbah M.一种基于分布式粗糙集理论的算法，用于在spark框架下进行高效的大数据预处理。发表于：2017年IEEE国际大数据会议（大数据）。IEEE，2017年，第911-916页。doi:10.1109/BigData.2017.8258008·doi:10.1109/BigData.2017.8258008 [18] Dagdia ZC、Zarges C、Beck G、Lebbah M.Nouveau Modèle Sélection de Caractéristiques basésur la Théorie des Ensembles Proximatifs pour les Données Massives:Méthode de Séelection de Caracte ris-tiques pours donnes Massives。收录：Conférence International sur l’Extraction et la Gestion des Con-naissances。2018年，第377-378页。统一资源定位地址https://editions-rnti.fr/index.php？inprocid=1002409&lg=英语。 [19] Düntsch I，Gediga G.粗糙集数据分析。计算机科学与技术百科全书，2000年。43(28):281-301. 统一资源定位地址http://citeseerx.ist.psu.edu/viewdoc/download？doi=10.1.1。22.8595&rep=rep1&type=pdf。 [20] Dagdia ZC，Zarges C，Beck G，Lebbah M.《基于可扩展有效粗糙集理论的大数据预处理方法》。知识和信息系统，2020年。2020年，doi：https://doi.org/10。1007/s10115-020-01467-y·doi:10.1007/s10115-020-01467-y [21] Grzegorowski M，Ślęzak D.关于弹性特征选择：rC-产品的计算基础。信息科学，2019年。499:25-44之间。统一资源定位地址https://doi.org/10.1016/j.ins.2019.05.041。 ·Zbl 1451.68224号 ·doi:10.1016/j.ins.2019.05.041 [22] Thangavel K，Pethalakshmi A.基于粗糙集理论的维数约简：综述。应用软件计算，2009年。9(1):1-12. 统一资源定位地址https://doi.org/10.1016/j.asoc.2008.5.006。 ·doi:10.1016/j.asoc.2008.05.006 [23] Gionis A，Indyk P，Motwani R.通过散列在高维中进行相似性搜索。包含：VLDB。1999年，第518-529页。网址https://dl.acm.org/doi/10.5555/645925.671516。 ·数字对象标识码：10.5555/645925.671516 [24] 刘伟，王杰，纪锐，姜瑜，常素福。监督用内核进行散列。摘自：计算机视觉和模式识别（CVPR），2012年IEEE会议，IEEE，2012年，第2074-2081页。doi:10.1109/CVPR。2012.6247912. ·doi:10.1109/CVPR.2012.6247912 [25] Weiss Y、Torralba A、Fergus R.光谱散列。主题：神经信息处理系统的进展。2009年，第1753-1760页。统一资源定位地址http://papers.nips.cc/paper/3383-spectral-hashing.pdf。 [26] Cai D.重温近似最近邻搜索的哈希算法。arXiv预印arXiv:1612.075452016。统一资源定位地址https://arxiv.org/abs/1612.07545。 [27] Dagdia ZC，Zarges C，Beck G，Azzag H，Lebbah M.一种基于局部敏感哈希的分布式粗糙集理论算法，用于有效的大数据预处理。2018年IEEE国际大数据会议（大数据）。IEEE，2018年，第2597-2606页。doi:10.1109/BigData.2018.8622024·doi:10.1109/BigData.2018.8622024 [28] Liu H，Motoda H，Setiono R，Zhao Z。特征选择：数据挖掘领域不断发展的前沿。In：数据挖掘中的特征选择。2010年，第4-13页。统一资源定位地址http://processes.mlr.press/v10/。 [29] 刘浩，赵志。操纵数据和降维方法：特征选择。摘自：《计算复杂性》，第1790-1800页。施普林格，2012年。doi:10.1007/978-0-387-30440-3_317·doi:10.1007/978-0-387-30440-3_317 [30] Bolón-Canedo V、Rego-Fernández D、Peteiro-Barral D、Alonso-Betanzos A、Guijarro-Berdiñas B、Sánchez-Maroño n。关于高维数据特征选择方法的可扩展性。知识与信息系统，2018。第1-48页。doi（操作界面）：https://doi.org/10.1007/s10115-017-1140-3。 ·文件编号：10.1007/s10115-017-1140-3 [31] Dean J，Ghemawat S.MapReduce：一种灵活的数据处理工具。美国计算机学会通讯，2010年。53(1):72-77. doi:10.1145/1629175.1629198·doi:10.1145/1629175.1629198 [32] Vinh NX、Chan J、Romano S、Bailey J、Leckie C、Ramamohanarao K、Pei J。发现大型数据集中的外围方面。数据挖掘和知识发现，2016年。30(6):1520-1555. doi:10.1007/s10618-016-0453-2·Zbl 1416.62280号 ·doi:10.1007/s10618-016-0453-2 [33] Zhang J，Wang S，Chen L，Gallinari P。用于高维海量数据分类的多贝叶斯判别函数。数据挖掘和知识发现，2017年。31(2):465-501. doi:10.1007/s10618-016-0481-y·Zbl 1416.62368号 [34] 翟T，高毅，王H，曹L.通过资源高效的在线集成对高维演化数据流进行分类。数据挖掘和知识发现，2017年。第1-24页。doi:10.1007/s10618-017-0500-7·Zbl 1411.62175号 ·doi:10.1007/s10618-017-0500-7 [35] Shanahan JG，Dai L.使用apache spark的大规模分布式数据科学。摘自：第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集。ACM，2015年，第2323-2324页。doi:10.1145/2783258.2789993·doi:10.145/2783258.278993 [36] Peralta D、del Río S、Ramírez-Gallego S、Triguero I、Benitez JM、Herrera F。大数据分类的进化特征选择：地图简化方法。《工程中的数学问题》，2015年。2015.网址https://doi.org/10.1155/2015/246139。 ·Zbl 1395.62170号 ·doi:10.1155/2015/246139 [37] 彭浩，龙凤，丁C.基于最大依赖、最大相关和最小冗余的互信息准则的特征选择。IEEE模式分析和机器智能汇刊，2005年。27（8）：1226-1238。doi:10.1109/TPAMI.2005.159·doi:10.1109/TPAMI.2005.159 [38] Datar M，Immorlica N，Indyk P，Mirrorkni VS.基于P-稳定分布的局部敏感哈希方案。摘自：SCG’04第二十届计算几何年会论文集。ACM，美国纽约州纽约市，ISBN 1-58113-885-72004年第253-262页。doi:10.1145/997817.997857·Zbl 1373.68193号 ·数字对象标识代码：10.1145/997817.997857 [39] Charikar MS。取整算法中的相似性估计技术。摘自：2002年STOC第三十四届ACM计算机理论年会论文集。ACM，美国纽约州纽约市，ISBN 1-58113-495-92002年，第380-388页。doi:10.1145/509907.509965·Zbl 1192.68226号 ·doi:10.1145/509907.509965 [40] Indyk P，Motwani R.《近似最近邻：走向消除维度的诅咒》。收录：第三十届ACM计算机理论年会论文集，STOC'98。ACM，美国纽约州纽约市，ISBN 0-89791-962-91998年，第604-613页。doi:10.1145/276698.276876·Zbl 1029.68541号 ·doi:10.1145/276698.276876 [41] 布罗德A.论文件的相似性和包容性。In:Proceedings of the Compression and Complexity of Sequences 1997，Sequences’97（1997年序列压缩与复杂性会议录）。IEEE计算机学会，美国华盛顿特区，ISBN 0-8186-8132-21997年，第21-29页。 [42] Weiss Y、Torralba A、Fergus R.光谱哈希。摘自：《第21届神经信息处理系统国际会议论文集》，NIPS’08。美国Curran Associates Inc.，ISBN 978-1-6056-0-949-2，2008年，第1753-1760页。 [43] 何杰，刘伟，张素福。优化内核哈希的可扩展相似性搜索。在：第16届ACM SIGKDD知识发现和数据挖掘国际会议论文集，KDD’10。ACM，美国纽约州纽约市，ISBN 978-1-4503-0055-1，2010年，第1129-1138页。doi:10.1145/1835804。1835946. ·数字对象标识代码：10.1145/1835804.1835946 [44] He J，Radhakrishnan R，Chang SF，Bauer C.搜索精度和时间联合优化的紧散列。摘自：2011年IEEE计算机视觉和模式识别会议记录，CVPR’11。IEEE计算机学会，美国华盛顿特区，ISBN 978-1-4577-0394-22011，第753-760页。doi:10.1109/CVPR.2111.5995518·doi:10.1010/CVPR.2011.5995518 [45] 王杰，沈浩特，宋杰，纪杰。哈辛的相似性搜索：一项调查。CoRR，2014年。abs/1408.2927。1408.2927. [46] Pawlak Z，Skowron A.粗糙集的基础。信息科学，2007年。177(1):3-27. doi:10.1016/j.ins.2006.06.003·Zbl 1142.68549号 [47] Sakr S、Liu A、Batista DM、Alomari M。云环境中大规模数据管理方法的调查。IEEE通信调查与教程，2011年。13(3):311-336. doi:10.1109/SURV。2011.032211.00087. ·doi:10.1109/SURV.2011.032211.00087 [48] Snir M.MPI-完整参考：MPI核心，第1卷。麻省理工学院出版社，1998年。国际标准图书编号978-0-262-69215-1。 [49] Fernández A、del Río S、López V、Bawakid A、del Jesus MJ、Benítez JM、Herrera F.云计算大数据：对计算环境、MapReduce和编程框架的深入了解。威利跨学科评论：数据挖掘和知识发现，2014年。4(5):380-409. doi:10.1002/widm.1134·doi:10.1002/widm.1134 [50] Xu X，Jäger J，Kriegel HP。一种适用于大型空间数据库的快速并行聚类算法。摘自：《高性能数据挖掘》，第263-290页。斯普林格，1999年。doi:10.1023/A:1009884809343·doi:10.1023/A：1009884809343 [51] Dua D，Graff C.UCI机器学习知识库，2017年。统一资源定位地址http://archive.ics.uci.edu/ml。 [52] 拉布里尼迪斯A，贾加迪什HV。大数据带来的挑战和机遇。2012年VLDB内部会议记录。5(12):2032-2033. doi:10.14778/2367502.2367572。统一资源定位地址https://www.vldb.org/pvldb网址/第5.html卷。 ·doi:10.14778/2367502.2367572 [53] Fan W，Bifet A.挖掘大数据：现状和对未来的预测。ACM sIGKDD探索新闻稿，2013年。14（2）:1-5。doi:10.1145/2481244.2481246·doi:10.1145/2481244.2481246 [54] Afendi FM、Ono N、Nakamura Y、Nakamora K、Darusman LK、Kibinge N、Morita AH、Tanaka K、Horai H、Altaf-Ul-Amin M等。面向大数据生物学的组学数据挖掘方法和天然药用植物知识。计算与结构生物技术杂志，2013年。4(5):1-14. doi:10.5936/csbj.201301010·doi:10.5936/csbj.201301010 [55] Wu X，Zhu X，Wu GQ，Ding W.利用大数据进行数据挖掘。2014年IEEE知识和数据工程交易。26(1):97-107. doi:10.1109/TKDE.2013.109·doi:10.1109/TKDE.2013.109 [56] 陈明，毛S，刘毅。大数据：一项调查。移动网络和应用，2014年。19(2):171-209. doi:10.1007/s11036-013-0489-0·doi:10.1007/s11036-013-0489-0 [57] Larose DT公司。发现数据中的知识：数据挖掘简介。John Wiley&Sons，2014年。国际标准图书编号978-0-470-90874-7。 [58] Grzymala-Busse JW，Ziarko W.数据挖掘与粗糙集理论。Commun公司。ACM，2000年。43（4）：108-109。doi:10.1145/332051.332082·doi:10.1145/332051.332082 [59] 刘浩，于磊。面向集成特征选择算法进行分类和聚类。IEEE知识与数据工程汇刊，2005。17(4):491-502. doi:10.1109/TKDE.2005.66·doi:10.1109/TKDE.2005.66 [60] Talukder N，Zaki MJ。大规模网络中的分布式图挖掘方法。数据挖掘和知识发现，2016。30(5):1024-1052. doi:10.1007/s10618-016-0466-x·Zbl 1411.68123号 ·doi:10.1007/s10618-016-0466-x [61] Schäfer P.可伸缩时间序列分类。数据挖掘和知识发现，2016年。30(5):1273-1298. doi:10.1007/s10618-015-0441-y·Zbl 1416.62526号 ·doi:10.1007/s10618-015-0441-y [62] Qian Y，Liang J，Pedrycz W，Dang C.正逼近：粗糙集理论中属性约简的加速器。《人工智能》，2010年。174(9):597 -618. doi:10.1016/j.artint.2010.04.018·Zbl 1205.68310号 ·doi:10.1016/j.artint.2010.04.018 [63] Schneider J，Vlachos M.基于密度的可扩展聚类，使用随机投影保证质量。数据挖掘和知识发现，2017年。第1-34页。doi:10.1007/s10618-017-0498-x·Zbl 1411.62172号 ·文件编号：10.1007/s10618-017-0498-x [64] 怀特·哈多普：权威指南。O“Reilly Media，Inc.”，2012年。国际标准图书编号978-1-449-31152-0。 [65] Tan M，Tsang IW，Wang L.走向大数据的超高维特征选择。《机器学习研究杂志》，2014年。15:1371-1429. 网址http://jmlr.org/papers/v15/。 ·Zbl 1318.68156号 [66] Guyon I，Elisseeff A.变量和特征选择简介。机器学习研究杂志，2003年。3（3月）：1157-1182。统一资源定位地址http://www.jmlr.org/papers/v3/。 ·Zbl 1102.68556号 [67] Dash M，Liu H.分类特征选择。智能数据分析，1997年。1(1-4):131-156. doi:10.1016/S1088-467X（97）00008-5·doi:10.1016/S1088-467X（97）00008-5 [68] Keogh E，Mueen A.维度诅咒。收录于：《机器学习百科全书》，第257-258页。施普林格，2011年。doi:10.1007/9781-4899-7687-1_192·doi:10.1007/978-1-4899-7687-1_192 [69] 粗糙集：关于数据推理的理论方面，第9卷。施普林格科学与商业媒体，2012年。国际标准图书编号978-94-011-3534-4。 [70] Wang X，Yang J，Teng X，Xia W，Jensen R.基于粗糙集和粒子群优化的特征选择。模式识别字母，2007年。28(4):459-471. doi:10.1016/j.patrec.2006.09.003·doi:10.1016/j.patrec.2006.09.003 [71] Swiniarski RW，Skowron A.特征选择和识别中的粗糙集方法。模式识别字母，2003年。24(6):833-849. doi:10.1016/S0167-8655（02）00196-4·Zbl 1053.68093号 ·doi:10.1016/S0167-8655（02）00196-4 [72] Guyon I，Elisseeff A.特征提取简介。特征提取，2006年。第1-25页。doi:10.1007/978-3-540-35488-8_1·doi:10.1007/978-3-540-35488-8_1 [73] John GH、Kohavi R、Pfleger K等。无关特征和子集选择问题。在：Ma-chine学习：第十一届国际会议记录。1994年，第121-129页。doi:10.1016/B978-1-55860-335-6.50023-4。 [74] Prinzie A，Van den Poel D。多类分类的随机森林：随机多项式logit。专家系统与应用，2008年。34(3):1721-1732. doi:10.1016/j.eswa.2007.01.029·doi:10.1016/j.eswa.2007.01.029 [75] Ahmed S，Zhang M，Peng L.使用GP增强LC-MS数据中生物标记物发现的特征选择。in:进化计算（CEC），2013年IEEE大会。IEEE，2013年，第584-591页。doi:10.1109/CEC.2013.6557621·doi:10.1010/CEC.2013.6557621 [76] Aghdam MH，Ghasem-Aghaee N，Basiri ME。使用蚁群优化的文本特征选择。2009年应用专家系统。36(3):6843-6853. doi:10.1016/j.eswa.2008.08.022·doi:10.1016/j.eswa.2008.08.022 [77] Ghosh A，Datta A，Ghosh S.高光谱图像数据特征选择的自适应差分进化。应用软件计算，2013年。13(4):1969-1977. doi:10.1016/j.asoc.2012.11.042·doi:10.1016/j.asoc.2012.11.042 [78] Lingras P.使用遗传算法的无监督粗糙集分类。《智能信息系统杂志》，2001年。16(3):215-228. doi:10.1023/A:1011219918340·Zbl 1016.68112号 ·doi:10.1023/A:1011219918340 [79] Lingras P.web挖掘的粗糙集聚类。In:Fuzzy Systems，2002年。FUZZ-IEEE’02（模糊-观察）。2002年IEEE国际会议记录，第2卷。IEEE，2002年，第1039-1044页。doi:10.1109/模糊。2002.1006647. ·doi:10.1109/FUZZ.2002.1006647 [80] Bai C，Sarkis J.使用灰色系统和粗糙集方法将可持续性融入供应商选择。《国际生产经济学杂志》，2010年。124(1):252-264. doi:10.1016/j.ijpe-2009。11月23日·doi:10.1016/j.ijpe.2009.11.023 [81] Guller M.带火花的大数据分析：使用火花进行大规模数据分析的实践者指南。斯普林格，2015年。国际标准图书编号978-1-4842-0965-3。doi:10.1007/9781-4842-0964-6·doi:10.1007/9781-4842-0964-6 [82] Indyk P，Motwani R。近似最近邻：消除维度诅咒。摘自：第三十届ACM计算理论年会论文集。ACM，1998年，第604-613页。doi:10.145/276698.276876·Zbl 1029.68541号 ·doi:10.1145/276698.276876 [83] Charikar MS。取整算法中的相似性估计技术。摘自：第三十届ACM计算理论研讨会论文集。ACM，2002年，第380-388页。doi:doi.org/10.1145/509907.509965·Zbl 1192.68226号 [84] Lv Q，Josephson W，Wang Z，Charikar M，Li K.Ferret：基于内容的特征丰富数据相似性搜索工具包。ACM SIGOPS操作系统评论，2006年。40(4):317-330. doi:10.1145/1218063。1217966. ·数字对象标识代码：10.1145/1218063.1217966 [85] 王杰，沈浩特，宋杰，纪杰。哈辛的相似性搜索：一项调查。CoRR，2014年。abs/1408.2927。1408.2927，网址http://arxiv.org/abs/1408.2927。1节点：249.1861 1节点：44.77727 1节点：293.9634 2节点：281.8208 2节点：49.16752 2节点：330.9884 4节点：252.6248 4节点：21.05362 4节点：273.6784 8节点：250.6381 8节点：17.36132 8节点：267.9994 16节点：253.5395 16节点：10.56732 16节点：264 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。