Energy-aware Allocation of Graph Jobs in Vehicular Cloud Computing-enabled Software-defined IoV
软件定义的车联网（SDIoV）已经成为下一代汽车运输系统实现灵活和全面的资源管理的一个有前途的范例。本文研究了一种基于车载云计算的SDIoV框架，将传输功率和图作业的联合分配问题转化为一个非线性整数规划问题。为了有效地解决这个问题，提出了一种基于结构保持的两阶段分配方案，将模板搜索与功率分配相结合。具体而言，一个层次树为基础的随机子图同构机制，在第一阶段中应用，通过识别潜在的映射（模板）之间的组件的图形作业和服务提供商。第二阶段采用基于结构保持模拟退火的功率分配算法，以实现作业完成时间和能量消耗之间的折衷。大量的仿真进行了验证所提出的算法的性能。
2020-04-07 cs.DC
Power-Aware Allocation of Graph Jobs in Geo-Distributed Cloud Networks
在大数据时代，提交到云的作业呈现出由图表示的复杂结构，其中节点表示每个子任务可以容纳在服务器中的插槽中，而边表示子任务之间的通信约束。我们开发了一个框架，用于在地理分布式云网络（GDCN）中有效地分配图形作业，明确考虑了计算中心（DC）的功耗。我们解决了图作业分配中出现的以下两个挑战：i）分配问题属于NP-难非线性整数规划; ii）分配需要解决NP-完全子图同构问题，这在大规模GDCN中特别麻烦。我们为各种规模的GDCN开发了一套有效的解决方案。对于小规模的GDCN，我们提出了一种基于凸规划的分析方法。对于中等规模的GDCN，我们开发了一个分布式分配算法，利用DC的处理能力并行。之后，我们提供了一种新的低复杂度（分散式）子图提取方法，在此基础上，我们引入云爬虫，旨在为大规模GDCN提取良好潜力的分配。鉴于这些建议的策略，我们进一步研究固定和自适应DC定价方案下的策略选择，并提出了一个在线学习算法。
2019-11-14 cs.DC
Right-sizing compute resource allocations for bioinformatics tools with Total Perspective Vortex
本文提出 Total Perspective Vortex（TPV）工具，通过动态设置单个作业资源需求、跨异构资源元调度及社区维护的近千个工具默认资源数据库，解决 Galaxy 平台资源过度分配问题，并在实际部署中验证了其有效性。
2023-12-04 cs.DC
Allocation of Computation-Intensive Graph Jobs over Vehicular Clouds in IoV
图作业表示各种各样的计算密集型任务，其中计算由包括组件（表示数据源或数据处理）和边（对应于组件之间的数据流）的图表示。近年来，智能车辆和计算密集型图形工作的急剧增长，这对提供与车联网相关的高效服务提出了新的挑战。幸运的是，由一系列车辆形成的车辆云，允许在车辆之间卸载作业，可以大大减轻沉重的车载工作负载，并实现按需提供计算资源。在本文中，我们提出了一种新的框架，车辆云，地图组件的图形作业的服务提供商通过机会性的车辆到车辆的通信。然后，图作业分配车辆云被制定为一个非线性整数规划的车辆的接触时间和可用资源，旨在最大限度地减少作业完成时间和数据交换成本。这个问题在两种情况下得到解决：低流量和高峰时间。对于前者，我们确定问题的最优解。在后一种情况下，给定的棘手的计算得出可行的分配，我们提出了一种新的低复杂度的随机图作业分配机制，考虑层次树的子图同构。我们通过大量的模拟评估我们提出的算法的性能。
2019-06-25 cs.DC cs.NI
heSRPT: Parallel Scheduling to Minimize Mean Slowdown
现代数据中心为能够利用并行性的工作负载提供服务。当一个作业在多个服务器上并行化时，它将更快地完成，但是作业从分配额外的服务器中获得的回报越来越少。由于为单个作业分配多个服务器效率低下，因此不清楚如何最好地在许多可并行化的作业之间分配固定数量的服务器。本文提出了第一个最优分配策略，使已知大小的可并行作业的平均减速最小化时，所有的作业都存在于时间0。我们的政策提供了一个简单的封闭形式的公式，在每一个时刻的最佳分配。最小化平均减速通常需要支持短期工作而不是长期工作（如SRPT政策）。然而，由于可并行作业具有次线性加速函数，系统效率也是一个问题。系统效率最大化，通过平等分配给所有的工作，从而竞争的目标，优先小的工作。我们的最优策略，高效率SRPT（heSRPT），平衡这些相互竞争的目标。heSRPT根据作业的大小顺序完成作业，但通过在每个时刻为每个作业分配一些服务器来保持整体系统效率。我们的研究结果推广到也提供了最优分配政策方面的平均流时间。最后，我们考虑在线的情况下，随着时间的推移，工作到达系统。虽然优化的平均速度减慢在线设置是更加困难的，我们发现，heSRPT提供了一个很好的启发式政策的在线设置。事实上，我们的模拟表明，heSRPT显着优于国家的最先进的分配政策的并行作业。
2020-11-18 cs.DC cs.PF
BOA Constrictor: Squeezing Performance out of GPUs in the Cloud via Budget-Optimal Allocation
Carnegie Mellon University（卡内基梅隆大学）；University of Warwick（华威大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）
BOA Constrictor通过预算最优分配策略优化云中GPU资源分配，减少训练任务的平均完成时间。
2026-07-28 cs.DC
Get Your Memory Right: The Crispy Resource Allocation Assistant for Large-Scale Data Processing
像Apache Spark和Apache Hadoop这样的分布式数据流系统可以在集群上对大型数据集进行数据并行处理。然而，选择适当的计算资源用于低成本作业-既不会导致瓶颈也不会导致低资源利用率-通常具有挑战性，即使对于数据工程师等专家用户也是如此。此外，现有的资源选择自动化方法依赖于这样的假设，即作业是重复的，以从先前的运行中学习，或者保证完整测试运行的成本来学习。然而，这种假设往往不成立，因为许多工作都太独特了。因此，我们提出了脆，一种方法，用于优化数据处理集群配置的基础上，作业分析运行的小样本的数据集上只有一台机器。Crispy尝试推断完整数据集的内存使用情况，然后选择具有足够总内存的集群配置。在我们对包含1031个Spark和Hadoop作业的数据集进行的评估中，我们看到与基线相比，作业执行成本降低了56%，而在消费级笔记本电脑上，每个作业的分析运行时间平均不到10分钟。
2023-01-10 cs.DC
On Optimal Server Allocation for Moldable Jobs with Concave Speed-Up
针对可并行、凹加速比作业在多服务器系统中的分配问题，提出一种简单方案，使被接受作业平均执行时间最优，并在大规模及异构负载下保证阻塞概率趋零。
2024-04-15 cs.DC cs.PF math.PR
Metronome: Efficient Scheduling for Periodic Traffic Jobs with Network and Priority Awareness
Shanghai Jiao Tong University（上海交通大学）；Pengcheng Laboratory（鹏城实验室）；Fudan University（复旦大学）
Metronome通过网络和优先级意识调度机制，提高集群资源利用率并减少任务完成时间，适用于具有周期性流量模式的任务。
2026-02-10 cs.DC
Allocation and Admission Policies for Service Streams
一个服务供应系统进行检查，其中一些服务器被用来提供不同类型的服务，付费客户。客户执行作业流的费用;作业流中的作业数量和提交率是指定的。另一方面，提供者承诺一定的服务质量（QoS），通过流中作业的平均等待时间来测量。如果未满足约定的QoS要求，则支付罚款。目标是使单位时间的总平均收益最大化。动态政策，使服务器分配和流准入的决定，介绍和评估。几个模拟的结果进行了说明。
2011-02-17 cs.DC cs.PF
Rubick: Exploiting Job Reconfigurability for Deep Learning Cluster Scheduling
针对现有深度学习集群调度将可重构训练作业视为黑盒导致的性能与利用率低下问题，提出Rubick调度系统，联合优化作业执行方案与多资源分配，在64-GPU集群上显著提升作业完成速度与集群效率。
2024-08-16 cs.DC
Helping HPC Users Specify Job Memory Requirements via Machine Learning
由于应用程序和环境配置选项的多样性，最终用户仍然难以在高性能计算（HPC）设置中进行资源分配。用户很难估计他们的作业所需的处理器数量和内存量，选择队列和分区，以及估计作业输出何时可用于计划下一个实验。除了由于做出错误的分配决策而浪费基础设施资源之外，总体用户响应时间也会受到负面影响。已经提出了利用批处理调度系统来预测用户作业的等待时间和运行时间的技术。然而，我们观察到，这种技术不适合预测作业记忆的使用。在本文中，我们介绍了一个工具，帮助用户预测他们的内存需求，使用机器学习。我们描述了一个批处理调度系统的工具的集成，讨论如何批处理调度日志数据可以被利用来生成内存使用预测，通过机器学习，并提出了两个生产系统包含数千个工作的结果。
2016-11-09 cs.DC
QoS-Driven Job Scheduling: Multi-Tier Dependency Considerations
对于云服务提供商而言，在履行服务质量（QoS）义务的同时提供最佳系统性能对于维持可行的盈利业务至关重要。考虑到云计算工作的不规则性，这一目标通常很难实现。这些作业期望以按需方式（即随机到达）获得高QoS。为了优化对这样的客户端需求的响应，云服务提供商将云计算环境组织为多层架构。每一层都执行其指定的任务，并将作业传递给下一层;其方式与传统的作业车间环境类似，但不完全相同。必须进行优化过程以在层的资源上调度作业的适当任务，从而满足作业的QoS期望。现有的方法采用调度策略，考虑在个别资源水平的性能优化，并产生最佳的单层驱动的时间表。由于多层环境的顺序性，此类计划对其他资源和层的性能的影响往往被忽略，从而导致在多层级别进行测量时性能不佳。在本文中，我们提出了一个面向多层作业调度和分配技术。调度和分配过程被公式化为一个问题的分配作业的资源队列的云计算环境中，每个资源的环境中采用一个队列来容纳分配给它的作业。调度问题是NP-难的，因此生物启发遗传算法的建议。跨环境所有层的计算资源通过单个队列虚拟化在一个资源中虚拟化。提出了一种模拟虚拟队列中任务排序和分配的染色体。
2020-04-12 cs.DC
Allocation of Fungible Resources via a Fast, Scalable Price Discovery Method
我们考虑分配或分配资源给一组工作的问题。我们考虑的情况下，资源是可互换的，也就是说，工作可以用任何混合的资源，但不同的效率。在我们的公式中，我们最大限度地提高总效用的资源使用，这是一个凸优化问题，所以是听话的限制。在本文中，我们开发了一个自定义的，可并行化的算法来解决资源分配问题，规模大的问题，数百万的工作。我们的算法是基于对偶问题，其中与资源使用限制相关的对偶变量可以解释为资源价格。我们的方法在每次迭代中更新资源价格，最终发现最优资源价格，从中获得最优分配。我们提供了我们方法的开源实现，它可以在几秒钟内在CPU上解决数百万个作业的问题，在GPU上不到一秒钟;我们的软件可以在毫秒内解决较小的问题。在大型问题上，我们的实现比凸优化的数学求解器快三个数量级。
2021-04-18 cs.DC math.OC
Optimization of Topology-Aware Job Allocation on a High-Performance Computing Cluster by Neural Simulated Annealing
Beijing University of Technology（北京工业大学）
高性能计算（HPC）集群上的作业可能会因作业间网络干扰而遭受显著的性能下降。拓扑感知的作业分配问题（TJAP）是一个决定如何将节点分配给特定应用以减轻作业间网络干扰的问题。在本文中，我们研究了基于窗口的TJAP的胖树网络，旨在最大限度地减少成本的通信跳，一个定义的作业间干扰度量。基于窗口的调度方法周期性地重复队列中的作业，并解决将作业映射到可用节点的分配问题。考虑了两种特殊的分配策略，即，静态连续性分配策略（SCAS）和动态连续性分配策略（DCAS）。对于SCAS，开发了0-1整数规划。对于DCAS，提出了一种称为神经模拟算法（NSA）的方法，该方法是对模拟算法（SA）的扩展，该模拟算法学习修复算子并将其用于引导式启发式搜索。NSA的有效性证明了对SA和SCIP的计算研究。数值实验结果表明，本文提出的模型和算法是有效的。
2023-02-06 cs.AI cs.DC
Experimentally Evaluating the Resource Efficiency of Big Data Autoscaling
本文通过实验评估了Spark等大数据系统自动扩展的资源效率，发现其相比静态资源分配无显著优势，并指出节点大小和内存CPU比率的非弹性是根本局限。
2025-01-24 cs.DC
FaaS Is Not Enough: Serverless Handling of Burst-Parallel Jobs
针对FaaS处理突发并行作业的不足，提出基于组调用原语的无服务器方案，通过整合容器增强局部性，实现同步通信，显著降低延迟，TeraSort提速2倍，PageRank提速13倍。
2024-07-19 cs.DC
Machine Learning for Predictive Analytics of Compute Cluster Jobs
Kansas State University（堪萨斯州立大学）
我们解决的问题，预测是否有足够的内存和CPU资源已被要求在提交时的作业。为此，我们研究了训练监督机器学习系统以预测结果的任务-工作是否会因资源不足而失败-作为分类任务。足够高的准确度，精确度和召回在这个任务促进更多的预期决策支持应用程序在HPC资源分配领域。我们使用一个新的测试床的初步结果表明，失败的工作的概率与信息免费提供的工作提交时，因此可以使用的学习系统的用户建模，提供个性化的反馈给用户。
2018-05-20 cs.DC cs.LG
Asymptotically Optimal Scheduling of Multiple Parallelizable Job Classes
The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Carnegie Mellon University（卡内基梅隆大学）
本文研究了多可并行作业类的调度问题，提出在轻负载时优先处理最不并行化的作业，在重负载时优先处理预期剩余处理时间最短的作业，并开发了渐近最优的调度策略。
2025-12-29 cs.DC cs.PF
A New Approximation Technique for Resource-Allocation Problems
我们开发了一个舍入方法的基础上随机游走的多面体，这导致了改进的近似算法和完整性差距的分配问题，出现在资源分配和调度。特别是，它将Shmoys和Tardos关于广义指派问题的工作推广到某些工作可以被丢弃的情况。随机二部匹配的新的浓度范围的发展。
2017-12-17 cs.DC cs.DS
Energy-Efficient GPU Clusters Scheduling for Deep Learning
提出PowerFlow GPU集群调度器，通过性能建模、动态配置调整及网络打包与伙伴分配，在能源预算下最多将平均作业完成时间提升1.57至3.39倍。
2023-05-14 cs.DC
Scheduler-Driven Job Atomization
本文提出调度器驱动的作业原子化（SJA）范式，通过调度器与作业双向交互，在执行前将作业拆分为适配空闲间隙的安全子作业，以提高GPU利用率并减少等待与迁移开销。
2025-09-23 cs.DC
Flora: Efficient Cloud Resource Selection for Big Data Processing via Job Classification
针对大数据处理中云资源配置选择困难的问题，提出Flora方法，通过作业分类和测试执行推导配置，在Google Cloud上180次Spark作业中实现成本优化，平均偏差低于6%。
2025-02-28 cs.DC
Shared-object System Equilibria: Delay and Throughput Analysis
我们考虑共享对象系统，需要他们的线程来完成系统的工作，首先获得顺序的对象需要的工作，然后持有，直到工作完成。这样的系统是各种共享资源分配和同步系统的核心。这项工作开辟了一个新的角度来研究预期的作业延迟和吞吐量分析，给定的可能的一组作业，可能会动态加入系统。我们确定了系统的依赖关系，导致线程之间的竞争，因为他们试图获取作业对象。我们使用这些观察来定义共享对象系统的均衡。我们注意到，只要工作到达系统的速率与工作完成速率相匹配，系统就处于均衡状态。这些均衡不仅考虑作业延迟，还考虑作业吞吐量，以及每个线程为了完成其作业而阻塞其他线程的时间。然后，我们进一步详细研究线程工作周期，并通过使用问题的图形表示，我们能够提出寻找和估计均衡的程序，即，发现作业延迟和吞吐量，以及阻塞时间。据我们所知，这是一个新的视角，可以为问题提供更好的分析工具，以便估计与通过工作系统和模拟实验获得的性能指标类似的性能指标，例如，如（分布式）共享对象系统中的作业延迟和吞吐量。
2015-11-03 cs.DC
Local Ratio based Real-time Job Offloading and Resource Allocation in Mobile Edge Computing
针对MEC中截止期约束任务的卸载与通信、计算资源分配联合优化问题，提出近似界为1/6的IDAssign算法，并基于真实出租车轨迹和目标检测应用验证其性能。
2025-03-21 cs.DC cs.DM cs.DS
Heavy Traffic Optimal Resource Allocation Algorithms for Cloud Computing Clusters
云计算正在成为商业、个人和移动计算应用的重要平台。本文研究了云计算的一个随机模型，其中作业根据随机过程到达并请求CPU、内存和存储空间等资源。我们考虑一个模型，其中的资源分配问题可以分为路由或负载均衡问题和调度问题。研究了加入最短队列路由算法和二次选择幂路由算法，并结合MaxWeight调度算法进行了研究。已知这些算法是吞吐量最优的。在本文中，我们表明，这些算法是最佳的队列长度在繁忙的交通限制。
2012-06-06 cs.DC cs.PF
Advanced Scheduling Strategies for Distributed Quantum Computing Jobs
Tyndall National Institute（廷德尔国家研究所）；University of Parma（帕尔马大学）
本文提出并评估了多种调度策略，以优化分布式量子计算任务的资源利用和执行效率，针对不同任务类型和网络条件进行比较。
2026-08-03 cs.DC cs.PF quant-ph
Serving Chain-structured Jobs with Large Memory Footprints with Application to Large Foundation Model Serving
Pennsylvania State University（宾夕法尼亚州立大学）；Texas A&M University（德克萨斯农工大学）
本文研究了大基础模型服务中的链式结构作业服务问题，提出了一种基于块放置和缓存分配的新型问题解决方案，通过流水线并行化解决了服务器链组成问题，显著提升了响应时间。
2026-11-04 cs.DC cs.PF
A Direct Approach for Solving Cloud Computing Task Assignment with Soft Deadlines
本文提出一种基于整数线性规划和拍卖机制的云计算弹性作业调度框架，通过软接受协议实现带软截止期限的在线资源分配，并证明算法具有多项式时间复杂度。
2023-12-22 cs.DC
Runtime Variation in Big Data Analytics
分析了Microsoft Cosmos平台上数百万SCOPE作业的运行时变异性，提出了一种平均准确率超96%的2步预测方法，并探讨了其在资源分配与调度等假设分析中的应用。
2023-04-07 cs.DC
An Optimum Scheduling Approach for Creating Optimal Priority of Jobs with Business Values in Cloud Computing
通过考虑作业的业务重要性来实现最优的任务调度已经成为云计算的付费和使用模型中感兴趣的问题。引入一个合适的模型，一个有效的任务调度技术可以得到好处的服务提供商以及客户端。在本文中，我们解决了两个主要挑战，这对云系统的性能有影响。其中一个主要问题是处理分配任务的技术方面，以获得目标收益，第二个问题与处理业务优先级有关，以同时解决与云消费者相关的业务复杂性。通过适当考虑技术需求和业务需求这两个方面的权重，可以实现协调的调度。它可以这样做，它满足技术领域以及业务领域的QoS要求。与技术优先级一起，需要业务Bp来创建结果优先级，该优先级可以被赋予进一步处理的阶段，如任务分配和仲裁方案。在这里，我们考虑由半自适应调度算法管理的技术优先级Tp，而由此产生的优先级是由业务优先级Bp层封装技术优先级Tp以实现传入任务的总体优先级而得到的。这导致混合优先级创建，其是技术优先级Tp和业务优先级Bp的组合。通过考虑作业的业务优先级，可以为以其原生技术优先级提交的任务实现更高的服务水平满意度。通过这种方法，任务的等待时间往往会减少，它提供了更好的服务水平满意度。
2014-07-20 cs.DC cs.NI
Optimal Parallel Scheduling under Concave Speedup Functions
针对任意凹加速比函数下的并行作业调度难题，提出CDR规则、GWF方法与SmartFill算法，实现低复杂度最优分配并显著优于heSRPT。
2025-09-01 cs.DC cs.PF
Priority-based Fair Scheduling in Edge Computing
调度在边缘计算中很重要。与云相比，边缘资源受到硬件限制，无法支持工作负载驱动的基础设施扩展。因此，边缘的资源分配和调度需要全新的视角。现有的边缘调度研究假设所有需要的资源，只要一个作业请求的可用性。本文挑战了这一假设，因为并非所有来自云服务器的作业请求都可以在边缘节点上调度。因此，保证客户端之间的公平性（云服务器卸载作业），同时考虑作业的优先级成为一项关键任务。本文提出了四种调度技术，第一种是一个天真的先来先服务的策略，并进一步提出了三种策略，即客户端公平，优先级公平，和混合帐户的公平客户端和作业优先级。在三种不同的情况下，即平等的，随机的，高斯作业分布的目标平台上的评估。实验研究突出了较低的开销和分配的边缘节点上的调度作业相比，天真的策略。结果证实了混合策略的优越性能，并展示了边缘计算公平竞争的可行性。
2020-01-24 cs.DC cs.NI
Minimizing Total Busy Time for Energy-Aware Virtual Machine Allocation Problems
针对云计算环境下虚拟机资源多、间隔时间固定、虚拟机不可抢占等特点，研究了具有能量感知的虚拟机资源分配问题。许多以前的工作都建议使用最少数量的物理机，然而，这并不一定是在具有多个资源、固定间隔时间和非抢占的虚拟机放置中最小化总能耗的好解决方案。我们观察到，最小化所有物理机的总繁忙时间之和意味着最小化物理机的总能耗。此外，如果虚拟机到物理机的映射具有相同的总繁忙时间，则最佳映射使物理机的剩余可用资源最小化。基于这些观察，我们提出了基于经验的EM算法来解决具有固定开始时间和持续时间的能量感知的VM分配。此外，本文还研究了一些用于对虚拟机列表进行排序的算法（例如，按最早开始时间、或最晚结束时间、或最长持续时间等排序）分配VM。我们使用CloudSim工具包和Feitelson的并行工作负载存档中的作业日志跟踪来评估EM。仿真结果表明，EM-ST，EM-LFT和EM-LDTF算法可以减少总的能量消耗相比，最先进的功率感知的VM分配算法。(e.g.功率感知最佳拟合递减（PABFD）[7]））。
2015-11-21 cs.DC cs.PF
Artificial Intelligence for Cost-Aware Resource Prediction in Big Data Pipelines
BITS Pilani（比斯·帕利尼大学）
本文提出基于随机森林回归的AI方法，利用Google Borg跟踪数据预测大数据管道资源利用率，实现高精度（R²=0.99），支持成本感知的云自动伸缩。
2025-09-30 cs.AI cs.DC
Aryl: An Elastic Cluster Scheduler for Deep Learning
ByteDance（字节跳动）；City University of Hong Kong（香港城市大学）；The Chinese University of Hong Kong（香港中文大学）
Aryl通过容量借用和弹性伸缩优化深度学习集群调度，减少排队时间和作业完成时间，提升集群利用率。
2022-02-16 cs.DC cs.LG
DL2: A Deep Learning-driven Scheduler for Deep Learning Clusters
The University of Hong Kong（香港大学）；Alibaba Inc.（阿里巴巴公司）
越来越多的公司已经部署了机器学习（ML）集群，其中深度学习（DL）模型被训练用于提供各种AI驱动的服务。高效的资源调度对于最大限度地利用昂贵的DL集群是必不可少的。现有的集群调度器要么对ML工作负载特性不可知，要么基于操作员对特定ML框架和工作负载的理解使用调度策略，这效率较低或不够通用。在本文中，我们表明，DL技术可以采用设计一个通用的和有效的调度。DL 2是一个DL驱动的调度器，用于DL集群，通过动态地调度分配给作业的资源来实现全局训练作业调度。DL 2提倡联合监督学习和强化学习方法：基于现有集群调度器产生的作业轨迹，通过离线监督学习预热神经网络;然后将神经网络插入实时DL集群，通过在DL作业的整个训练过程中执行的强化学习进行微调，并用于以在线方式决定作业资源分配。通过在准备监督学习阶段应用现有集群调度器过去做出的决定，我们的方法能够从现有调度器平滑过渡，并在最小化平均训练完成时间方面呈现高质量的调度器。我们在Kubernetes上实现了DL 2，并在MXNet上的DL作业中启用了动态资源扩展。广泛的评估表明，DL 2优于公平调度器（即，DRF）44.1%和专家启发式调度器（即，Optimus）在平均作业完成时间方面减少了17.5%。
2019-09-13 cs.DC cs.LG stat.ML
