Saltar a contenido

Artículos que hay que leer y no tenemos

Fecha: 2026-11-17, actualizado dos veces el 2026-11-18 y dos el 2026-11-19 (RegularSearch y su versión paralela, de Jairo Lefebre; y tres PDF nuevos: el #1 de Pancho, el #15 y su antecedente de Eduardo Alba-Cabrera). Sale de la revisión bibliográfica (docs/revision-bibliografica-br-pivot.md, sección 5). Para cada artículo se indica por qué hace falta y cómo conseguirlo. La numeración original se conserva: los leídos pasan a la sección de abajo con su número.

Los de IEEE Access son de acceso abierto y se bajan desde un navegador. Al resto se accede por Springer, Elsevier o World Scientific, o por correo a los autores.

Leídos el 2026-11-18 (carpeta papers/)

Los PDF están en papers/, sin seguimiento en git (hay once; los otros seis se procesaron en la segunda pasada, abajo). Para el 3, el 4 y el 6 se leyó el texto casi completo. De las diapositivas de Djukova se leyó todo, pero no son el artículo. El 7 se leyó completo, salvo las tablas de resultados, que son imágenes.

# Referencia Qué dice Efecto sobre el artículo
3 Alba-Cabrera et al., IEEE Access 7, 2019, 82809–82816 Teorema 3: los testores irreducibles de una matriz básica B son exactamente Tr(H), con H el hipergrafo simple cuya matriz de incidencia es B transpuesta. Compara KS (Kavvadias-Stavropoulos) y BR solo sobre una matriz pequeña, contando el contenido de la lista de candidatos. No hay tiempos ni MMCS. La afirmación de «primera comparación» de testores contra MMCS sobrevive respecto a este artículo. Hay que citarlo como la referencia de la equivalencia BM ↔ hipergrafo. Menciona la idea de benchmark con matrices sintéticas de parámetros controlados (su ref. [17]).
4 González-Guevara et al., IEEE Access 7, 2019, 19752–19761 Estrategia de «aprendizaje simbólico» (incompatibilidades por dominación de columnas) que acoplan a YYC y a BR (el BR de 2009, no fast-BR). Mide pruebas y tiempo sobre matrices sintéticas con los generadores de Alba-Cabrera. Cita a Murakami-Uno solo como referencia general (su ref. [1]); no compara contra MMCS. No hay comparación contra MMCS: sobrevive la afirmación. La dominación de columnas es afín a la fusión de columnas iguales y a la poda por dominancia. Conviene verlo antes de enunciar contribuciones de preprocesamiento.
6 Pino Gómez et al., RoPM, IEEE Access 9, 2021, 128220–128231 Compara solo contra fast-BR y GCreduct, sin MMCS ni vocabulario de hipergrafos. Matrices de la UCI de La Habana y matrices uniformes de 30×25 a 700×55. Gana a densidades de unos menores de 0.25, donde fast-BR y GCreduct tardan hasta 345 h. Descripción de RoPM: pone arriba la fila con menos unos, ramifica por sus columnas, quita las filas cubiertas y repite sobre la matriz reducida. Posible solapamiento con br-pivot. Inferencia mía, sin verificar con código: RoPM parece ser la fila pivote de mínimos unos dentro de la escuela de testores. Hay que describir qué hace RoPM distinto (comprueba tipicidad contra la BM original con SCEm/SCEr, no mantiene la condición crit) y no presentar el pivote como idea ausente en la línea de testores. Sus matrices ralas de 700×55 son un banco de pruebas natural para MMCS contra fast-BR.
7 E. V. Djukova, A. S. Inyakin, «Об асимптотически оптимальном построении тупиковых покрытий целочисленной матрицы», Matematicheskie Voprosy Kibernetiki 17, Fizmatlit, 2008, 247–262 (papers/mvk2008_247.pdf; biblioteca electrónica del IPM Keldysh, library.keldysh.ru/mvk.asp?id=2008-247). Las páginas anotadas antes (235–246) estaban mal. Leído completo el texto (en ruso; las tablas 1–8 son imágenes y no las leí). (a) OPT no se publicó aquí: el artículo lo atribuye a sus refs. [9, 10], es decir, un informe del VC RAN de 2006 y Djukova-Inyakin, Doklady RAN 413(5), 2007, 596–598. Este artículo describe OPT y lo extiende a matrices enteras (OPT+). (b) Confirma que no usa fila pivote: ramifica por conjuntos «correctos» de columnas en orden creciente de índice, y en cada nodo quita las filas que absorben a otras («охватывающие») y las columnas nulas. Eso es el filtrado de toda la submatriz. (c) Atribuye AO1 y AO2 a Djukova (2003-2004) y UOS a Inyakin (2002, resumen de congreso). (d) Delay O(qmn(m+q)) por cobertura. (e) Experimentos solo contra sus propios AO1, AO2 y UOS, con 20 matrices aleatorias por tamaño y «eficiencia estadística» (cubrimientos por paso); no hay MMCS, que es de 2011. Cuando n crece mucho más que m gana AO1, y cuando m > n gana UOS, por tener un paso más barato. Cita la referencia primaria de OPT (ver #16) junto con este artículo. Sirve como antecedente de la tendencia «densas/pocas filas contra ralas», pero no compara con MMCS.
1, 2 (parcial) E. V. Djukova, P. A. Prokofjev, diapositivas «Новые асимптотически оптимальные алгоритмы дуализации» (papers/Djukova2014iip.pdf, 19 láminas) No es el artículo. Por el nombre del archivo parece una charla de IIP 2014, pero las láminas no lo dicen (inferencia). Confirman: (a) RUNC-M elige la fila no cubierta con menos unos entre las columnas compatibles; (b) atribuyen OPT a Djukova e Inyakin (2008) y AO2 a Djukova (2004); (c) RUNC, RUNC-M y PUNC se publicaron en Mach. Learn. Data Anal. 2014 (el #2); (d) afirman que la condición crit de Murakami y Uno equivale a la compatibilidad de columnas y que el esquema es el mismo; (e) comparan contra MMCS y RS en unas 1000 matrices. Resultados citados de las láminas, sin hardware ni versión de MMCS: en accidents (el mayor, m = 135439) RUNC-M 7.3 s contra MMCS 33 s y RS 35.3 s. En lose (m = 16635) RUNC-M 137.7 s contra MMCS 519.5 s, y RS no termina. En self dual threshold hypergraph ganan MMCS y RS (0.7 y 0.6 s contra 3.2 s de RUNC-M). Esto coincide con nuestra medición (gana en densas, pierde en ralas). Matiz: ya existe una comparación RUNC-M contra MMCS, así que «primera comparación» solo vale para los algoritmos latinoamericanos (BR, fast-BR, CT_EXT, YYC, GCreduct, RoPM), no para RUNC-M. Las láminas no sustituyen a los artículos #1 y #2: citar de láminas no es citable.

Segunda pasada, 2026-11-18: los seis PDF restantes de papers/

# Referencia Qué dice Efecto
8 Murakami, Uno, DAM 170, 2014, 83–94 (murakami2014.pdf, versión final) La poda restringida a CAND ∩ F sigue igual. La numeración cambia: en DAM es §3.6 (arXiv v2: §4.6) y la elección de la hiperarista mínima es §3.5 (arXiv: §4.5). El texto citado coincide palabra por palabra. §3.5 añade que contar los vértices no podados de cada hiperarista «redujo el tiempo casi a la mitad» en sus pruebas preliminares. §3.7 (complemento del hipergrafo para entradas muy densas) y la Tabla 11 (la poda ayuda mucho a RS y poco a MMCS, porque MMCS ya tiene su método) son relevantes para la ablación. Dicen que unir vértices isomorfos (KS) rinde poco en sus experimentos. Cerrado el pendiente de la versión final. Citar §3.6 y §3.5 de DAM, no las de arXiv. Corregido en docs/revision-bibliografica-br-pivot.md.
14 Lias-Rodríguez, Pons-Porrata, BR, LNCS 5856 (CIARP 2009), 433–440 (978-3-642-10268-4_50.pdf) BR original. En el paso 1 reordena filas y columnas una sola vez: fila con menos unos arriba (empate: la de más unos en sus columnas). Luego recorre la lista de candidatos; no hay fila pivote por nodo. Compara solo contra LEX y CT-EXT (tiempos y figura con matrices de 50 filas, 15 a 75 columnas); reporta unas 10 veces más rápido que LEX y 100 que CT-EXT. Nota que CT-EXT resulta peor que LEX, al revés de lo reportado en el artículo de CT-EXT. No hay MMCS ni vocabulario de hipergrafos. Confirma que la fila ralo-primero es de la raíz desde 2009, no una novedad de br-pivot.
9 Lias-Rodríguez, Sanchez-Diaz, fast-BR, IJPRAI 27(8), 2013 ([email protected]) Confirma el «solo en la raíz» del documento de revisión: el paso 2 de preproceso toma las filas con menos unos y entre ellas la de más unos en sus columnas, y la pone primera. Fusiona columnas iguales y elimina huecos (gaps). Solo lo leí por las partes que sostienen estas afirmaciones (preproceso, ideas centrales, comparaciones); no revisé las tablas de resultados. Cerrado el pendiente de citarlo. Mantiene la tesis: fila pivote por nodo no está en la línea fast-BR.
10 GCreduct, Information Sciences, 2018 (GCreduct_researchgate.pdf, preprint de febrero de 2018) Es un artículo propio. Solo confirmé la comparación: contra RGonCRS en la §5.1 y contra fast-CT_EXT y fast-BR sobre SBDM en §5.2. No incluye MMCS ni RS. Cerrado: tenemos el preprint. Para la cita final hace falta la versión publicada (volumen y páginas).
11 (parcial) sRGA/MinReduct, «A New Algorithm for Computing the Shortest Reducts» (shortest_rg.pdf, preprint de marzo de 2018) y CAMARDF, Zhou et al., RSKT 2009 (2009RSKT_ZJ.pdf) El preprint compara MinReduct contra SRGA y CAMARDF (§5, Figura 1, Tabla 7): CAMARDF gana con densidades de unos bajas, MinReduct lo supera en algunas matrices reales. Del artículo de CAMARDF solo vi la portada para los correos; no lo leí. Falta leer RSKT 2009 si hay que describir el algoritmo.

Tercera pasada, 2026-11-19: dos PDF enviados por Jairo Lefebre

Análisis completo en docs/regularsearch-y-jairo.md. Los PDF están en papers/ (sin seguimiento en git).

# Referencia Qué dice Efecto
5 Lefebre-Lobaina, Ruiz Shulcloper, RegularSearch, Information Sciences 649, 2023, 119665 (papers/RegularSearch.pdf) Leído completo, salvo figuras. Algoritmo interno con el esquema crit/uncov en orden fijo de columnas y una lista LV que es un pivote estático por profundidad. Compara contra FastBR, GCreduct, RoPM y YYC; no contra MMCS, RS ni RUNC-M. Gana con D(1) > ~0.4 y filas ≥ 3× columnas; reconoce que pierde a densidad baja. Gana en 6 de 10 UCI (Tabla 7). Ejemplos verificados por fuerza bruta. «Primera comparación» sobrevive respecto a este artículo. LV matiza la afirmación de que el pivote no está en la línea de testores. Tabla 6 sirve para validar dtable.py.
18 Lefebre-Lobaina, Ruiz-Shulcloper, «A parallel approach for RegularSearch algorithm» (papers/ParallelRegularSearch.pdf, preprint sin sede ni fecha) Un hilo por cada 1 de la primera fila; compara solo contra P-YYC. Simplifica el preproceso (sin LV). El pseudocódigo impreso tiene errores (Alg. 1 línea 20; Alg. 2 línea 14). Código en GitHub J41R0/RegularSearch, licencia sin verificar. No sustituye a RegSearch. Solo para citar el paralelismo por subárboles de la raíz.

Cuarta pasada, 2026-11-19: tres PDF nuevos (Pancho y Eduardo Alba-Cabrera)

Los PDF están en papers/ (sin seguimiento en git). Leídos completos, salvo las figuras.

# Referencia Qué dice Efecto
1 Djukova, Prokofjev, Comput. Math. Math. Phys. 55(5), 2015, 891–905 (Asymptotically Optimal Dualization Algorithms.pdf, traducción al inglés; recibido el 2014-10-29). Lo envió Pancho. Es la fuente primaria de RUNC, RUNC-M y PUNC; cerrado. (a) RUNC-M elige la fila no cubierta de menor peso w_i(D[H]), con D las columnas aún no probadas ni prohibidas. Confirma la lectura de la tesis. (b) Ramifica por C[H'] y borra j de D tras probarlo; filtra columnas prohibidas en toda la submatriz (como OPT). (c) Presenta un esquema general de «algoritmos de segundo tipo» (OPT, MMCS, RS, RUNC, PUNC) y dice que el enfoque de MMCS y RS «no es nuevo»: crit equivale a la compatibilidad de columnas (matriz identidad, Djukova 1977, Dokl. AN SSSR 233(4)). (d) Experimentos: C++ con bits; MMCS y RS de Uno; 20 matrices por tamaño; corte de 600 s. No dice hardware, ni banderas de SHD, ni versión. Los tiempos de 0.001, 0.016 y 0.031 s sugieren un reloj de ~15.6 ms (inferencia). (e) Resultados: aleatorias p = 0.5 (Tablas 1–7): RUNC-M gana, hasta 2.3× a MMCS en 90×90 (48.2 contra 112.4 s). Con m = 10 y 20 no hay líder. Datos modelo: TH(n) y SDTH(n) los ganan MMCS y RS (Tablas 11–12: 0.7 contra 3.2 s en 40202×403). Reales: RUNC-M gana (ACC 135439×442: 7.3 contra 33 s; LOSE 16635×85: 137.7 contra 519.5 s). Con BMS (3340 columnas, 17315 filas) RUNC-M 113.6 s contra MMCS 510.8 s. (f) Su descripción de MMCS toma la fila de menor índice. Sustituye a las láminas y a la tesis como cita. Dos pendientes. (1) La descripción de MMCS como «primera fila» no coincide con §3.5 de DAM (hiperarista mínima), y no sabemos con qué opciones corrieron SHD. Parte de la ventaja de RUNC-M en su Tabla 7 podría ser la fila mínima y no el filtrado. Es hipótesis: lo medimos nosotros con shd-mmcs frente a runcm. (2) La ref. [14] de este artículo da OPT en Mat. Voprosy Kibern. 17, 235–246, con el mismo título que nuestro #7, que según el PDF de Keldysh ocupa 247–262. No sé cuál es el rango correcto; podrían ser dos trabajos o un error de cita. Citar por el PDF y verificarlo con el índice del volumen. Aparece además la ref. [16], Djukova-Prokofjev, Prikl. Diskret. Mat. 2014, núm. 1, 96–105 (AO2K, AO2M), que no teníamos. Este artículo no cita el de Mach. Learn. Data Anal. 2014 (#2) y presenta RUNC y RUNC-M como «propuestos aquí»; para la prioridad conviene citar ambos. Código: el artículo da sourceforge.net/p/logicalanalyze/code/HEAD/tree/trunk/dualization/ (cuenta paprok, última actualización 2015-09-06). La página del proyecto declara «Creative Commons Attribution License»; en el listado del código no vi LICENSE ni README, y no abrí los archivos. Es otra fuente que la de Nikiforov: no verificado que cubra el mismo C++ ni que la licencia aplique al código. Si aplica, el problema de permisos de RUNC-M se aliviaría; confirmarlo en el correo 1.
15 Alba-Cabrera, Godoy-Calderon, Ibarra-Fiallo, Pattern Recognit. Lett. 80, 2016, 46–51 (SynthePRLetters (2).pdf) y su antecedente, CIARP 2013, LNCS 8258, 351–358 (Evalu_Framework_LNCS_2013.pdf). Los envió Eduardo Alba-Cabrera. Tres operadores sobre matrices básicas, con conteo exacto de testores típicos: φ^N(A) (concatena N copias; cada columna pasa a una clase de N iguales): Σ_T N^|T|; θ(A,B) (todas las filas de A con todas las de B): |Ψ(A)| + |Ψ(B)|; γ(A,B) (diagonal por bloques, ceros fuera): |Ψ(A)|·|Ψ(B)|. Controlan filas, columnas y testores por separado (ej.: filas exponenciales con testores lineales con θ^N; testores exponenciales con filas lineales con γ^N). El LNCS solo trae φ y θ; γ es del PRL. Miden «eficiencia» = testores / subconjuntos probados, solo en BT, LEX y FastCTExt (algoritmos externos). Excluyen los internos (BR) por «bajo rendimiento» y no dan tiempos absolutos. Anuncian una versión extendida con internos (LNCS, §3) que no aparece en el PRL. Verifiqué las fórmulas con bm.py sobre el Ejemplo 1: A y B tienen 4 reductos; φ³(A) = 108, φ³(B) = 48, θ(A,B) = 8 y γ(A,B) = 16, como dicen. Son los generadores buscados como verdad de base. En términos de hipergrafos, γ es unión disjunta (producto de transversales) y φ duplica vértices gemelos. Corrección: sospeché que φ exigía que A no tuviera columnas iguales y es falso: la fórmula se cumple en 448 casos aleatorios, 170 de ellos con columnas iguales (tests/test_synth.py). Implementado en experiments/lib/synth.py; γ y θ verificados por conjunto, no solo por conteo. Cierra el pendiente #15 de la lista. Su «eficiencia» coincide con nuestros candidatos evaluados por reducto. Gancho para el artículo: reportar nuestros algoritmos (incluyendo BR, fast-BR, MMCS) sobre sus familias, que ellos dejaron sin medir.

Conseguidos el mismo día en abierto (2026-11-19)

# Referencia Dónde Qué dice Efecto
2 Djukova, Prokofjev, «Построение и исследование новых асимптотически оптимальных алгоритмов дуализации», Mach. Learn. Data Anal. 1(8), 2014 (papers/Djukova_Prokofjev_2014_JMLDA_RUNC.pdf) Copia en docs/references/ del repositorio público github.com/ppprok/dual (de Prokofjev, ver abajo). No la encontré en jmlda.org Leído por el resumen en inglés, la lista de referencias y las tablas; el texto en ruso quedó con la codificación estropeada y lo recuperé solo en parte. Es esencialmente el mismo trabajo que el de 2015 en inglés: mismo resumen, mismas tablas (p. ej. MMCS 0.1, 0.6, 2.3, 6.4, 15.4 s en 10×50 a 10×300). Presenta RUNC, RUNC-M y PUNC como propuestos ahí, cita a Murakami-Uno como arXiv 2011 y ALENEX 2013, y no dice hardware. Cierra la primera publicación de RUNC y RUNC-M: el artículo de 2014 es el original y el de 2015 su traducción. Citar ambos. El #1 deja de ser una fuente independiente: no son dos conjuntos de experimentos.
16 (parcial) Djukova, Prokofjev, «Об асимптотически оптимальном перечислении неприводимых покрытий булевой матрицы», Prikl. Diskret. Mat. 2014, núm. 1(23), 96–105 (papers/Djukova_Prokofjev_2014_PDM_AO2.pdf) Math-Net.ru, acceso abierto (mathnet.ru/eng/pdm441) Esquema general de algoritmos de tipo AO2 (trayectorias, «conjuntos cubridores superiores») y dos variantes, AO2K y AO2M. Solo experimentos con matrices aleatorias; no cita MMCS ni RS (referencias a 2014 o antes de Uno). Antecedente de la línea AO. No cambia la tesis. Es de la escuela rusa pero no es el de OPT (Doklady 2007), que sigue sin aparecer.

Código de RUNC-M con licencia. github.com/ppprok/dual es de Petr Prokofyev (el propio coautor «P. A. Prokofjev»; la cuenta es ppprok): C++17 con RUNC, RUNC-M (por defecto), OPT, PUNC, AO1/AO2 y variantes, y FK, con paquete en Python. Licencia MIT (LICENSE, «Copyright (c) Petr Prokofyev»), creado en 2016, último empuje el 2026-11-03. Su README dice que el código de terceros bajo legacy/3rd-party/ conserva sus propios términos. Esto resuelve el permiso de RUNC-M si usamos esa versión en lugar del C++ de Nikiforov, que no tiene licencia. No he comparado ambas bases de código ni corrido la de Prokofyev; pendiente. Y el correo 1 salió con el patronímico «Павел Александрович», que era una suposición mía: su repositorio lo da como Petr.

Rango de páginas de OPT. Las tres obras de Djukova que leímos (Prikl. Diskret. Mat. 2014, JMLDA 2014 y CMMP 2015) citan Djukova-Inyakin 2008 como 235–246. El PDF de Keldysh trae numeración impresa 247–262 (comprobé las páginas 251 a 261). Parece una cita repetida por los autores, pero no lo puedo afirmar; citar 247–262, con nota.

Prioridad alta: pueden cambiar lo que dice el artículo

# Referencia Por qué hace falta Acceso
1 (leído el 2026-11-19, ver cuarta pasada) E. V. Djukova, P. A. Prokofjev, "Asymptotically optimal dualization algorithms", Computational Mathematics and Mathematical Physics 55(5), 2015, 891–905. DOI 10.1134/S0965542515050103. Original en ruso: Zh. Vychisl. Mat. Mat. Fiz. 55(5), 895–910, DOI 10.7868/S0044466915050105. Es el artículo original de RUNC-M, que coincide en esencia con br-pivot. Hay que citarlo con precisión y ver sus experimentos contra MMCS (las láminas dan una idea, no la versión citable). Hasta ahora me baso en la tesis de Prokofjev, en arXiv:1605.06692 y en las láminas. Springer, de pago. Math-Net.ru (zvmmf10212) no entregó el PDF.
2 (conseguido, ver arriba) E. V. Djukova, P. A. Prokofjev, «Построение и исследование новых асимптотически оптимальных алгоритмов дуализации», Машинное обучение и анализ данных 1(8), 2014, 1048–1067. Es la primera publicación de RUNC y RUNC-M y fija la prioridad. Las láminas la citan como su fuente. La revista (jmlda.org) podría ser de acceso abierto. No lo verifiqué.

Prioridad media: precisión de citas y antecedentes

# Referencia Por qué hace falta Acceso
16 E. V. Djukova, A. S. Inyakin, «Построение неприводимых покрытий булевой матрицы с полиномиальной задержкой», Doklady RAN 413(5), 2007, 596–598. Y el informe «О сложности решения задачи построения неприводимых покрытий булевой матрицы», VC RAN, 2006. Nuevo (sale de las refs. [9, 10] del #7). Es la primera publicación de OPT. Tres páginas. No verifiqué dónde se consigue. Probablemente una traducción de Springer, o pedírselo a Djukova (correo 1).
11 Artículos de MinReduct y sRGA (preprint shortest_rg.pdf ya en papers/), CAMARDF (RSKT 2009, ya en papers/), y MiLIT. Para describir cada algoritmo en el artículo y para la sección de errores. Faltan solo la versión publicada de MinReduct/sRGA (cita) y los de MiLIT, de los que no sé autores ni origen.
15 (leído el 2026-11-19, ver cuarta pasada) E. Alba-Cabrera, S. Godoy-Calderon, J. Ibarra-Fiallo, "Generating synthetic test matrices as a benchmark for the computational behavior of typical testor-finding algorithms", Pattern Recognit. Lett. 80, 2016, 46–51. Y su antecedente: CIARP 2013, LNCS 8258, 351–358. Nuevo. Generadores de matrices con transversal conocida por fórmula. Sirven de verdad de base en matrices grandes donde bm.py no llega, y evitan el sesgo de usar solo matrices UCI. Elsevier y Springer, de pago. Alba-Cabrera es coautor de los papers 3 y 4: se les puede pedir por correo.

Prioridad baja: para asegurar que no hay otro antecedente

# Referencia Por qué hace falta
12 D. Kavvadias, E. Stavropoulos, J. Graph Algorithms Appl. 9(2), 2005, 239–264. DOI 10.7155/jgaa.00107. Posible antecedente de la fusión de columnas iguales ("generalized nodes"). El paper 3 lo resume y confirma que KS usa vértices generalizados (vértices que pertenecen a las mismas hiperaristas). Es de acceso abierto y lo puedo leer yo.
13 Toda (HTC-BDD); Boros y Makino (2016); Conte, Kanté y Uno; Bläsius et al. (2019, 2022). Descartar que alguno combine el filtrado de toda la lista con la fila mínima en cada nodo.
19 N. Cardoso, R. Abreu, «An efficient distributed algorithm for computing minimal hitting sets» (MHS2), DX 2014. Código github.com/npcardoso/MHS2. Y C. E. Leiserson, T. B. Schardl, J. Sukha, «Parallel computation of the minimal elements of a poset» (ParTran), ACM SPAA 2010, doi:10.1145/1837210.1837221; código en BPAS. Los sugiere Jairo Lefebre (2026-11-20). MHS2 aparece en su imagen 1; ParTran, sin probar. Revisar si tienen la fila mínima con filtrado completo y si sirven de baseline. Acceso: MHS2, código público, licencia sin verificar. ParTran: ACM, de pago.

Para preguntar a los asesores, además de los artículos

  • ¿Conocen la línea de Djukova (OPT, RUNC, RUNC-M) y la relación entre testores típicos y coberturas irreducibles («тупиковые покрытия»)?
  • ¿Saben de alguna comparación publicada entre algoritmos de testores latinoamericanos y MMCS o RS? (Los papers 3, 4 y 6 no la tienen.)
  • ¿Tienen contacto con Djukova, Prokofjev o Nikiforov? El repositorio de RUNC-M ya no existe en GitHub y el código no trae licencia. Para usarlo en el artículo y en un repositorio público hace falta su permiso.
  • Nuevo: ¿cómo se relaciona RoPM con la fila pivote? ¿Tienen el código de RoPM (autores de Cujae/IPN) o se reimplementa desde el artículo? Los agradecimientos del paper nombran a Vladimir Rodríguez Diez, así que el contacto con los autores ya existe.