עיצוב ⁇ Algorithms התפלגות נתונים רב-ממדית

אלגוריתמים ממיין מהווים את עמוד השדרה של אינספור משימות חישוביות, מהנתונים המאינדקסים לאנליזה בזמן אמת.בעוד שקלאסיקות כמו Quicksort, ממזגות מין, ו- heapsort מספקות ביצועים אמינים על נתונים מבוזרים או לא ממורמרים, הן לעתים קרובות מתפתלות כאשר הן מתעמתות עם התפלגות חישובית מרובות-מודולטיבית ו-#8212; נתונים המכילים שני או יותר מקבצי מידע זהירים של ערכים אלה, או יותר, או יותר, או יותר, או יותר, או יותר, או יותר, או יותר, יכולים לגרום לתקני אבטחה, באופן טבעי, כמו גם לתקני אבטחה, כמו גם לתקני אבטחה, כמו גם לתקני אבטחה, באופן טבעי, כמו גם לתקני אבטחה, באופן טבעי, כמו גם לתקני אבטחה, כמו גם לתקני אבטחה מסוג זה יכול לגרום לתקני אבטחה, באופן טבעי, כמו גם לתקני אבטחה מסוג זה יכול לגרום לתקני אבטחה, באופן טבעי, כמו גם לתקני אבטחה, כמו גם לתקני אבטחה חד-מיים שונים, כמו גם לתקני אבטחה, באופן ספציפי יותר זה יכול לגרום לתקני אבטחה, כמו גם לתקני אבטחה שונים, באופן ספציפי יותר זה יכול להיות עמוק יותר, כמו גם לתקני אבטחה, כמו

מאמר זה חוקר את האתגרים המרכזיים שמציבים נתונים רב-ממדיים, בוחן מדוע אלגוריתמים סטנדרטיים תחת תצורה, ומציג חבילה של אסטרטגיות עיצוב ו- #8212; החל מ-Aware מראש עיבוד לטכניקות היברידיות הסתגלות ו-#8212; המאפשרות יעילות, בניית מבנה-היתר דיוק.

התפלגות נתונים נאמרת להיות רב-ממדית כאשר תפקוד הדחיסות ההסתברות שלה מציג שני שיאים שונים יותר.כל שיא מתאים לאזור שבו נקודות נתונים מרוכזות, מופרדות על ידי עמקים של צפיפות נמוכה יותר.מצבים אלה אינם רק שרידים סטטיסטיים; הם לעתים קרובות משקפים קטגוריות או תהליכים אמיתיים. לדוגמה, בנקודת נתונים של מחירי דיור על פני שטח מטרופוליטן, תכונות בשכונות שונות עשויות להיות נפרדות, עם רמות רכישה רלוונטיות, לעתים קרובות, כמו גם מודלים סטנדרטיים, ורמות סטנדרטיים, כמו גם עם רמות רכישה.

באופן פורמלי, הפצה רב-ממדית יכולה להיות מתודגם כתערובת של התפלגות רכיב, בדרך כלל גאוסיאן, אבל את המצבים עצמם לא להיות סימטרי או שווה באותה מידה.מספר של מצבים, הפרדה שלהם, ואת צפיפות היחסית בתוך כל מצב להשפיע על האופן שבו אלגוריתם מיון מתנהג. כאשר מודים הם משונים היטב, חלוקת הנתונים באופן טבעי לתוך בלוקים, וסוג תמימות, יהיה מנקודות מבטחים, כלומר, כאשר הם עלולים להיות מנקודות מבטחים, כאשר הם עלולים, ללא מגבלות שונות, כאשר הם עלולים, כאשר הם עלולים להרוס גבולות.

ויזואליזציה של התפלגות רב-ממדית לעתים קרובות מגלה מבנה שאינו נראה למיין סטנדרטי. A Histogram או דחיסות הקרנל הערכה של נתונים רב-ממדיים יציג שיאים נפרדים, בעוד פונקציה מצטברת עשויה להציג מישורים דמויי מדרגות.הכרה בדפוסים אלה מוקדם מאפשר למפתחים לבחור או לעצב אסטרטגיה ממיין אשר מתייחסת לכל מצב כבעיה של סוג למחצה, במקום להגביר את כל ההבחנות.

אתגרים עם קריטריונים סטנדרטיים של Algorithms

אלגוריתמים מזייף קונבנציונאליים מתוכננים לפי הנחות כי לעתים נדירות מחזיקים בנתונים רב-ממדיים.רוב הניתוח מניח שהקלט הוא אקראי אחיד או נמשך מהתפלגות חד-משמעית אחת.

אובדן קבוצות משמעות

השוואה סטנדרטית מתייחסת לכל רכיב כיחידה אטומית וסידור אותם בקפדנות על ידי ערך מפתח.ב-Dataset רב-מודולי, זה יכול למשוך אלמנטים נפרדים השייכים לאותו אשכול טבעי.לדוגמה, ברשימת הסימנים החיוניים לחולה שבו כל מצב מייצג מצב בריאות שונה, מיון בעולם על ידי מדד אחד יכול לבודד קריאה מתנאים שונים, מה שהופך את התבנית לאחר מכן לקשה יותר.

מורכבות מוגברת

בעוד שלסוג מבוסס השוואה יש השוואות נמוכות יותר של O(n log n) , הגורמים הקבועים ועלויות התנועה בנתונים יכולים להסלים עם קלטות מרובות-מודולליות.חשבו מהירות: הביצועים הממוצעים שלה מסתמכים על חלוקה מאוזנת, אבל נתונים רב-ממדיים יכולים להוביל לחלוקות חסרות איזון גבוהה כאשר פיוט נופל בתוך מצב צפוף, כאשר הם מופרדים, החיתק מחדש עלולים, עלולים לעבור מכמה עמוק יותר ויותר, כאשר מטווחים יותר ויותר, כאשר מטווחים יותר ויותר גבוה יותר ויותר, כאשר מטווחים, כאשר מטווחים, כאשר מטווחים יותר ויותר גבוה יותר ויותר גבוה יותר ויותר, כאשר מטווחי זיכרון מאי פעם, כאשר מכווץ, כאשר מכווץ, כאשר מטווח גבוה יותר ויותר גבוה יותר ויותר, כאשר מטווחים, כאשר ממרחקים יותר ויותר גבוה יותר ויותר, כאשר מטווחים, כאשר מטווחים, כאשר מטווחים יותר ויותר גבוה יותר ויותר גבוה יותר ויותר גבוה יותר ויותר, כאשר מטווחים, כאשר מטווחים יותר ויותר גבוה יותר ויותר גבוה יותר ויותר גבוה יותר ויותר, כאשר מטווחים, כאשר מכווץ, כאשר מטווחים, כאשר מכווץ יותר ויותר גבוה יותר ויותר גבוה יותר ויותר גבוה יותר ויותר גבוה יותר ויותר

צמצום היעילות בניתוח נתונים של Downstream Data Analysis

נתונים מדומים הם לעתים קרובות תנאי הכרחי לחיפוש יעיל, שאילתות טווח, או regation סטטיסטית.אם התוצאה המנוונת smears יחד אלמנטים מצורות שונות, אלגוריתמים עוקבים ו-#8212; כגון אלה עבור זיהוי מצב, איסוף, או צפיפות estimation & #8212; יש לציין לראשונה את המבנה שאבד.

לפני צלילה לתוך עיצובים אלגוריתמיים ספציפיים, זה שימושי לשקול את הנוף התיאורטי.המידע-תיאורטי נמוך יותר הקשור להשוואה נשאר O(n log n) ללא קשר להתפלגות, אבל ההבחנה היא שאנחנו לא בהכרח מנסים למזער רק השוואות.עבור נתונים רב-ממדיים, אנו דואגים לשימור מבנה אשכול, אשר מוסיף מימד חדש לאופטימיזציה.

מסגרת מועילה אחת היא הרעיון של אלגוריתם עיבוד:0 [תיקון:] אלגוריתם הסתגלות מנצל סדר קיים בנתונים כדי להשיג טוב יותר מאשר O(n log n) ביצועים על קלטות כמעט ממותנות. Multi-modal ניתן לראות כמקרה מיוחד של הסתגלות שבה "הסדר המתהווה" אינו גלובלי אלא ב-cluster.

עדשה תיאורטית נוספת היא מורכבות המורכבות של ההרחבה:0 [המקבילה] עם preprocessingFLT:1 [נניח] זמן כדי לאסוף את הנתונים לקבוצות k.If the אשכולs ממיין פנימי ולאחר מכן ממוזג, הספירה הכוללת הופכת ל- O(n di) כאשר m הוא הגודל של המאגר הגדול ביותר, בתוספת O(n k) למיזוג הסופי אם נעשה עם עץ שאבד או n {\displaystyle k {\displaystyle k} הוא משמעותי בהשוואה ל- k.

תובנות תיאורטיות אלה מציבות את הבמה לאסטרטגיות המעשיות שעוקבות אחריהם.

עיצוב אלגוריתם מיון המכבד מבנה רב-ממדי כרוך שילוב של תזמון טרום-מעבד, הסתגלות, ומיזוג זהיר.אסטרטגיות הבאות יוצרות ערכת כלים שיכולה להיות מעורבת ולהתאים בהתאם למאפיינים של נתונים ומגבלות מערכת.

עקבו אחרי Clustering

הגישה הישירה ביותר היא לחלק לראשונה את הנתונים לקבוצות המתאימות למצבים, ואז למיין כל קבוצה באופן עצמאי, ולבסוף למזג או למזג את הקבוצות הממותגות ברצף.הצעד המכוון משתמש באלגוריתמים מקובצים מקובצים כדי להקצות כל אלמנט למצב.

(FLT:0K-meansveFLT:1) הוא בחירה טבעית כאשר מספר מצבי k ידוע או ניתן להעריך.זה פועל ב O(n * k * ⁇ ) ועובד היטב עבור מקבץ מקובצים, מתואם היטב, לאחר איסוף, כל אשכול יכול להיות ממיין עם כל אלגוריתם סטנדרטי.

(FLT:0)DBSCANFLT:1) מציע אלטרנטיבה מבוססת צפיפות שאינה דורשת לציין k ויכולה להתמודד עם צורות אשכול שרירותיות.זה מזהה נקודות ליבה באזורים בעלי רגישות גבוהה ומרחיב את הקבץ החוצה.DBSCAN יש מורכבות מקרה ממוצע של O(n di n) כאשר משתמשים במדדים מרחביים, מה שהופך אותו לזמין כמו צעד מקדים עבור נתונים גדולים הוא קלושטונות שלה.

(FLT:0) מאן ShiftFLT:1 הוא אפשרות נוספת, במיוחד עבור נתונים בחלל מטרי.זה מעריך את המצבים ישירות על ידי נקודות מפנה במיומנות כלפי מצב השכונה המקומית שלהם.שינוי פירושו אינו מניח אשכולות מפוצצים ויכול לקבוע באופן אוטומטי את מספר הצורות, אך הוא כבד חישובי יותר מאשר kmeans.

ברגע שקובצים מזוהים, כל אשכול ממיין פנימי. כי הסקטורים קטנים יותר מאשר את ה-Dataset המלא, העלות הממיין מופחתת.התפוקה הסופית יכולה להיות מופקת על ידי הדבקה של אשכולות בסדר מפתח (אם גבולות אשכול הם לא יתרום) או על ידי מיזוג אם אשכולות חופפים.

המונחים: Hierarchical sorting

היגוי הירארכי מנף את מבנה העץ הטבעי העולה כאשר הנתונים מחולקים מחדש.במקום אשכול שטוח, אנו בונים היררכיה של מצבים ותת-תעל, ואז ממיין מחדש.

יישום אחד משתמש בגישה של תפוצה:0 (FLT:0) , התפלגות הגישה המקיפה את ה- 1 ( 1): להתחיל עם תחילתה המלאה של הנתונים, פיצול זה לשתי קבוצות או יותר באמצעות קריטריון מבוסס צפיפות, או שהוא יכול לכלול באופן חוזר כל קבוצה, ואז להתמזג.הקריטריון המתפצל על מנת להתאים את הדחיסה השברירית של אחד ללא שינוי של מבנה חד-ממד.

הגישה הגאומית של ה-FLT:0 (FLT:103) פועלת בכיוון ההפוך: להתחיל עם כל אלמנט כציר משלו, ואז שוב ושוב למזג את השרידים הקרובים ביותר המבוססים על קריטריון קישורי, בעוד שזה יקר חישובי (O(n2) בתמימות), זה יכול להיות מעשי עבור נתונים בינוניים ומפיק מדבק מבנה רב-ממדי ברזולוציה כפולה, לאחר שאותה הם חתכים באופן אישי, לאחר מכן, לאחר שעדיין לא מעט מאוד, הם מתואמים את מבנה מגובשים.

הירארכי ממיין באופן טבעי את מצבי קינן ומספק תואר טונובל של גרניט.זה שימושי במיוחד כאשר מספר הצורות אינו ידוע או כאשר מצבים עצמם מכילים תת-מוגים.

טכניקות הסתגלות ו היברידיות

לא כל איסוף נתונים מצדיק טכניקות ממותגות מפורשות של מיון הסתגלות יכול להתאים את התנהגותם על זבוב המבוסס על צפיפות נתונים ותבניות הפצה נצפים, מבלי לדרוש שלב עיבוד נפרד.

(FLT:0) introspective typeFLT:1 (introtype) הוא הדוגמה הקלאסית של הסתגלות: זה מתחיל עם מהירות, מתגים ל heapsort אם עומק טיול עולה על סף, ומשתמש בהכנסה מסוג עבור צפיפות קטנה.עבור נתונים רב-ממדיים, גישה אינקוויפטית יכולה להיות שונה כדי לפקח על איזון החלוקה.

(FLT:0) ,TimמייןFLT:1, המשמש ב Python ו- Java, הוא סוג של מיזוג היברידי המנצל את ריצות טבעיות בנתונים.כוחו נמצא בזיהוי רצף עולה או יורד ושימוש בהם כדי להפחית את פני השטח.במידע רב-ממדי, כל מצב הוא לעתים קרובות ריצה טבעית (אם הנתונים מסודרים באופן מקומי בתוך מצב), וניתן לנצל אותם ללא כל מקבץ מפורש, אם לא ניתן לזהות נתונים, אם לא ניתן לזהות אותם באופן קבוע, אם לא ניתן לזהות אותם באופן קבוע, אם לא ניתן לזהות אותם באופן קבוע, אם לא ניתן לזהות אותם ללא כל מצב זה.

(FLT:0Distribution-based Partitioninginging: 1) מציע מסלול הסתגלות אחר.במקום לבחור פיוטים באופן אקראי או כמתווכים, אנו יכולים להעריך את הפונקציה המצטברת של התפוצה (CDF) של הנתונים באמצעות דגימה ושימוש בגבולות קוונטיים כדי לחלק.אם ה- CDF מראה את המישורים (במצב המסתתתתתתתים), החלוקה באופן אוטומטי תואמת עם דחיסות, הנקראת מספר זה לעתים קרובות על ידי התפלגות נתונים (com-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-

מחקר: Cluster-awareמיין Algorithm

כדי לקרקע רעיונות אלה, שקול אלגוריתם קונקרטי המשלב DBSCAN המקבץ עם סוג של אלגוריתם ממיין זה פועל בשלושה שלבים.

(FLT:0)Phase 1: מצב זיהוי באמצעות DBSCANOVA.FLT ( 1:1 בהתחשב במערך חד-ממדי או רב-ממדי של מפתחות, להפעיל DBSCAN עם פרמטרים epsilon (מרחק מקסימלי בין נקודות באותו שכונה) ו מינוס D-DPts (מספר מינימלי של נקודות כדי ליצור אזור דחוס אחד, גישה מעשית היא סוג של נתונים (n-) ו-i) לאחר מכן, כלומר, אם כן, אם כן, כלומר, אם כן, מספר קטן של מספר קטן של מספר נתונים, הוא רלוונטי, הוא רלוונטי, הוא ממין (D (D) עבור מספר כפול של מספר זה, אם כן, אם הוא משקף את הפרמטרים) עבור מספר כפול של מספר הנקודות (D (D) עבור שטח קבוע (D (D) עבור אזור פרמטרים) עבור נתונים (D) עבור נתונים (D (D) עבור מספר פרמטרים) עבור נתונים (D) עבור נתונים חד-D) עבור נתונים חד-ממדי) עבור נתונים חד-ממדי) עבור נתונים (n-ממדי) עבור מספר כפול של מספר זה, אם הוא אחד-ממדי) עבור נתונים (n) עבור נתונים (n) עבור שטח אחד-פעמי) עבור שטח אחד-ממדי

(FLT:0)Phase 2: Intra-Cluster מיון.FLT 1:1 כל אשכול מזוהה הוא ממיין באופן עצמאי באמצעות השוואה מהירה כגון introsort. כי אשכולות הם בדרך כלל קטנים יותר מההגדרה המלאה, העלות הכוללת של מיון נמוך יותר מאשר סוג גלובלי.

(FLT:0)Phase 3: Global Merging.FLT:1; אם המקבצים מתפוררים וטווחי המפתח שלהם אינם חופפים, את המקבץ המנוי יכול פשוט להיות מתכנסים בסדר העולה של ערכיהם נציג (למשל, את האלגוריתמים החשופים ביותר) אם מקבצי חפיפות ו-#82121212; אשר מתרחשים כאשר מצבים קרובים ו-#12; כלומר, הוא מתמזג בין אחד, הוא מזן בין רכיבי אחד, הוא ממין אחד, הוא ממין אחד, הוא ממין אחד, הוא אינו יכול להיות ממין אחד, אשר ניתן למזג את אחד, אם הוא מתווך, אם הוא אחד, אם הוא אחד, הוא מתווך, הוא אחד, הוא ממין אחד, אם הוא אחד, אם הוא אחד, הוא מתווך, הוא ממין אחד, אם הוא יכול להיות ממין אחד, אם הוא ממין, אם הוא ממין אחד, אשר יכול להיות מקבץ, אשר יכול להיות ממין, אשר הוא אחד, הוא יכול להיות מקבץ, אם הוא יכול להיות מתווך, אם הוא יכול להיות מתווך, אם הוא יכול להיות מתווך, אם הוא אחד, אשר הוא יכול להיות מקבץ, אם הוא אחד, אם הוא אחד, אם הוא

המורכבות הכוללת של גישה זו של אשכול-מודע היא O(n log m + n log k + C(n) שבו m הוא בגודל אשכול הגדול ביותר, k הוא מספר של אשכולות, ו C(n) הוא העלות של קיבוץ.עבור מצבים נפרדים היטב, אשכולות יכול להיות מהיר כמו O(n) באמצעות תשואות פשוטות המבוססים על פער, תוך ניכוי ליד מבנה שישמור גם אלגוריתמים.

ניתוח ביצועים ובן-צ'מרקינג

הערכת אלגוריתם מיון רב-ממדי דורש מדדים מעבר ספירת השוואה גולמית.שלושה ממדים מרכזיים הם:

(ב) ⁇ :0) ,התמדה של שלמות אשכולית: כפל 1 (ב) נמדדת על ידי מספר הפעמים שאלמנטים מצורות שונות מוצפנים בפלט המנוגן.
יעילות:0 (FLT:1 Wall-clock, ספירת השוואה ושימוש זיכרון בהשוואה לסוג סטנדרטי כמו std:sort או Tim סוג על אותה נקודת נתונים.
(FLT:0) רגישות עם ספירת מצב: FLT:1 כיצד הביצועים של האלגוריתם מתפוגג כ- k גדל באופן אידיאלי, האלגוריתם צריך לטפל באלפי מצבים עם פניות מחסד.

בניסויים של מודולים סינתטיים עם תערובות גאוסיות, מקבצי מיזוג סטנדרטיים באופן עקבי במיזוג בטמפרטורה של זמן קיר כאשר מודים הם משונים היטב, עם מהירות של 2x ל 5x עבור נתונים של 106 אלמנטים עם 10 מודות.עבור מצבי חפיפות, הביצועים של ביצועים צרים, אבל שלמות אשכולית נשאר באופן משמעותי יותר טוב לייצר אלגוריתמים סטנדרטיים, בעוד התוצאות של אלגוריתמים.

השימוש בזיכרון גבוה במקצת בגישות של מערך חברות מקובצים, אך זה מעלים בדרך כלל מתחת ל-20%, ולעיתים קרובות הוא מצטמצם על ידי הקצאת זיכרון מופחת במהלך מיזוג.

יישומים בעולם האמיתי

מינוף רב-ממדי אינו סקרנות אקדמית; יש לו השפעה ישירה במספר תחומים.

(FLT:0) Machine Learning:FLT:1 צנרת ML רבים דורשים ערכים תכונה ממוגדרים חישוב יעיל של אחוזים, נורמליזציה קוונטית, או מציאת עץ החלטות מחולקים.כאשר נתונים מכילים מספר אוכלוסיות (למשל, שליטה מול קבוצות טיפול), מיון תוך שמירה על זהות קבוצתית מאפשר למקם בתוך סטטיסטיקות קבוצתיות ללא פילטרים יקרים או מסנן.

(FLT:0) Bioinformatics:FLT:1 ; 000 ביטוי נתונים ביטוי גנים באופן שגרתי מראה התפלגות רב-ממדית המקבילה סוגים שונים של תאים או מצבים מחלה.

(FLT:0) מסחר אלקטרוני ומחיר: FLT:1eur מחירי מוצרים על פני קטגוריות יוצרים מצבים טבעיים.סוג רב-ממדי מאפשר אנליסטים של תמחור לבחון מאפיינים הפצה לקטגוריה, בעוד שיש עדיין נוף מחונן בעולם, מבלי צורך לסנן שוב ושוב על ידי קטגוריה.

(FLT:0 Social Network Analysis:FLT:1) מדדי פעילות משתמשים (תדירות גבוהה, ספירת הודעות, ספירת חיבור) הם לעתים קרובות רב-ממדיים, עם מצבים המייצגים משתמשים מזדמנים, משתמשים רגילים, משתמשים רגילים, משתמשים חשמל.

כיוונים עתידיים

תחום מיון רב-ממדי עדיין מתפתח, עם מספר אבני מחקר מבטיחות.

(FLT:0) Online ו-סטרימינג הגדרות 1 מציב אתגרים מסוימים כי מצבים עשויים להשתנות לאורך זמן.פיתוח אלגוריתמים שיכולים לעדכן באופן מצטבר הקצאות של אשכוליות ולשמור על סדר מתואם נמוך הוא בעיה פתוחה עם ערך מעשי גבוה.

(FLT:0) אופטימיזציה של מודעות-מודעים של LT:1 , כגון GPU-accelerated אשכולing ואחריו מיון מקבילים על כל אשכול יכול להניב מהירות דרמטית עבור נתונים מסיביים. GPUs יכול לאסוף מיליוני נקודות ב מילימטרים באמצעות k-means או spectraling, ומיין כל אשכול הופך להיות תת-פרולטריאלי.

(FLT:0) Neural-Moderal-Moderal-Visal-Moderal-Moderal-Moderal-Moderal-Moderal-Visal-Visal-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Fial-Firetsing Indexing Models) הוא עוד גבול.

(FLT:0) אינטגרציה עם מערכות מסד נתונים של מסד נתונים 1 (FLT: 1) הוא אולי הצורך המעשי המיידי ביותר.מאגרי נתונים של SQL תומכים זמן רב בסדר על ידי, אבל הם לא שומרים על מבנה אשכוליות. מנועי השאילתה המתנשאים עם מזכר מסוג MODESERVING יכולים לפתוח הישגים משמעותיים עבור עומסי עבודה אנליטיים שכבר נתונים קבוצתיים על ידי קטגוריות טבעיות.

מסקנה

תכנון אלגוריתמים עבור התפלגות נתונים רב-ממדית אינו על החלפת סוגים קלאסיים, אלא על הרחבתם עם מודעות למבנה.על ידי עיבוד עם שילוב, אימוץ אסטרטגיות היררכיות או הסתגלותיות, ותוצאות מתמזגות בקפידה, מפתחים יכולים לבנות שגרות שמשמרות את מדעי הרוח של הנתונים תוך שמירה על מורכבות קפדנית.

(ב) [קרא] על מושגי ההפצה הבסיסיים, ראה:0.10.10.10.10.10.10.10] התפלגות התפוצה הבסיסית של וויקיפדיה: עבור צולל עמוק יותר לתוך תורת מיון אדפטיבית, מסמך:2"ח סקר של חיקוי מביניהם של טים:5 LT: "הזמן התפוצה ה-DVatei"מחדש" (ה) הוא כותב את ה-Fiversal-D.