跳到主要内容
检索

Great Bay University

4 篇关联报道

订阅更新
  1. arXiv

    子群发现不再把支持度折进分数:AtomSD在任意支持阈值下直接给出最偏离子群

    子群发现长期把“偏离多大”和“覆盖多少人”压成一个加权分数,用户给定最小支持度后往往找不到对应的最偏离子群。AtomSD把问题改写为对有限个同质区域(原子)的选取:理论上每个支持阈值下的最优子群都是若干完整原子加至多一个部分原子。在19个UCI基准数据集上,它在5个支持阈值下取得1.25的平均排名、95个数据集与阈值组合中78次最优,并可作为后处理改进四种已有方法返回的子群。

  2. arXiv

    大模型写优化模型会悄悄改错约束:不重训上游,事后修复把零样本准确率从44.8%提到64.9%

    OPT-Kraken 把大模型生成的优化模型与求解代码当作冻结产物做事后修复,在六个基准上把零样本准确率从 44.8% 提到 64.9%,同时只让 0.6% 原本正确的输出变错。

  3. AI4Math 综述:从引导猜想到形式化证明,AI 已能解出 PKU 研究生考题并在 Lean 中验证 Erdős 问题的反例

    这篇综述系统梳理了 AI for Mathematics(AI4Math)的进展、挑战与前景,将研究分为面向特定问题的建模(引导直觉、构造反例、封闭系统形式推理)与通用建模(自然语言推理、形式推理、数学信息检索)两条互补路线,并报告了作者自建的 PKU 本科与博士资格考试评测:GPT-4 平均分低于 60,而 o1、DeepSeek-R1、o3-mini、Gemini 2.5 Pro 等推理增强模型多数超过 90,o3-mini 在 58 道博士资格考试题上平均 84.4 分,同时指出研究级数学仍是开放难题。

  4. arXiv

    用流匹配做稀疏视角CT重建:复用速度场把网络评估次数降到7次,重建质量仍与扩散模型相当

    作者提出首个基于流匹配(Flow Matching)的CT重建框架FMCT及其高效变体EFMCT,利用流匹配的确定性ODE采样与数据一致性校正天然兼容、且相邻步预测速度场高度相关的特点,在连续步中复用已算出的速度场以减少神经网络函数评估次数(NFE),并给出理论分析表明复用引入的误差与欧拉离散化同阶、在有限复用步数下累积误差受控;在AAPM与Medical Segmentation Decathlon两个公开CT数据集、20视角与40视角平行束稀疏采样下,FMCT/EFMCT的PSNR/SSIM与扩散类方法相当,而NFE与计算时间显著更低(如AAPM 40视角EFMCT为7次NFE、0.83秒,相对最

已读完全部报道