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。
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。
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