XiaoMi-AI文件搜索系统
World File Search System分类器
使用基于人工神经网络的精神分裂症分类器估算日本普通人群中精神分裂症的患病率：Web-B
背景：估计普通人群中精神分裂症的流行仍然是全球以及日本的挑战。很少有研究估计日本人口中的精神分裂症患病率，并且经常依靠医院的报告和自我报告的医师诊断或典型的精神分裂症症状。由于污名，洞察力差或受访者缺乏医疗保健的机会，这些方法可能会低估真正的患病率。为了解决这些问题，我们先前使用了来自大型日本基于日本的大型网络调查的数据开发了一个基于人工神经网络（ANN）基于精神分裂症分类模型（SZ分类器），以增强普通人群中精神分裂症病例识别的全面性。此外，我们还计划引入一项基于人群的调查，以收集一般信息和样本参与者，以匹配人口的人口结构，从而实现对日本精神分裂症患病率的精确估计。目的：本研究旨在通过将SZ分类器应用于日本人群的随机样本中来估计精神分裂症的流行。方法：我们随机选择了750名参与者的样本，其中年龄，性别和区域分布与日本基于日本的大规模调查中的日本人口结构相似。人口数据，与健康相关的背景，身体合并症，精神病合并症和社会合并症被收集并应用于SZ分类器，因为此信息也用于开发SZ分类器。本研究证明了能力通过SZ分类器检测到的阳性病例的比例计算了精神分裂症的原始患病率。通过排除假阳性病例和包括假阴性病例以确定精神分裂症的实际患病率，进一步完善了原油估计。结果：在750名参与者中，SZ分类器将62例分类为精神分裂症病例，导致日本普通人群的精神分裂症患病率为8.3％（95％CI 6.6％-10.1％）。在这62个案件中，假定有53个案件是假阳性，而3个案件被认为是假否定的。调整后，普通人群中精神分裂症的实际患病率估计为1.6％（95％CI 0.7％-2.5％）。结论：这种估计的患病率略高于先前的研究中报道的，这可能是由于更全面的疾病分类方法或相反的模型限制。
跨数据集的基于深度学习的分类器...
4卫生与康复系，瑞典哥德堡大学Sahlgrenska Academy神经科学与生理学研究所物理治疗部门。 哥德堡大学以人为中心的护理中心（GPCC），Sahlgrenska Academy，哥德堡大学，哥德堡大学，瑞典4卫生与康复系，瑞典哥德堡大学Sahlgrenska Academy神经科学与生理学研究所物理治疗部门。哥德堡大学以人为中心的护理中心（GPCC），Sahlgrenska Academy，哥德堡大学，哥德堡大学，瑞典
模拟量子变分嵌入分类器
量子机器学习有可能为人工智能提供强大的算法。在量子机器学习中追求量子优势是一个活跃的研究领域。对于目前有噪声的中型量子计算机，已经提出了各种量子-经典混合算法。一种先前提出的混合算法是基于门的变分嵌入分类器，它由经典神经网络和参数化的基于门的量子电路组成。我们提出了一种基于模拟量子计算机的量子变分嵌入分类器，其中控制信号随时间连续变化：我们特别关注的是使用量子退火器的实现。在我们的算法中，通过线性变换将经典数据转换为模拟量子计算机的时变哈密顿量的参数。非线性分类问题所需的非线性纯粹由模拟量子计算机通过最终量子态对哈密顿量控制参数的非线性依赖性提供。我们进行了数值模拟，证明了我们的算法对线性不可分数据集（例如同心圆和 MNIST 数字）进行二分类和多类分类的有效性。我们的分类器可以达到与最佳经典分类器相当的准确度。我们发现，通过增加量子比特的数量可以提高分类器的性能，直到性能饱和并波动。此外，我们的分类器的优化参数数量与量子比特的数量成线性关系。因此，当我们的模型大小增加时，训练参数数量的增加速度不如神经网络快。我们的算法提出了使用当前量子退火器解决实际机器学习问题的可能性，并且它还可用于探索量子机器学习中的量子优势。
基于控制器区域网络的生成分类器的异常检测系统
摘要 - 作为电子系统在现代车辆中变得越来越复杂且普遍存在，因此在板载网络上保护至关重要，特别是这些系统中的许多都是至关重要的。研究人员表明，现代车辆容易受到各种攻击的影响，从而使攻击者能够控制并损害安全 - 关键的电子系统。因此，文献中已经提出了几种入侵检测系统（IDS）来检测对车辆的这种网络攻击。本文介绍了一个基于新颖的生成分类器的入侵检测系统（IDS），该系统（IDS）专为汽车网络中的异常检测而设计，特别关注控制器区域网络（CAN）。利用变异贝叶斯，我们提出的ID使用深层可变模型来构造有条件概率的因果图。使用自动编码器体系结构来构建分类器以估算条件概率，这有助于通过贝叶斯推断的最终预测概率。对公共汽车挖掘数据集上针对最新IDS的比较评估突出了我们提出的分类器在提高检测准确性和F1分数方面的出色表现。提出的ID通过用有限的培训数据胜过现有模型来证明其功效，从而为汽车系统提供了增强的安全保证。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
REDInet：基于 TCN 的 A-to-I RNA 编辑检测分类器，利用数百万个已知事件
和 WGS 数据中存在 A-to-G 证据或所有样本中均无 A-to-G 证据的位点被标记为阳性。相反，在 WT、SI 和 WGS 数据中存在 A-to-G 证据或所有样本中均无 A-to-G 证据的位点被标记为阴性。RNAseq 的最小深度为 50，WGS 的最小深度为 10。如果每个 A-to-G 变化至少有 3 个 G 支持或显示替换率 > = 1%，则将其视为阳性和阴性候选者。最终使用 REDItools [12, 19] 包中兼容 python3 的 AnnotateTable.py 脚本版本对阳性和阴性候选者进行注释。重复性位点
人工智能分类器能与人类审阅者匹敌吗？
简介 > 随着医学文献的出版量不断增加，人工智能 (AI) 逐渐被视为提高文献综述筛选效率的工具。1 > 美国国家健康与护理卓越研究所 (NICE) 最近的指导承认了人工智能在协助文献综述过程中的优势，强调了人工智能辅助流程在支持报销提交方面的进展。> AI 分类器通过对一组问题进行出版物二元分类，为 AI 筛选提供了一种替代方案。> AI 分类器不限于单一用途设置，可以应用于多个评审，并有可能迭代提高准确性。> 虽然有大量关于 AI 筛选的文献，但评估 AI 分类器及其与人类审阅者的可比性的证据有限。
Clef 2024 Joker任务2：根据类型和技术使用BERT和随机森林分类器进行幽默分类
抽象的自主机器人用于以人为中心的环境（例如办公室，餐馆，医院和私人住宅）进行协作和合作的任务。这些活动要求机器人以社会可接受的方式吸引人们，即使他们犯了错误。由于技术或环境局限性（例如多模态观测值不匹配），机器人会导致通知失败。虽然无法完全避免这些错误，但仍然有必要最大程度地减少它们。在本文中，我们希望通过使用对比言语和非语言的多个提示来使用讽刺，以允许机器人隐藏其相互作用信号的不确定性。结果表明两种态度之间的某些差异，例如机器人的独立性和自信。
基于天气预测功能工程框架的高级机器学习分类器的比较分析 * Rahul Gupta 1,2，Anil
5自动化学校，Banasthali Vidyapith，拉贾斯坦邦，印度304022。 电子邮件：ppathak9999999999999999999999999999999. 重大的气候变化是一项非常困难的任务，会影响全世界的人们。 降雨被认为是天气系统中最重要的现象之一，其速率是最关键的变量之一。 要通过标准方法开发预测模型，气象专家试图检测大气属性，例如阳光，温度，湿度和浑浊等。 机器学习（ML）技术最近进化得更具进化，它提供的结果比传统方法更令人满意，并且易于使用。 本文介绍了ML分类器，例如Logistic回归（LR），决策树（DT），随机森林（RF），轻梯度增压机（LGBM），CAT Boost（CB）和Extreme Grantient Boost（XGB），以使用功能工程框架来预测降雨。 采用接收器操作特征（AUROC）曲线和其他统计指标（例如回忆，准确性，精度和Cohen Kappa）的区域来预测和比较上述方法的成功率。 根据AUROC值的验证结果为XGB（0.94）> CB（0.93）> LGBM（0.87）> RF（0.93）> dt（0.88）> lr（0.78）。 最终，XGB模型在统计参数方面优于其他模型。 关键字：二进制分类，超级参数调整，机器学习，XGB分类器，天气预报。 1。 [6]。5自动化学校，Banasthali Vidyapith，拉贾斯坦邦，印度304022。电子邮件：ppathak9999999999999999999999999999999. 重大的气候变化是一项非常困难的任务，会影响全世界的人们。 降雨被认为是天气系统中最重要的现象之一，其速率是最关键的变量之一。 要通过标准方法开发预测模型，气象专家试图检测大气属性，例如阳光，温度，湿度和浑浊等。 机器学习（ML）技术最近进化得更具进化，它提供的结果比传统方法更令人满意，并且易于使用。 本文介绍了ML分类器，例如Logistic回归（LR），决策树（DT），随机森林（RF），轻梯度增压机（LGBM），CAT Boost（CB）和Extreme Grantient Boost（XGB），以使用功能工程框架来预测降雨。 采用接收器操作特征（AUROC）曲线和其他统计指标（例如回忆，准确性，精度和Cohen Kappa）的区域来预测和比较上述方法的成功率。 根据AUROC值的验证结果为XGB（0.94）> CB（0.93）> LGBM（0.87）> RF（0.93）> dt（0.88）> lr（0.78）。 最终，XGB模型在统计参数方面优于其他模型。 关键字：二进制分类，超级参数调整，机器学习，XGB分类器，天气预报。 1。 [6]。电子邮件：ppathak9999999999999999999999999999999.重大的气候变化是一项非常困难的任务，会影响全世界的人们。降雨被认为是天气系统中最重要的现象之一，其速率是最关键的变量之一。要通过标准方法开发预测模型，气象专家试图检测大气属性，例如阳光，温度，湿度和浑浊等。机器学习（ML）技术最近进化得更具进化，它提供的结果比传统方法更令人满意，并且易于使用。本文介绍了ML分类器，例如Logistic回归（LR），决策树（DT），随机森林（RF），轻梯度增压机（LGBM），CAT Boost（CB）和Extreme Grantient Boost（XGB），以使用功能工程框架来预测降雨。采用接收器操作特征（AUROC）曲线和其他统计指标（例如回忆，准确性，精度和Cohen Kappa）的区域来预测和比较上述方法的成功率。根据AUROC值的验证结果为XGB（0.94）> CB（0.93）> LGBM（0.87）> RF（0.93）> dt（0.88）> lr（0.78）。最终，XGB模型在统计参数方面优于其他模型。关键字：二进制分类，超级参数调整，机器学习，XGB分类器，天气预报。1。[6]。引言大多数行业，例如生物学，建构，运输和农业都受到不利天气条件（例如洪水，降雨，干旱等）的影响，从而使天气预报是必要的要求。防止农业和财务损失的最具挑战性的解决方案之一是天气预报。天气预报始于19世纪后期，随后在[1，2]中划定了天气预报行动的进展。在过去，气象学家用来根据其专业知识来估算天气参数，但现在该过程涉及应用技术和数据[3]。常规数据管理方法尚未被证明有效或有效地处理大数据[4，5]。事实上，世界各地的不可预测的天气模式必须通过使用不同的大气属性（例如湿度，压力，温度和风速等）来开发一种新的预测技术。传统上，预测是通过人类努力来完成的，但是今天，它是由需要使用高质量设备的巨大计算方法来控制的[7，8]。尽管使用卫星知识和超级计算机使用先进的技术来适应数据，但预后剂仍然对季风的变化感到困惑，这使得对数据的智能解释和分析变得困难。在现实世界中的应用中，例如医学诊断，语音和模式识别，自然语言处理，以及在某些可再生能源应用中，例如太阳照射，生物能源和风速预测机器学习（ML）算法利用计算方法来从历史数据和提取相关特征中获得所需的信息来增强预测输出[9-10]。
4CAC：使用机器学习和装配图的元基因组重叠群的4类分类器
抽象的微生物群落通常具有细菌，古细菌，质粒，病毒和微核生素的混合物。在相对的含量丰度中，Y等人与细菌进行了复杂的相互作用。Moreo Ver，病毒和质粒作为移动遗传元素，在水平基因转移和微生物种群中抗生素耐药性中起着重要作用。由于难以识别微生物群落中的病毒，质粒和微核生素，因此我们对这些次要类别落后于细菌和古细菌的差异。resse，将分类器被用来分开，将一个或多个次要类别与元基因组组件中的细菌和古细菌分开。ho w e v er，这些分类器通常是阶级不平衡问题，从而导致识别次要类别的精确度较低。在这里，我们开发了一个称为4CAC的分类器，能够从元素组组件中同时识别病毒，质粒，微核细胞和原核生物。4CAC使用se v er序列长度调整后的XGB OOST模型生成了初始的F我们的分类，并使用汇编图进一步对分类进行了分类。对所采用和真实的元基因组数据集进行的表明，在简短读取中，4CAC显然优于现有的分类器及其组合。 长期读取，除非少数类的丰度为very lo w，否则它也会显示出优势。 4CAC的运行速度比其他分类器快1-2个数量级。表明，在简短读取中，4CAC显然优于现有的分类器及其组合。长期读取，除非少数类的丰度为very lo w，否则它也会显示出优势。4CAC的运行速度比其他分类器快1-2个数量级。4CAC软件可从https：//github.com/ shamir-lab/ 4cac获得。