Hungarian algorithm
PulseAugur coverage of Hungarian algorithm — every cluster mentioning Hungarian algorithm across labs, papers, and developer communities, ranked by signal.
-
一项新的验证研究比较了五种追踪脊髓MRI中多发性硬化病灶的方法
研究人员开发并验证了五种不同的策略，用于自动追踪脊髓MRI扫描中多发性硬化（MS）病灶随时间的变化。该研究比较了包括可变形配准、脊髓解剖参考系统、基于重叠的匹配、匈牙利算法、梯度提升分类和Siamese模型在内的多种方法。基于配准的重叠方法在准确识别纵向扫描中的病灶实例方面表现最佳，提供了对脊髓病灶实例对应关系的首次系统性分析。
-
新的SPD解码策略显著加速了LLM重排
研究人员开发了一种名为SPD（单次前向传播）的新解码策略，该策略显著加速了大型语言模型（LLM）的生成式重排。该方法在单次前向传播中解码排列中的所有序数值，将推理时间减少了64倍，同时保持了排序质量。该方法将生成式排序与组合优化联系起来，有可能实现其他实时排序机制。
-
hLLM解码策略将LLM重排速度提升64倍
研究人员开发了hLLM，一种用于大型语言模型（LLM）的新型解码策略，可显著加快生成式重排的速度。通过将输出视为一个可用匈牙利算法解决的排列问题，hLLM实现了$64 imes$的端到端推理加速，将其缩短至28毫秒。该方法保持了与现有教师模型相当的排名质量，并将生成式排名与组合优化联系起来。
-
新的DAS-PMVC框架改进了部分多视图聚类
研究人员推出DAS-PMVC，一个旨在解决部分多视图聚类挑战的新型框架。该方法通过采用双重对齐和结构增强技术，解决了不同视图之间数据错位引起的问题。该框架首先通过锚点图结构对齐来对齐视图，然后利用多视图图卷积网络增强特征学习，最后使用对比学习和匈牙利算法来优化潜在特征对齐。实验结果表明，DAS-PMVC在聚类性能上超越了现有的最先进方法。
-
新算法将实时人群追踪速度提升 6.5 倍
研究人员开发了一种新的增量分配算法，旨在提高实时人群追踪的效率。该算法利用了密集人群场景下成本矩阵的块稀疏结构，与传统的匈牙利算法相比，计算速度更快。通过一次添加一个人并保持最优对偶势，新方法在多达 5000 人的基准测试中实现了 3.7-6.5 倍的显著加速，同时仍然保证了可证明的最优匹配。
-
新算法LinMatch通过线性匹配优化人机协作
研究人员开发了LinMatch，一种用于在线多人类多机器人协作的新型算法。该方法将机器人分配给人类代理的任务视为一个线性匹配赌徒问题。LinMatch在每一轮中使用匈牙利算法有效地解决了乐观匹配问题，并建立了$\tilde{\Theta}(d\sqrt{MKT})$的紧密最优遗憾率。该算法的应用范围不仅限于人机交互，还扩展到推荐系统和住房分配等领域。
-
隐私保护行人重识别利用深度图像和Transformer
研究人员开发了一种新颖的行人重识别系统，该系统通过利用深度图像而非传统的RGB数据来优先保护隐私。该方法采用Transformer编码器处理时序序列，捕捉RGB和深度模态的动态运动模式。Hungarian算法用于优化不同视图之间的匹配过程，而batch hard triplet loss则增强了特征学习。在TVPR2和BIWI RGBD-ID等数据集上的评估表明，仅使用深度数据的方案在保护用户隐私的同时实现了具有竞争力的性能。
-
运筹学超越电子表格，实现 B2B 区域规划自动化
本文提出了一种程序化解决方案，用于自动化 B2B 区域规划，这一过程传统上通过手动电子表格进行管理。文章概述了一个使用运筹学技术的流程，特别是匈牙利算法和最长处理时间 (LPT) 算法，以解决容量平衡和销售人员分配的挑战。目标是超越低效的手动方法，为区域设计和客户分配创建一个可扩展的系统。