本研究提出了BEACON基准，解决了子图计数领域缺乏统一评估框架的问题。该基准提供标准化数据集和评估环境，便于算法和机器学习方法的比较。实验结果表明，算法在大图上效率高，但对复杂模式表现不佳；而机器学习方法适合大图模式，但需要大量数据，并且在小型密集图上的准确性较低。

本文探讨了低秩矩阵补全方法在真实应用中样本过程与数据值独立假设的不足，通过实验比较不同算法在数据依赖采样下的表现，发现调整算法能显著提升补全性能。

研究人员介绍了一种评估胎儿超声图像质量的方法，设计了稳健的模型进行排名，并给出了排名的不确定性估计。通过排序注释方案对训练数据进行了排名注释。与其他算法比较结果显示，在胎儿超声质量评估任务中，该方法表现出卓越性能。