Morning report addendum: threshold fractions and paired naive-GBRT medians

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
ClaudeandClaude Opus 5.5 committed 2026-11-15 22:43:50 +00:00
1 parent 8261ea923c
commit e04529f9b4
1 file changed
+8
@@ -32,3 +32,11 @@
2. 做 R4 单因素比较:在我们 617 件分组协议上,(a) 只换距离:eikonal 与 Dijkstra 用同一壁距和同一 CDF;(b) naive 对比 GBRT;(c) R2-G24 对比 Gre24-GBRT。用来说明 S2 里 7.3% 和 10.4% 的差距从哪里来。
3. 让大件也能跑完:给空间矩做向量化或批量的球树查询,属于工程优化,只改性能不改定义;在此之前,10 个大件只作为覆盖限制报告。
4. 只读核查:原文作者是否在其他地方说明过 RRMSE 的定义(例如 Greif & Meyer 2026 或学位论文)。
## 补充:只读的存储分数展示(MeltAstra,来自冻结的 scores,SHA af2aa9fd 未变)
- RRMSE < 0.1 的测试件比例,五个划分取平均,依次为 naive / GBRT / FNN:
- RMS(y):58.5% / 76.0% / 71.3%;
- max(y):87.0% / **95.3%** / 93.0%;
- mean(y):50.0% / 67.5% / 61.7%。
- 原文是 300/314 ≈ 95.5%。按 max(y) 归一时 GBRT 与之相近,这再次符合“原文按最大值归一”这一*候选*解释,但不能据此反推原文分母,也不能据此认证复现。主指标仍是 RMS(y)。
- 同一(划分,制件)上配对计算的 naive−GBRT 中位差(RMS(y),正值表示 GBRT 误差更低),划分 0 到 4 依次为:0.0185、0.0178、0.0198、0.0173、0.0203。在本数据和本时间标度下,GBRT 稳定优于 naive,与原文“只是稍好”不同。t_set 与 V/V̇ 的差异是候选原因,未经检验。