The problem of high utility sequence mining (HUSM) in quantitative se-quence databases (QSDBs) is more general than that of frequent sequence mining in se-quence databases. An important limitation of HUSM is that a user-predened minimum tility threshold is used commonly to decide if a sequence is high utility. However, this is not convincing in many real-life applications as sequences may have diferent importance. Another limitation of HUSM is that data in QSDBs are assumed to be precise. But in the real world, collected data such as by sensor maybe uncertain. Thus, this paper proposes a framework for mining high utility-probability sequences (HUPSs) in uncertain QSDBs (UQS-DBs) with multiple minimum utility thresholds using a minimum utility. Two new width and depth pruning strategies are also introduced to early eliminate low utility or low probability sequences as well as their extensions, and to reduce sets of candidate items for extensions during the mining process. Based on these strategies, a novel ecient algorithm named HUPSMT is designed for discovering HUPSs. Finally, an experimental study conducted in both real-life and synthetic UQSDBs shows the performance of HUPSMT in terms of time and memory consumption.

Frequent itemset discovering has been one essential task in data mining. In the worst case, the cardinality of the class of all frequent itemsets is of exponent which leads to many difficulties for users. Therefore, a model of constraintbased mining is necessary when their needs and interests are the top priority. This paper aims to find a structure of frequent itemsets that satisfy the following conditions: they include a subset C 10 , contain no items of a subset C 11 , and have at least an item belonging to subset C 21 . The first new point of the paper is the proposed theoretical result that is the generalization of our former researches (Hai et al. in Adv Comput Methods Knowl Eng Sci 479:367-378, 2013). Second, based on new sufficient and necessary conditions discovered just for closed itemsets and their generators in association with the methods of creating borders and eliminating branches and nodes on the lattice, we can effectively and quickly eliminate not only a class of frequent itemsets but also one or more branches of equivalence classes of which elements are insatiate the constraints. Third, a structure and a unique representation of frequent itemsets with extended double constraints are shown by representative closed itemsets and their generators. Finally, all theoretical results in this paper are proven to be reliable and they are firm bases to guarantee the correctness and efficiency of a new algorithm, MFS-EDC, which is used to effectively mine all constrained frequent itemsets. Experiments show the outstanding efficiency of this

Mục tiêu: Khảo sát vai trò của siêu âm trong chẩn đoán chấn thương và vết thương bụng tại Bệnh viện Đa khoa Sài Gòn. Đối tượng và phương pháp: Nghiên cứu tiến cứu mô tả cắt ngang trên tất cả bệnh nhân có chấn thương hoặc vết thương bụng được phẫu thuật tại khoa Ngoại Tổng quát Bệnh viện Đa khoa Sài Gòn từ 1/1/2019 – 31/12/2020. Kết quả: Tổng cộng có 96 trường hợp chấn thương hoặc vết thương bụng  được chẩn đoán và phẫu thuật. Siêu âm phát hiện dịch tự do trong ổ bung độ nhạy 89.68%, độ đặc hiệu 66,67%. Siêu âm xác định vỡ tạng rỗng có độ nhạy 81,5%, độ đặc hiệu 95,67%. Trong vỡ tạng đặc siêu âm có độ chính xác: 90,6%. Kết luận: Chấn thương và vết thương bụng là cấp cứu ngoại khoa. Chẩn đoán sớm, thái độ xử lý thích hợp giúp giảm tỷ lệ tử vong. Siêu âm đánh giá tập trung thương tổn là phương pháp chẩn đoán được lựa chọn đầu tiên giúp khảo sát thương tổn tạng trong ổ bụng. Độ nhạy, độ chính xác của siêu âm trong chẩn đoán chấn thương và vết thương bụng khá cao.

The Minimum Variance Distortionless Response (MVDR) beamforming algorithm is frequently utilized to extract speech and noise from noisy signals captured from multiple microphones. A frequency-time mask should be employed to compute the Power Spectral Density (PSD) matrices of the noise and the speech signal of interest to obtain the optimal weights for the beamformer. Deep Neural Networks (DNNs) are widely used for estimating time-frequency masks. This paper adopts a novel method using Graph Convolutional Networks (GCNs) to learn spatial correlations among the different channels. GCNs are integrated into the embedding space of a U-Net architecture to estimate a Complex Ideal Ratio Mask (cIRM). We use the cIRM in an MVDR beamformer to further improve the enhancement system. We simulate room acoustics data to experiment extensively with our approach using different types of the microphone array. Results indicate the superiority of our approach when compared to current state-of-the-art methods. The metrics obtained by the proposed method are significantly improved, except the Scale-Invariant Source-to-Distortion Ratio (SI-SDR) score. The Perceptual Evaluation of Speech Quality (PESQ) score shows a noticeable improvement over the baseline models (i.e., 2.207 vs. 2.104 and 2.076). Our implementation of the proposed method can be found in the following link: https://github.com/3i-hust-asr/gnn-mvdr-final.

Khai thác các chuỗi phổ biến và các chuỗi lợi ích cao có mức độ quan trọng khác nhau trong các ứng dụng thực tế. Gần đây, các nghiên cứu tập trung giải quyết bài toán tổng quát hơn, là khai thác tập FHUS chuỗi phổ biến lợi ích cao. Tuy nhiên, thời gian và bộ nhớ dùng để khai thác FHUS vẫn còn quá lớn. Bài báo đề xuất khái niệm tập FGHUS các chuỗi sinh phổ biến lợi ích cao, là một biểu diễn súc tích của FHUS, và một thuật toán mới hiệu quả để khai thác nó. Dựa vào hai chặn trên của độ đo lợi ích, hai chiến lược tỉa theo chiều rộng và sâu được thiết kế để loại bỏ nhanh các chuỗi ít phổ biến hoặc lợi ích thấp. Sử dụng một chặn dưới mới của lợi ích, một chiến lược tỉa địa phương mới được đề xuất để loại bỏ sớm các chuỗi không là chuỗi sinh phổ biến lợi ích cao. Dựa vào các chiến lược này, một thuật toán mới FGenHUSM được thiết kế để khai thác FGHUS mà tính hiệu quả của nó được thể hiện qua các thử nghiệm trên các cơ sở dữ liệu lớn.