在知识发现流程中，评估数据挖掘结果是否真实可靠是关键一步。许多应用——包括模式挖掘和图和网络分析——都需要判断所发现的模式是否具有统计显著性，以避免把仅仅由噪声或数据随机波动造成的虚假发现当作真实规律。针对某些特定应用，研究者已经发展出专门的统计程序；但对于难以推导解析结果的复杂分析，基于重采样的方法被广泛采用，因为它不依赖封闭形式的分布假设。
然而，现有重采样方法存在明显的可扩展性瓶颈：它们通常需要生成并分析数千个重采样数据集，才能对结果的显著性作出判断。对于大规模数据集或计算代价很高的分析任务，这样的开销往往难以承受，使得严格统计检验在实际应用中变得不现实。这一矛盾正是 Few-Shot Resampling（简称 FewRS）试图解决的问题。
该论文由 Leonardo Pellegrina 与 Fabio Vandin 完成，提出了一种简单而有效的重采样方法，用于评估数据挖掘结果的统计显著性，并对假发现概率给出严格保证。作者强调，FewRS 适用于所有原本使用重采样方法的场景，因此具有较广的适用面，而不是只针对某一类特定任务设计。
FewRS 的理论基础是作者推导的一个新界，用于刻画代表数据挖掘结果质量的检验统计量的上确偏差（supremum deviation）。借助这一界，作者证明 FewRS 只需生成并分析极少量重采样数据集，就能完成显著性评估，从而形成一种高度可扩展的方法。这与传统需要数千次重采样的做法形成鲜明对比。
在实验部分，作者在模式挖掘和网络分析等常见任务上测试了该方法。结果显示，在所有测试案例中，FewRS 相比当前最先进的方法将运行时间最多缩短两个数量级，同时仍保持较高的统计功效。这意味着它能够在大型真实世界数据集上对数据挖掘结果进行统计验证，而不再因计算成本过高而被迫放弃严格检验。
该论文已被 KDD 2026 接收，主题涉及机器学习、数据库以及统计方法论（cs.LG、cs.DB、stat.ME）。论文于 2026 年 5 月 29 日提交至 arXiv，编号为 arXiv:2606.11235。对于需要在海量数据上区分真实模式与随机噪声的研究者和工程团队而言，FewRS 提供了一条在保证统计严谨性的同时大幅降低计算开销的可行路径。