RNA中N6-甲基腺嘌呤修饰和5-甲基胞嘧啶修饰与年龄的相关性研究，江汉鹏，熊军，衰老的特征在于生理和成人组织的功能的下降。以往的研究表明DNA甲基化与老化相关。除了DNA甲基化，近期研究表明，可逆的RNA修饰是 《N6-甲基腺嘌呤和5-甲基胞嘧啶RNA表观遗传修饰与衰老的负相关性》 衰老是一个复杂的生物学过程，伴随着人体各个器官和组织功能的逐渐衰退。过去的研究已经揭示了DNA甲基化在衰老中的重要作用，而近年来，RNA的表观遗传修饰也开始受到关注。这篇由江汉鹏、熊军等人发表的论文首次探讨了N6-甲基腺嘌呤（m6A）和5-甲基胞嘧啶（5-mC）这两种RNA的表观遗传修饰与人类衰老之间的关系。 RNA表观遗传修饰，尤其是m6A和5-mC，是细胞内信息传递和调控的新领域，被称为“RNA表观遗传学”。这些修饰可以影响RNA的稳定性、剪接、翻译效率以及非编码RNA的功能，从而参与基因表达的精细调控。然而，关于这些RNA修饰如何随年龄变化及其在衰老过程中的具体作用，科研界还知之甚少。 本研究通过开发一种在线捕获/毛细管亲水相互作用色谱/电喷雾质谱方法，实现了对人血液中m6A和5-mC的超灵敏同时定量。该方法的创新之处在于其高精度和高通量，能够准确检测到微量的RNA修饰水平。通过对260名年龄在0至88岁之间健康个体的血液RNA样本分析，研究发现m6A和5-mC的含量随着年龄的增长显著降低，并且与衰老过程高度相关。 这一发现提示我们，RNA的表观遗传修饰可能不仅是细胞调控的一个关键因素，而且在衰老过程中起着至关重要的作用。m6A和5-mC的减少可能会影响RNA的稳定性和功能，进而影响基因表达，导致生理功能的衰退。这些结果为理解衰老的分子机制提供了新的视角，也为寻找抗衰老的干预策略提供了潜在靶点。 此外，这项研究还强调了监测RNA表观遗传修饰在生物医学研究中的价值，为未来深入研究RNA修饰在疾病发展，特别是老年相关疾病中的作用奠定了基础。同时，这也为临床诊断和治疗提供了新的生物标志物，可能有助于早期识别衰老相关的健康问题。 《N6-甲基腺嘌呤和5-甲基胞嘧啶RNA表观遗传修饰与衰老的负相关性》这篇论文揭示了RNA表观遗传修饰在衰老过程中的重要角色，为衰老研究开辟了新的方向，并可能对未来的抗衰老药物研发和个性化医疗产生深远影响。

台湾大学NTUSD简体中文情感词典是一款广泛应用于中文自然语言处理的情感分析工具，尤其在文本情感极性判断上有着重要的作用。这个词典由台湾大学的研究团队开发，旨在为中文文本的情感倾向分析提供准确的基础数据。词典包含了11086个中文词语，这些词语被细致地划分为积极和消极两类，以帮助计算机理解文本中蕴含的情绪色彩。 词典的核心在于它的分类，其中2810个词语被标记为积极属性，这表明它们在语境中通常带有正面情绪，如“快乐”、“成功”或“爱”。这些积极词语有助于识别文本中的正面情感倾向。另一方面，8276个词语被标记为消极属性，它们可能表示负面情绪，如“悲伤”、“失败”或“痛苦”，帮助识别文本中的负面情感。 NTUSD词典的使用对于情感分析任务至关重要，特别是在社交媒体分析、用户评论评价、市场调研等领域。通过这个词典，开发者可以构建情感分析模型，自动识别和量化文本中的情感倾向，从而快速理解和总结大量文本信息。例如，在舆情分析中，可以迅速确定公众对某一事件或产品的整体态度是正面还是负面。 词典的下载（ntusd-download）方便了研究者和开发者获取资源，而“ntusd-negative”标签则特指消极词汇部分。中文文本情感分析（Chinese Text Sentiment）是自然语言处理领域的一个重要分支，它涉及词汇的语义分析、句法结构理解以及上下文推理等多个方面。Positivewords.txt文件则可能是积极词汇的列表，为程序处理提供了便捷的数据入口。 台湾大学NTUSD简体中文情感词典是一个强大的资源，对于那些需要理解和处理中文文本情感的项目来说，它提供了关键的基础设施。无论是学术研究还是商业应用，这款词典都极大地推动了中文情感分析技术的发展。通过合理利用这些词汇和标签，我们可以构建更加精准、高效的自然语言处理系统，更好地理解和利用中文文本中的情感信息。

广义的负变系数 eKdV 内波模型新的解析解，刘瑞平，魏光美，本文研究了用于模拟海洋内孤立波的广义的负变系数eKdV方程借助符号计算工具给出了Painleve分析和自Backlund变换同时用Hirota双线性方法得�

二维负 Gardner-KP 方程的解析研究及其在海洋内孤立波中的应用，鲁营霖，魏光美，本文主要研究了二维负 Gardner-KP 方程. 首先借助符号计算进行了 Painlev'{e} 分析, 发现该方程是 Painlev'{e} 不可积的. 基于 Painlev'{e} 截断给出

matlab图像特效代码临床光声成像的卓越光声非负重建 该存储库包含用于使用快速高级共轭梯度算法从原始RF数据重建光声图像的MATLAB代码示例。 结果发表在我们的论文《用于临床光声成像的高级光声非负重建（SPANNER）》中。 该代码免费提供给所有人使用。 如果您正在发布使用此代码或其变体的任何作品，请记住它是免费获得的。 我们恳请您在出版物中引用我们的论文。 该代码按“原样”提供，没有任何明示或暗示的保证，包括但不限于对适销性或特定用途的隐含保证或条件。 在任何情况下，作者和/或斯坦福大学均不对任何种类的任何特殊，偶发，间接或继发的损害赔偿负责，无论是由于使用，数据或利润的损失，无论作者是否提出建议有关此类损害的可能性，和/或由于使用或执行本规范而引起的任何责任理论。 MATLAB是The MathWorks，Inc.的商标。本文档和网站中提及的其他公司和/或组织的商标仅是出于标识目的，并且是其各自公司和/或组织的财产。 接触： 请与Idan Steinberg博士（）联系，以获取与此代码有关的查询。 抽象的： 光声（PA）成像可以通过增加分子信息来革新医学超声。 然而，由于有限的

本文件是论文《Tag-Aware Personalized Recommendation Using a Deep-Semantic Similarity Model with Negative Sampling》的原文翻译，是我通过 Google 翻译及我自己的理解翻译而来的。在翻译的内容中有很多英文标记的地方，便于结合原文进行理解。感谢论文原作者的辛苦实践，/bq，如有侵权，请联系我删除，谢谢~/bq。 [摘要] With the rapid growth of social tagging systems, many efforts have been put on tag-aware personalized recommendation. However, due to uncontrolled vocabularies, social tags are usually redundant, sparse, and ambiguous. In this paper, we propose a deep neural network approach to solve this problem by mapping both the tag-based user and item profiles to an abstract deep feature space, where the deepsemantic similarities between users and their target items (resp., irrelevant items) are maximized (resp., minimized). Due to huge numbers of online items, the training of this model is usually computationally expensive in the real-world context. Therefore, we introduce negative sampling, which significantly increases the model’s training efficiency (109.6 times quicker) and ensures the scalability in practice. Experimental results show that our model can significantly outperform the state-of-the-art baselines in tag-aware personalized recommendation: e.g., its mean reciprocal rank is between 5.7 and 16.5 times better than the baselines.

K-SVD是一种经典的字典训练算法，依据误差最小原则，对误差项进行SVD分解，选择使误差最小的分解项作为更新的字典原子和对应的原子系数，经过不断的迭代从而得到优化的解。

MahNMF Manhattan Non-negative Matrix Factorization code % Manhattan Non-negative Matrix Factorization. % ManhNMF: Matlab Code for Efficient Robust Manhattan NMF Solver % Reference % [1] N. Guan, D. Tao, Z. Luo, and J. Shawe-taylor, "MahNMF: Manhattan % Non-negative Matrix Factorization," arXiv:1207.3438v1, 2012. % [2] N. Guan, D. Tao, Z. Luo, and J. Shawe-taylor, "MahNMF: Manhattan % Non-negative Matrix Factorization," Submitted to Journal of Machine Learning Research, 2013. % The model is X \approx W^TH, where X, W, and H are defined as follows: % X (m x n): data matrix including n samples in m-dimensional space; % W (r x m): basis matrix including r bases in m-dimensional space; % H (r x n): coefficients matrix includeing n encodings in r-dimensional space. % Written by Naiyang Guan (ny.guan@gmail.com) % Copyright 2012-2014 by Naiyang Guan and Dacheng Tao % Modified at Jan. 28 2013 % % X : Input data matrix (m x n) % r : Target low-rank % % (Below are optional arguments: can be set by providing name-value pairs) % MAX_ITER : Maximum number of iterations. Default is 1,000. % MIN_ITER : Minimum number of iterations. Default is 10. % MAX_TIME : Maximum amount of time in seconds. Default is 100,000. % W_INIT : (m x r) initial value for W. % H_INIT : (r x n) initial value for H. % LAM_INIT : initial value of smoothness parameter. Default is 1. % MDL_TYPE : Model type (Default is 'PLAIN'), % 'PLAIN' - MahNMF (min{||X-W^T*H||_1,s.t.,W >= 0 and H >= 0}.), % 'BXC' - Box Constrained MahNMF (min{||X-W^T*H||_1,s.t.,1 >= W >= 0 and 1 >= H >= 0}.), % 'MNR' - Manifold Regularized MahNMF % (min{||X-W^T*H||_1+.5*beta*TR(H*Lp*H^T),s.t.,W >= 0 and H >= 0}.), % 'GSP' - Group Sparse MahNMF % (min{||X-W^T*H||_1+.5*beta*\sum_{g\in G}||W^[g]||_{1,p},s.t.,W >= 0 and H >= 0}.), % 'SYM' - Symmetric MahNMF (min{||X-H*H^T||_1,s.t., H >= 0}.). % ALG_TYPE : Algorithm type (Default is 'AGD'), % 'AGD' - Accelerated Gradient Descent, % 'RRI' - Rank-one Residue Iteration. % BETA : Tradeoff parameter over regularization term. Default is 1e-3. % SIM_MTX : Similarity matrix constructed by 'constructW'. % GPP_MTX : Group pattern for boundary of all groups. % TOL_INNR : Stopping tolerance of inner iterations. Default is 1e-2. % TOL_OUTR : Stopping tolerance of outer iterations. Default is 1e-3. % If you want to obtain a more accurate solution, decrease TOL_INNR or TOL_OUTR and increase MAX_ITER at the same time. % VB_OUTR : 0 (default) - No debugging information is collected. % 1 (debugging purpose) - History of computation is returned by 'HIS' variable. % 2 (debugging purpose) - History of computation is additionally printed on screen. % VB_INNR : 0 (default) - No debugging information is collected. % 1 (debugging purpose) - History of computation is returned by 'HIS' variable. % 2 (debugging purpose) - History of computation is additionally printed on screen. % % W : Obtained basis matrix (r x m). % H : Obtained coefficients matrix (r x n). % iter : Number of iterations. % elapse : CPU time in seconds. % HIS : (debugging purpose) History of computation, % niter - total iteration number spent for Nesterov's optimal % gradient method, % cpus - CPU seconds at iteration rounds, % objf - objective function values at iteration rounds, % dlta - stopping criteria of block coordinate descent. % % % >>X=rand(1000,500); % >>ManhNMF(X,10); % >>ManhNMF(X,20,'verbose',1); % >>ManhNMF(X,30,'verbose',2,'w_init',rand(r,m)); % >>ManhNMF(X,5,'verbose',2,'tol_outr',1e-5); % Note: other files 'GetStopCriterion.m', 'ApproxFunC.m', and 'wmedianf.mexw32' should be included under the same % directory as this code.

非负矩阵分解（NMF）被证明是一种非常有效的分解方法，可用于数据分析中的降维，并且已广泛应用于计算机视觉，模式识别和信息检索中。 但是，NMF实际上是一种不受监督的方法，因为它无法利用有关数据的先验知识。 在本文中，我们提出了使用图拉普拉斯算子（CNMF-GL）进行约束的非负矩阵分解，该方法不仅利用了几何信息，而且还适当地使用了标签信息来增强NMF。 具体来说，我们期望图的正则化项能够保留原始数据的局部结构，同时具有相同标签和具有不同标签的数据点将具有相应的约束条件。 结果，学习的表示将具有更大的辨别力。 图像聚类的实验结果证明了该算法的有效性。

Algorithms for Non-negative Matrix Factorization