深度学习（Deep Learning）作为人工智能领域的重要分支，近年来在计算机视觉、自然语言处理等多个领域取得了显著进展。然而，深度学习的成功在很大程度上依赖于损失函数（Loss Function）和性能指标（Performance Metrics）的选择。损失函数用于衡量模型预测与真实值之间的差异，并指导模型的优化过程；而性能指标则用于评估模型在未见数据上的表现。尽管损失函数和性能指标在深度学习中至关重要，但面对众多的选择，研究者和从业者往往难以确定最适合其特定任务的方法。 为此，本文旨在对深度学习中最常用的损失函数和性能指标进行全面回顾，帮助研究者和从业者更好地理解和选择适合其任务的工具。文章不仅涵盖了经典的回归和分类任务，还深入探讨了计算机视觉、自然语言处理（NLP）以及检索增强生成...

随着物联网（Internet of Things, IoT）和Web of Things (Wot)的快速发展，安全问题日益凸显。尤其是拒绝服务攻击（Denial of Service, DoS）的频发，使得Wot系统的安全性成为亟待解决的问题。Wot通过将物联网设备与Web技术集成，实现了设备与互联网的无缝连接，但这也带来了新的安全挑战。由于Wot设备的异构性和开放性，传统的安全机制难以应对复杂的攻击场景。因此，本文旨在通过系统文献综述（Systematic Literature Review, SLR），探讨Wot系统中的安全威胁，特别是DoS攻击的检测与防御机制，并分析深度学习（Deep Learning, DL）技术在这一领域的应用。 论文来源 本文由Ruhma Sardar、Tay...

乳腺癌是全球女性中最常见的恶性肿瘤之一，尽管早期干预和适当治疗已经显著提高了患者的生存率，但仍有约30%的病例会复发并发生远处转移，导致5年生存率低于23%。传统的临床预测方法，如生物标志物、临床影像和分子检测，虽然具有一定的价值，但其敏感性低、成本高、可用性有限，且存在患者内部的异质性等问题。因此，开发新的方法来可靠地预测术后乳腺癌患者的复发风险和生存率，以便及时干预和改善整体预后，成为当前研究的迫切需求。 近年来，人工智能（AI）技术的快速发展为乳腺癌的预后预测提供了新的可能性。深度学习作为一种强大的AI技术，能够从复杂的多模态数据中提取有价值的信息，结合病理图像、分子数据和临床信息，有望显著提高乳腺癌无病生存（Disease-Free Survival, DFS）的预测准确性。然而，现...

非编码RNA（ncRNA）在细胞过程和疾病发展中扮演着关键角色。尽管基因组测序项目揭示了大量非编码基因的存在，但ncRNA的功能和分类仍然是一个复杂且具有挑战性的问题。ncRNA的多样性、复杂性和功能性使其成为生物医学研究的重要对象，尤其是在生物标志物和治疗靶点的发现中。然而，现有的ncRNA分类工具大多仅依赖于单一或两种数据类型（如序列或二级结构），忽略了其他可能提供重要信息的数据源。此外，现有方法通常缺乏可解释性，难以揭示不同ncRNA类别的特征。 为了解决这些问题，来自Université Paris-Saclay和Institut Curie的研究团队提出了一种名为MMNC（Multi-Modal Interpretable Representation for Non-Coding...

学术背景 随着测序技术的飞速发展，科学家们已经能够获得大量的蛋白质序列数据，其中包括许多酶序列。然而，尽管像京都基因与基因组百科全书（KEGG）和BRENDA这样的大型酶数据库已经建立，许多酶的序列信息仍然缺失。这些缺乏序列信息的酶被称为“孤儿酶”（orphan enzymes）。孤儿酶的存在严重阻碍了基于序列相似性的功能注释，导致在理解序列与酶促反应之间关系时存在巨大空白。 孤儿酶的问题不仅限于序列信息的缺失，还影响了我们对生物过程的理解。例如，人类肠道微生物群中的许多代谢过程，如短链脂肪酸（short-chain fatty acid, SCFA）的生产，与肠道炎症和癌症进展密切相关。然而，许多这些反应涉及孤儿酶，导致相关基因无法被识别。因此，开发一种不依赖于序列相似性的方法来预测酶活性...