XiaoMi-AI文件搜索系统
World File Search System万科
标准化工作 - SFU Beedie 商学院
我们探讨标准化工作（即公司追求标准以进一步创新）如何涉及不同的知识和创新成果搜索过程。通过对中国领先的房地产开发商万科的归纳案例研究，我们展示了不同程度的知识复杂性和编码如何结合起来产生四种类型的搜索过程：主动、整合、分散和被动，从而产生四种类型的创新结果：模块化、激进、渐进和架构。我们认为，当公司的标准化工作涉及高度编码的知识时，会促进渐进式和架构式创新成果，而阻碍模块化和激进式创新。我们讨论了标准化工作如何产生二阶创新能力，并最后呼吁在其他环境中进行比较研究，以了解标准化工作如何适应不同行业环境中不同类型的搜索过程。& 2015 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
标准化工作 - SFU Beedie 商学院
我们探讨了标准化工作（即当一家公司追求标准以进一步创新时）如何涉及不同的知识和创新成果搜索过程。通过对中国领先的房地产开发商万科的归纳案例研究，我们展示了不同程度的知识复杂性和编码如何结合起来产生四种类型的搜索过程：主动、整合、分散和被动，从而产生四种类型的创新结果：模块化、激进、渐进和架构。我们认为，当一家公司的标准化工作涉及高度编码的知识时，渐进和架构创新成果会得到促进，而模块化和激进创新会受到阻碍。我们讨论了标准化工作如何产生二阶创新能力，并最后呼吁在其他环境中进行比较研究，以了解标准化工作如何适应不同行业环境中不同类型的搜索过程。& 2015 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
标准化工作 - SFU Beedie 商学院
我们探讨标准化工作（即公司追求标准以进一步创新）如何涉及不同的知识和创新成果搜索过程。通过对中国领先的房地产开发商万科的归纳案例研究，我们展示了不同程度的知识复杂性和编码如何结合起来产生四种类型的搜索过程：主动、整合、分散和被动，从而产生四种类型的创新结果：模块化、激进、渐进和架构。我们认为，当公司的标准化工作涉及高度编码的知识时，会促进渐进式和架构式创新成果，而阻碍模块化和激进式创新。我们讨论了标准化工作如何产生二阶创新能力，并最后呼吁在其他环境中进行比较研究，以了解标准化工作如何适应不同行业环境中不同类型的搜索过程。& 2015 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
标准化工作 - 邦德大学研究门户
我们探讨了标准化工作（即一家公司追求标准以进一步创新）如何涉及不同的知识和创新成果搜索过程。通过对中国领先的房地产开发商万科的归纳案例研究，我们展示了不同程度的知识复杂性和编码如何结合起来产生四种类型的搜索过程：主动、整合、分散和被动，从而产生四种类型的创新结果：模块化、激进、渐进和架构。我们认为，当一家公司的标准化工作涉及高度编码的知识时，渐进式和架构式创新成果会得到促进，而模块化和激进式创新会受到阻碍。我们讨论了标准化工作如何产生二阶创新能力，并最后呼吁在其他环境中进行比较研究，以了解标准化工作如何适应不同行业环境中不同类型的搜索过程。& 2015 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
使用多标签学习和社区检测方法 (DTI-MLCD) 预测药物-靶标相互作用
1 上海交通大学微生物代谢国家重点实验室、生命科学与技术学院，上海 200240；2 深圳市南山区西丽街道万科云城一期 8 号楼鹏程实验室，518055；3 卡尔加里大学 摘要 识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低大量的实验成本，蓬勃发展的机器学习已被应用于该领域并开发了许多计算方法，尤其是二元分类方法。然而，当前方法的性能仍有很大改进空间。多标签学习可以减少二元分类学习所面临的困难并具有较高的预测性能，并且尚未得到广泛探索。它面临的关键挑战是指数级的输出空间，考虑标签相关性可以帮助它。因此，我们通过引入用于 DTI 预测的社区检测方法 (称为 DTI-MLCD) 来促进多标签分类。另一方面，我们更新了2008年提出并沿用至今的金标准数据集。我们在更新前后的金标准数据集上执行了所提出的DTI-MLCD，结果表明它比其他经典机器学习方法和其他基准提出的方法更具优越性，证实了它的有效性。本研究的数据和代码可以在https://github.com/a96123155/DTI-MLCD找到。 关键词：药物-靶标相互作用，数据集更新，多标签学习，标签相关性，社区检测 1.引言 对于药物开发来说，药物发现（即发现潜在的新药）和药物重新定位（即获得具有新功效的旧药）是两个重要且成本高昂的策略[2]，而实现它们的重要步骤就是预测DTI。近年来，许多研究将流行的机器学习技术应用于实现智能医疗，在一定程度上加速了药物开发的进程。对于DTIs预测，利用机器学习技术不仅可以缩小实验研究的实验范围，而且可以对实验研究起到指导作用。近年来有很多综述文章[3-7]总结了机器学习方法在DTIs预测领域的进展，二分类方法是其中一个重要分支。对于二分类方法