11月11日，国务院应对新型冠状病毒肺炎疫情联防联控机制综合组发布《关于进一步优化新冠肺炎疫情防控措施 科学精准做好防控工作的通知》。
通知指出，明确入境人员阳性判定标准为核酸检测Ct值
随着对免疫机制认识逐渐深入，新型药物不断面世，结合多维度多组学实验室指标，越来越多免疫性皮肤病患者可以实现更加个体化的精准诊疗。然而，现阶段皮肤系统疾病检测手段有限，除部分皮肤病可依靠皮肤病理活检、生化免疫、病原学检查和基因测序等技术平台辅助诊断，在临床实践中仍有大多数皮肤病缺少特异性指标，仅能通过临床表现和医生经验进行疾病管理。
衣柜跟沙发中间隔开的距离，刚好是一个柜门+一个人的宽度。这样面向衣柜打开柜门才能很顺畅，换衣服也很方便。（请忽略小住君挂的七扭八歪的相框）
需要用鱼眼才能拍下来的玄关，其实还是挺宽敞的。没有很多效果图，也没有很多摆拍图，因为这是真的住进来以后的实景照片。我家小厨酱说，生活就是这样，乱也是一种美，乱的温馨就好。
“II形” 衣帽间 （升级版）
拿着文件、杂志，甚至通行证上了车，不少人会习惯性地将其随手丢在前挡风玻璃下方。
编辑：王越悦
隐形书架如何设计?隐形书架小而精美，能够让书本与墙面实现完美的贴合，想要对其进行设计只需要花费一点小心思就可以让你的书房与众不同。首先准备一些隐形书架的基本制作工具，比如书本、卷尺、螺丝刀、钢板、螺丝、胶水、笔即可，一般在安装隐形书架时，最底面的书本建议选用旧书本，然后将钢板的垂直面与书本的内底面用胶水进行居中贴合，等完全粘合之后，将书本顶面按照钢板宽厚度做挖空处理，然后用螺丝刀将钢板与墙面连接在一起即可，上方摆放书本，只要高度超过钢板高度就可以完完全全的称之为隐形书架了，这样的书架制作起来非常方便，安装区域可随意安排。
警方提醒：正常情况下，这对视线的影响不大，但是在夏天阳光照射较为强烈的时候，这些物品会反光在玻璃上造成影像，干扰正常驾驶。
厨房算是家里最奢侈的部分，在25平米的空间里厨房足足占用了4㎡多。
机械结构使用体验：
如果可用于衣帽间的空间不大，“II形”虽然可以放更多，但其实不如“I形”好整理。
血液科实验室咨询电话：0357-2695718
衣柜作为家具中的重要组成部分，与人们生活起居息息相关。所以，厂商良好的信誉、优质的售后服务就显得非常重要。在订做时，首先就必须搞清其保修期限有多长。一般要求是不低于5年(最少必须3年以上)。
放鞋子：宽200mm、高150mm、深300mm（高靴子直立存放要高500mm）
图2 患者CD19/CD20/CD22表达情况
1
3
本文使用了两类网络数据集：
这是最传统的衣帽储物布局，通过割出房间一侧50cm到55cm宽的空间，实现最大化的收纳效率。
格子架：单层高度80-100mm
现实世界网络具有复杂性、高维性和多面性，其基本属性是网络的“社区结构”，通常假定为社交网络中的组织单元[1]、引文网络中的科研社区[2]等。虽然社区检测(CD)的研究较早，但其依然是个具有挑战性的复杂问题，主要体现在：(1)CD问题没有明确的定义，针对同一个网络可以得到多个解，且每个解都有其自身的重要意义；(2)现实世界网络的顶点常属于多个社区[3-4]，导致重叠的社区结构。
传统的CD算法大多假定社区是非重叠的，如基于顶点相似性的算法[5]、基于显著性的算法[6]、基于模块优化的算法[7]等。在现实世界中，一个顶点属于多个社区，从而产生结构。因此也有一些重叠CD算法，如文献[8]提出了基于扩展激活的标签传播算法(LPAEA)，用于动态社交网络中的重叠社区检测；文献[9]加强了节点自身的内容特性，提出了增广网络的CD算法。
此外，在数据挖掘中，也经常利用集成方法进行数据点聚类。如文献[10]将CD问题建模为一个单目标优化问题，提出了一个新的Memetic算法，通过优化模糊度评价指标检测复杂网络中的重叠社区结构，并使用“一致续存”度量来修改给定的非重叠社区结构；文献[11]提出的集成算法MEDOC使用了元社区的概念，利用基础非重叠社区结构来创建多分体网络，通过隶属函数来确定顶点对社区的隶属性。
2.1 生成顶点的特征向量
2.2 目标函数
首先，定义目标函数需要明确几个度量。
(3)每个社区的相似度阈值：在提出的模型中，每个社区OCj均被分配一个相似度阈值τj，若顶点v∈V在OCj中，则其应该满足SIM′(OCj，v)≥τj。给定OC={OC1，OC2，…}，一个重叠社区结构和阈值集合ζ={τ1，τ2，…}，根据两个顶点在不同的重叠社区中的隶属性，定义这两个顶点之间的隶属相似度。
(4)逐对顶点的隶属相似度：根据顶点u和v在不同社区中的隶属性来定义两个顶点之间的隶属相似度：
算法将式(8)中的目标函数最大化(算法1第31行)，以得到最终重叠社区结构OC。
2.3 更新阈值并计算目标函数
2.4 复杂度分析
3.1 数据集
(1)合成网络：利用LFR基准模型[10]来生成合成网络及社区。参数配置如下：顶点数量N=10 000；平均度=50；最大度kmax=150；最大社区规模cmax=150；最小社区规模cmin=50；重叠顶点百分比On=15%；一个顶点所属的社区数量Om=20；混合参数μ=0.3(表示社区间和社区内的边的比率；?滋数值越低，表示社区质量越高)。针对每个配置创建100个LFR网络，并报告平均结果。
(2)现实世界的社区网络：使用2个不同规模的现实网络，且为先验可用，如表2所示。
3.2 度量
为比较检测到的重叠社区结构，本文使用了3个标准度量：(1)重叠归一化互信息(ONMI)[14]；(2)Ω指标[7]；(3)F测度[7]。
3.3 评价分析
本文在LFR网络和2个真实世界网络上运行IOCD与其他3个重叠CD算法，这3个算法分别是：文献[8]提出的基于扩展激活的标签传播算法(LPAEA)；文献[10]提出的Memetic算法，将CD问题建模为一个单目标优化问题；文献[11]提出的集成算法MEDOC，使用了元社区的概念。实验通过3个评价指标对输出进行比较。表3～表5分别给出了在ONMI、Ω指标和F值方面的性能。整体上，IOCD表现出最优性能，其次为MEDOC[11]。IOCD在所有网络上的绝对平均值ONMI为0.82。IOCD的Ω指标和F值的绝对平均值分别为0.82和0.83。
所提IOCD的性能明显优于LPAEA[8]、Memetic[10]和MEDOC[11]的可能原因列举如下。Memetic和MEDOC的最终性能取决于单个CD算法的性能。Memetic在找到单个非重叠社区结构后，通过后处理步骤发现重叠属性，因此重叠社区结构的质量取决于最初找到的非重叠社区结构。LPAEA利用未标签的数据来捕捉整个数据的潜在分布，相似的数据必须要有相同的标签，对CD算法有一定依赖性。MEDOC利用CD算法，对利用基础非重叠社区结构所创建的多分体网络进行划分，因此最终重叠社区结构的质量取决于在多分体网络上使用的CD算法的性能。另一方面，IOCD通过多个非重叠CD算法给出的非重叠社区结构来取得顶点特征，并以优化后的设置来使用这些特征。因此，IOCD的性能不取决于任何一个CD算法，能够从多个非重叠社区结构中进行有效学习。
3.4 参数选择分析
(1)涉入度函数（INV）：以下两个函数用于量化顶点在社区中的涉入程度：
(2)两个顶点之间的相似度(SIM)：本文在2.2节提到了利用余弦相似性来测量两个顶点的特征向量之间的相似度，但本文还使用了Pearson相关系数测量了两个特征向量之间的相似度。结果表明，余弦相似性度量的性能优于Pearson相关系数，如图2所示。
(3)迭代次数(K)：根据网络中顶点的数量N来设定K。图3的分析表明，对于大部分网络，特别是具有独特社区结构的网络(例如混合参数μ=0.1的LFR网络)，IOCD的性能会在K=0.2|V|处收敛，因此，将K=0.2|V|作为默认值。
[1] 刘天华，殷守林，李航.一种新的在线社交网络的隐私保护方案[J].电子技术应用，2015，41(4)：122-124.
[2] 罗双玲，张文琪，夏昊翔.基于半积累引文网络社区发现的学科领域主题演化分析——以“合作演化”领域为例[J].情报学报，2017，36(1)：100-110.
[3] YANG J，LESKOVEC J.Overlapping community detection at scale：A nonnegative matrix factorization approach[C].Proceedings of the Sixth ACM International Conference on Web Search and Data Mining.ACM，2013：587-596.
[4] 崔俊明，李勇，李跃新.基于非加权图的大型社会网络检测算法研究[J].电子技术应用，2018，44(2)：86-89，93.
[5] 陈晓，郭景峰，张春英.社会网络顶点间相似性度量及其应用[J].计算机科学与探索，2017，11(10)：1629-1641.
[6] ANDREA L，FILIPPO R，RAMASCO JOSE J，et al.Finding statistically significant communities in networks[J].PLOS ONE，2011，6(4)：61-71.
[7] 阙建华.社交网络中基于近似因子的自适应社区检测算法[J].计算机工程，2016，42(5)：134-138.
[8] HUANG M，ZOU G，ZHANG B，et al.Overlapping community detection in heterogeneous social networks via the user model[J].Information Sciences，2018，38(4)：164-184.
[9] 蒋盛益，杨博泓，姚娟娜，等.一种基于增广网络的快速微博社区检测算法[J].中文信息学报，2016，30(5)：65-72.
[10] 郭杨志.复杂网络社区结构的重叠社区发现和鲁棒性分析[D].西安：西安电子科技大学，2018.
[11] CHAKRABORTY T，PARK N，SUBRAHMANIAN V S.Ensemble-based algorithms to detect disjoint and overlapping communities in networks[J].ASONAM，2016，45(12)：73-80.
[12] 龙浩，汪浩.复杂社会网络的两阶段社区发现算法[J].小型微型计算机系统，2016，37(4)：694-698.
[13] KANAWATI R.YASCA：an ensemble-based approach for community detection in complex networks[M].Computing and Combinatorics. Springer International Publishing，2014.
[14] HAJIABADI M，ZARE H，BOBARSHAD H.IEDC：an integrated approach for overlapping and non-overlapping community detection[J].Knowledge-Based Systems，2017，43(3)：188-199.
[15] 陈晓，郭景峰，张春英.社会网络顶点间相似性度量及其应用[J].计算机科学与探索，2017，11(10)：1629-1641.