XiaoMi-AI文件搜索系统
World File Search SystemAntonopoulos
CPSC 490 高级项目
Ann Zhang Timothy Barron 专利搜索的首字母缩略词消歧义 Anna Xu Alan Weide 改造耶鲁大学校内体育应用程序：软件工程在 Web 上模块化和可扩展性的案例研究 Anna Zhang Rex Ying 通过知识图谱集成和多智能体框架增强大型语言模型推理 Anushka Nijhawan Arman Cohan AutoTester：用于自动 Web QA 测试的 LLM Web 代理 Ari Essunfeld Alan Weide 用于优化电动太阳帆轨迹的先进仿真架构 Ben Wiegand Tesca Fitzgerald 主动学习和其他算法对连续问题空间优化质量的影响 Bienn Viquiera Alex Wong 使用卷积神经网络进行伪造语音检测 Brandon Wu Holly Rushmeier 交互式数字档案网站 Carl Viyar Timos Antonopoulos 开发移动应用程序以补充私人音乐教育体验 Carolyn Qu Timos Antonopoulos Memex 和对前端开发中 AI 辅助的调查Cesar Segura Stephen Slade 为 CertiKOS 创建设备树运行时配置 Charlie Liu Jay Lim ATC 读回的自动验证 Chris Ward Daniel Rakita、Ian Abraham
Ioannis Antonopoulos、Valentin Robu、Benoit Couraud、Desen Kirli、Sonam Norbu 等人。人工智能和机器学习方法在能源需求侧响应中的应用：系统评价。《可再生和可持续能源评论》，2020 年，130，第 109899 页。�10.1016/j.rser.2020.109899�。�hal- 03601421�
随着间歇性可再生能源发电在能源结构中的占比不断增加以及负载类型更加不稳定（如电动汽车充电），近年来人们对能源需求侧响应 (DR) 的兴趣日益浓厚。需求侧响应计划被认为能够以经济高效的方式提供所需的灵活性，从而提高能源系统的可靠性。大规模需求侧响应服务的需求通常由需求侧响应聚合器来满足，即提供聚合服务并充当系统运营商和最终消费者之间的中介的实体。需求侧响应相关任务的高度复杂性，加上它们对大规模数据的使用以及对近乎实时决策的频繁需求，意味着人工智能 (AI) 和机器学习 (ML)——人工智能的一个分支——最近已成为实现需求侧响应的核心技术。人工智能方法可用于应对各种挑战，包括选择最佳消费者响应集、了解他们的属性和偏好、动态定价、设备调度和控制、学习如何激励需求响应计划的参与者以及如何以公平和经济高效的方式奖励他们。本文基于对 160 多篇论文（发表于 2009 年至 2019 年之间）、40 家公司和商业计划以及 21 个大型项目的系统回顾，概述了用于需求响应应用的人工智能方法。这些论文根据所使用的人工智能/机器学习算法和能源需求响应的应用领域进行分类。接下来，介绍了商业计划（包括初创公司和老牌公司）和大型创新项目，其中人工智能方法已用于能源需求响应。本文最后讨论了所审查的人工智能技术在不同需求响应任务中的优势和潜在局限性，并概述了这一快速增长领域未来研究的方向。
简历.pdf
[1] Ferhat Erata和Remi Dalmas。指南针：使用压缩和组装缓解大语言模型中的幻觉。预印本，2025。（在准备下）。[2] Yoshiki Takashima和Ferhat Erata。与冲突驱动的子句在信中学习的缩放组合推理。Preprint，2025。https：//ferhat.ai/publication/takashima-2025-scaling/takashima-2025-scaling.pdf。[3] Ferhat Erata，Orr Paradise，Timos Antonopoulos，Thanhvu Nguyen，Shafi Goldwasser和Ruzica Piskac。学习随机减少和程序属性。Preprint，2024。https：//arxiv.org/abs/2412.18134。[4] Ferhat Erata，Theodoros Trochatos，Barbora Hrda，Yizhuo Tan和Jakub Szefer。学习量子电路保护的随机自我还原。在ACM Sigsac计算机和通信安全会议上（CCS），2025。（正在审查）。[5] Ferhat Erata，Ruzica Piskac，Victor Mateu和Jakub Szefer。在恒定的加密代码中自动检测单轨侧通道漏洞。在IEEE欧洲安全与隐私研讨会（Euros＆P），2023年。
第11届官方国会卫星研讨会
agabiti-rosei E.（it）Aggle K.（gr）Andrikou E.（gr）Andrikou I.（gr）Angelis A.（gr）Antonopulus A.（gr）使徒A.（gr）Argyriou N.（gr）Argyris A.（gr）收购M.（fr）Botis M.（gr）Brguljan J.（si）Camafort M.（ES）运输M.（gr）Chatzis D.（gr）Chrysochoou C.（gr）Damianaki A.（gr）舞蹈J.（nl）delles C.（英国）Dimitriage K.（gr）Dynasty M.（gr）Dolan E.（IE）Drapoulou M.（gr）Drogaris S.（gr）Farmakis D.（gr）Filippou C.（gr）Filippou C.（gr）Fragoulisε。（gr）Georgcopoulos C.（gr）Galaces E.（gr）composs G.（gr）玻璃D.（no）Iliadis P.（gr）Januszewicz A.（pl）Jelacovic B.（HR）I。（gr）Cafcas N.（gr）蛋糕N.（gr）Kalaitzidis R.（gr）Galleries K.（gr）E。（gr）E。（gr）
DEMIR, Sercan、GUNDUZ、Mehmet Akif、KAYIKCI, Yasanur 和 PAKSOY, Turan (2022)。智能和可持续供应链的准备和成熟度：一个模型
云计算 用于管理整个供应链中海量数据的开放系统和同步通信系统（Antonopoulos 和 Gillam 2010；Marston 等人，2011） 网络安全 通过融合技术、流程和实践，保护网络、设备、数据和软件程序免受网络攻击（Flatt 等人，2016；Von Solms 和 Van Niekerk，2013） 大数据与分析 广泛利用从 ERP、CRM、MES、SRM 和 SCM 系统收集的数据来做出优化的实时决策（Morabito，2015；Sharma 和 Pandey，2020） 人工智能 AI 是工业 4.0 背后的大脑。人工智能算法可以优化制造运营并构建弹性供应链，从而快速响应和适应市场变化（Dopico 等人，2016 年；Lee 等人，2018 年）机器学习 ML 算法发现数据中的模式和供应链网络的成功因素，同时这些算法不断从过程中学习。结合物联网传感器和数据分析，ML 可以实时优化供应链网络（Candanedo 等人，2018 年；Diez-Olivan 等人，2019 年）区块链技术 BCT 建立了高效透明的供应链网络，可以以多种方式应用于供应链网络，例如智能合约、版权保护、小额支付、设备跟踪或身份管理（Bodkhe 等人，2020 年；Yaga 等人，2019 年）