XiaoMi-AI文件搜索系统
World File Search SystemHagh
引用了原始发表的论文（记录的版本）：Åkerblom，N。，Chen，Y.，Haghir Chehreghani，M。（2023）。能源消费的在线学习
由于电池容量有限，能源效率有效的导航构成了电动汽车的重要挑战。我们采用贝叶斯的方法来对路段的能源消耗进行建模，以进行有效的导航。为了学习模型参数，我们开发了一个在线学习框架，并研究了几种探索策略，例如汤普森采样和上限限制。然后，我们将我们的在线学习框架扩展到多代理设置，在该设置中，多个车辆可适应和学习能量模型的参数。通过分析批处理反馈下的算法，我们分析了汤普森采样，并在单位代理和多代理设置中建立了严格的遗憾界限。最后，我们通过在几个现实世界的城市路网络上进行实验来演示方法的性能。
如何引用本文：Eshaghniya A，Haghbin Nazarpak H，Ghalyanchi Langroudi A，Hosseini H.鸡肉疫苗的保护性免疫
抽象感染性支气管炎病毒（IBV）具有多种血清型，在家禽行业引起许多问题。针对菌株IS/1494/06（变体2）IBV挑战，评估了两种H120和H120-D274实时疫苗。这项研究旨在确定是否有可能通过将两种类型的疫苗与家禽IBV的不同严重程度相结合来控制疾病症状和病理病变并减少病毒脱落。在随机选择100只特定病原体的鸡后，在H120中安排了4只25只小鸡/组实验组（IB-H120，Intervet®；串行NO：****在第一天 + Booster 14th + Booster 14th + IS/1494/06-14 DPV挑战），H120-D274（POULVAC®ibirered + booter） + booter。 IS/1494/06-14 DPV），控制（无疫苗 +无挑战），并受到挑战（无疫苗 +挑战）。在研究的第42天，动物安乐死之后，血清中和（第14、28和42天），ELISA，ELISA（在增强疫苗后14天，在受到挑战之前），Ciliostasis，Ciliostasis（增强疫苗7天后（在促进疫苗后7天），在挑战后7天，在挑战后进行了病理学摄入量为142，在142中被评估为142/14/int 142。此外，通过实时聚合酶链反应监测病毒脱落。感染表现出高至中度的纤毛和病理评分。所有接收IB-H120-D274疫苗的组相对较少。与IB-H120疫苗组相比，IB-H120-D274疫苗接种组显示出最高的保护率和高保护率（70.3）（24.4）。与接收IB-H120疫苗的疫苗相比，接受H120-D274疫苗的组的病毒脱落显着降低。总之，与IB-H120疫苗相比，同源IB-H120-D274疫苗的结果较高。关键字：组合疫苗，ELISA，IBV，实时PCR，血清中和测试
Lorazepam和氯丙嗪对Budgerigars（Melopsittacus udulatus）食物摄入的影响Amir Safi 1，Hossein Hosseini 1 *，Hadi Haghbin Nazar
Lorazepam和氯丙嗪对Budgerigars（Melopsittacus undulatus）食物摄入的影响Amir Safi 1，Hossein Hosseini 1 *，Hadi Haghbin Nazarpak 2抽象的厌食症是一种非特异性迹象，具有多个病理学。缺乏营养会导致死亡风险增加。食欲刺激药物可以在控制厌食鸟类中起主要作用。在Budgerigars中，劳拉西m的剂量为1 mg/kg，可暂时增强饥饿感，并提供持续三个小时的镇静作用。低剂量的Lorazepam可能是一种更好的食欲刺激剂，并且镇静剂比其他剂量的药物较少，但目前尚无有关它的信息。氯丙嗪是可能导致人类体重增加的抗精神病药。到目前为止，尚无抗精神病药作为食欲刺激的信息。在一项盲目的临床试验中，三十个成人健康的芽孢杆菌在肌内注射氯丙嗪（0.1mg/kg）或Lorazepam（0.5mg/kg，1mg/kg，2mg/kg）的作用与安慰剂治疗（1ml/kg）的治疗方法是.ABNOSTARNONT COPTION。降低剂量的劳拉西m（0.5mg/kg）在Budgerigar中增加了更多的食物摄入量与Lorazepam（1mg/kg，2mg/kg）。Lorazepam（2mg/kg）在Budgerigar的食欲无效。与安慰剂和其他治疗组相比，服用氯丙嗪的小组消耗了更多的食物。劳拉西m组在治疗后两个小时表现出嗜睡的证据，而氯丙嗪和安慰剂组没有镇静迹象。关键字：食欲，劳拉西m，氯丙嗪，食物摄入量，Budgerigar简介厌食症是一个非特定的临床标志。这可能是正常的行为（例如，在产卵之前）或疾病的结果。异常影响胃肠道，肝脏，肾脏，生殖道或全身性疾病可能引起严重病人的营养不良[1]营养不良[1]导致肌肉分解，蛋白质缺乏症，蛋白质缺乏症以及脓毒症和机构功能受损的风险[2，3]。在禽类中，饲喂饲料是为厌食症鸟类准备营养所需的一种方法。[4]。如果饲喂喂食不正确地执行，请增加对口咽，意外气管堵嘴（抽吸肺炎）的机械损害风险，将配方从农作物恢复到口腔的风险[5]。此外，口腔饲料所提供的饲料需要手工镇静或利用动物，如果不习惯，它们都可能导致动物压力。[6]。为了治疗厌食症患者并改善其营养状况，同时也有助于从伤害中康复，食欲刺激至关重要[7]。在哺乳动物和鸟类中发现了40多个神经递质作为调节食品摄入量。5-羟色胺，γ-氨基丁酸乙酰胆碱，肾上腺素，去甲肾上腺素，组胺，谷氨酰胺和甘氨酸已被认为是
马来西亚近海二氧化碳封存地质力学可行性分析 A. Haghi 1 , S. Otto 1 , R. Porjesz 1 , J. Formento 1 , J. Park 2 , H. Gu 2 ,
马来西亚近海二氧化碳封存的地质力学可行性分析 A. Haghi 1、S. Otto 1、R. Porjesz 1、J. Formento 1、J. Park 2、H. Gu 2、K. Bt Mohamad 3 1 CGG；2 SKEO；3 PETRONAS 摘要 对深层地质构造中潜在的二氧化碳封存地点进行地质力学筛选是一项巨大的挑战，特别是在沙捞越近海等构造活跃区。在本研究中，我们收集现有日志和井下应力和压力测量值，为该油田三个战略位置的井构建一维力学地球模型。我们绘制了剪应力水平 (SSL) 和压力室 (PR)，以评估由于注气引起的断层重新激活或压裂导致二氧化碳通过盖层泄漏的风险。研究区域目前的应力状态以走滑状态为特征，与附近西巴兰线观测到的运动一致。利用世界应力图数据库，我们基于研究区域内11口海上钻井的142个井眼崩裂数据，确定了平均SH方向为N112°（±19°），这与东南东向巽他板块的绝对运动方向一致。根据本研究中改进的评分方法，我们发现SSL和PR值处于可接受至非常好的范围内。然而，摩擦平衡失效分析得出了PR的下限。本文概述的新型地质力学筛选方法提供了一种快速有效的方法，可以在进行详细表征之前识别适合CCS的储层。
在部分可观察性下符合道德符合的自主系统
J7 N. Haghtalab，T。Roughgarden，A。Shetty。具有自适应对手的平滑分析。ACM期刊，即将出版。J6 N. Haghtalab，M.O。 Jackson，A.D。Procaccia。 在复杂世界中的信念两极分化：学习理论的观点。 proc。 国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J6 N. Haghtalab，M.O。Jackson，A.D。Procaccia。 在复杂世界中的信念两极分化：学习理论的观点。 proc。 国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。Jackson，A.D。Procaccia。在复杂世界中的信念两极分化：学习理论的观点。proc。国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。国家科学院，118（19）E2010144118，2021。J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。结构化稳健的supdodular最大化：离线和在线。通知杂志有关计算的期刊，33（4）：1590–1607，2021。J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。Schapire，V。Syrgkanis和J. Wortman Vaughan。Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。Oracle效率学习和拍卖设计。ACM 67（5）：1-57，2020。J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J3 M.F.Balcan，N。Haghtalab和C. White。k-扰动弹性下的中心聚类。算法上的ACM交易，16（2）：1–30，2020。J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。无知几乎是幸福：几乎最佳的随机匹配与几个查询。操作研究，68（1）：16–34，2020。J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。监视隐形扩散。知识和信息系统，52（3）：1-29，2017。
艾哈迈德·瓦塞勒·贝·哈格（Vaselbehagh）
Vasel-Be-Hagh, A., & Ting, D. (Eds.)。(印刷中)。工程适应。瑞士：Springer International Publishing。Vasel-Be-Hagh, A., & Ting, D. (Eds.)。(2022)。负责任的工程与生活。瑞士：Springer International Publishing。Vasel-Be-Hagh, A., & Ting, D. (Eds.)。(2022)。缓解气候变化。瑞士：Springer International Publishing。Vasel-Be-Hagh, A., & Ting, D. (Eds.)。(2021)。维持明天。瑞士：瑞士：Springer International Publishing。Vasel-Be-Hagh, A., & Ting, D. (Eds.)。(2020)。明天的补充资源。瑞士：Springer International Publishing。 Vasel-Be-Hagh, A. 和 Ting, D. (Eds.)。（2018 年）。《维持我们未来的能源结构：能源与可持续性会议论文选集》。瑞士：Springer International Publishing。
Benyamin Haghi，Fenette：提取...
Presenter: Benyamin Haghi, MICS lab Title: FENet: Feature Extraction Neural Network for Brain Machine Interfaces Author(s): Benyamin Haghi, Tyson Aflalo, Spencer Kellis, Charles Guan, Kelly Kadlec, Nader Pouratian, Richard Andersen, Azita Emami Abstract: Clinical neural prosthetic systems decode brain signals recorded from implanted电极阵列使瘫痪的人参与者控制外部设备。此过程以两个基本步骤发生。首先，传达有关电极尖端周围神经元活动的信息的电信号被转化为“神经特征”。其次，学习神经特征与参与者的意图之间的关系，随后被解码以控制外部设备。在这里，我们提出了Fenet，这是一种紧凑的（f）食品（E）Xtraction（Net）工作，该作品学习了电信号和神经特征之间优化的映射，与经典特征构造方法相比，它显着改善了解码性能。fenet使用一种新型体系结构进行参数化，该新体系结构共同优化了神经解码过程的特征提取和特征解码阶段，同时限制了特征提取算法将相同的参数化用于我们训练集中使用的所有电极。这种方法是基于这样的理解：尽管不同神经元的活性将以不同的方式对参与者的意图进行解码，但将神经活动转化为被电极检测到的电气波动的基础过程是在不同的电极，记录时间和大脑区域的跨电极保守的。在这项工作中，我们通过使用植入人类皮质中的电极阵列记录的神经数据来预测计算机光标运动的运动学来验证FENET架构。我们比较了从FENET计算出的神经特征的性能与两个当前的金标准：1）通过计算宽带神经信号的阈值交叉所计算出的神经尖峰事件的速率； 2）宽带神经数据的小波分解。我们发现，基于FENET的特征的表现使这两种方法的表现分别降低了50％和47％，而R2的特征分别超过了51％和47％。我们进一步介绍了超参数选择对FENET性能的影响的评估，包括训练数据的数量和质量以及参数初始化的选择。我们的结果表明，受过训练的FENET可用于新的数据集，而无需修改，并且可以提高训练的性能，概括和效率。此外，我们的方法演示了如何受域特定知识约束的机器学习技术可以显着改善泛化性能。