XiaoMi-AI文件搜索系统
World File Search Systemfl
引文 Flórez JM、Martins K、Solin S、Bostrom JR、Rodríguez-Villamil P、Ongaratto F、Larson SA、Ganbaatar U、Coutts AW、Kern D、Murphy TW、Kim ES、
用于猪肉生产的公猪通常会接受手术阉割，以防止产生膻味并减少雄激素驱动的行为（例如攻击性和爬跨），因为这些行为会增加受伤风险 (Rault 等人，2011)。膻味是一种在完整公猪的肉中发现的异味和强烈味道，消费者认为这是不可接受的。手术阉割是一个福利问题，因为它被认为是痛苦的，并且有效的镇痛方法基本上不可用 (Rault 等人，2011)。这种管理程序的一些替代方法已在市场上可买到，例如针对促性腺激素释放激素 (GnRH) 的免疫 (Dunshea 等人，2001)，但也存在许多限制其使用的限制 (Bonneau 和 Weiler，2019 年；Squires 等人，2020 年)；并且消除阉割的目标已被证明是不可行的（ Backus 等人，2018 年）。我们寻求一种遗传机制来避免手术阉割的需要。编辑基因来阻止性成熟是一种有前途的方法，因为预计仍处于青春期前的公猪不会产生公猪异味和攻击性行为。我们选择了 kisspeptin 系统，因为它在启动哺乳动物青春期方面具有保守作用（ Lents，2019 年；Uenoyama 等人，2019 年；Sobrino 等人，2022 年）。Kisspeptin 是由高度保守的 KISS1 基因编码的肽，可刺激 GnRH 的释放和促性腺激素的分泌（ Lents，2019 年）。 kisspeptin 受体基因 (KISS1R) 突变会导致人类促性腺激素性性腺功能减退症 (HH) 和性成熟不足 (de Roux 等人，2003 年；Seminara 等人，2003 年；Semple 等人，2005 年)。同样，在实验室啮齿动物中敲除 Kiss1 (d'Anglemont 等人，2007 年；Lapatto 等人，2007 年；Uenoyama 等人，2015 年；Ikegami 等人，2020 年) 或 Kiss1r (Funes 等人，2003 年；Seminara 等人，2003 年；Lapatto 等人，2007 年) 基因会导致青春期失败和因 HH 引起的不孕。 Sonstegard 等人 (2016) 、Sonstegard 等人 (2017) 也在猪中诱发了促性腺激素性性腺功能低下症，他们使用 TALEN 敲除猪的 KISS1R，开发出第一个受损 kisspeptin 系统大型动物模型 ( Tan et al., 2013 )，证明 kisspeptin 信号传导对于公猪的性成熟至关重要。具有受损 KISS1/KISS1R 基因的人、小鼠和猪对外源性 GnRH、促性腺激素 ( Seminara 等人，2003 年；Sonstegard 等人，2017 年) 或 kisspeptin 类似物 ( d ' Anglemont 等人，2007 年；Lapatto 等人，2007 年) 有反应，尽管其中一些方法仅部分逆转了公猪的 KISS1R KO 表型 ( Sonstegard 等人，2017 年)。我们假设 KISS1 KO 猪将是 KISS1R KO 猪的表型复制品，因为
引用/参考：Tosun, M. & Çetin, O. (2021)。使用经验模态分解和 Welch 方法对四类运动幻像脑电信号进行深入分析
在基于脑电图（EEG）的脑机接口（BCI）应用中，从想象相关肢体运动获得的运动想象（MI）信号中提取特征并对其进行分类是一个非常重要的问题。在 MI-EEG 信号的研究中，已经使用了许多不同的特征提取方法和分类算法。然而，随着这些信号中类别数量的增加，分类成功率之间存在显著差异。在提出的方法中，提出了一种包括信号功率谱密度（PSD）信息的特征提取方法。通过对原始 EEG 数据应用经验模态分解 (EMD)，可以获得不同频率水平的信号。这些信号的PSD值是使用Welch方法计算的。将得到的PSD值组合成特征向量。使用生成的特征向量，训练了一种流行的深度学习算法——长短期记忆 (LSTM) 网络。对培训后获得的测试成功情况根据个人和渠道进行了详细的比较。比较结果发现，位于头皮中心点的通道比其他通道更成功。
FedZero：在联邦学习中利用可再生过剩能源
联邦学习 (FL) 是一种新兴的机器学习技术，它支持跨数据孤岛或边缘设备进行分布式模型训练，而无需数据共享。然而，与集中式模型训练相比，FL 不可避免地会带来效率低下的问题，这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而，面对如此不稳定且不可靠的资源，现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero，这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统，可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测，FedZero 通过选择客户端实现快速收敛和公平参与，从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明，在上述约束条件下，FedZero 的收敛速度明显快于现有方法，同时消耗的能量更少。此外，它对预测误差具有很强的鲁棒性，可扩展到数万个客户端。
80-1 干邑 CHATEAUBERNARD LFBG SID RWY05
爬升 RM 230° 至 3 海里 CNA。在 3 NM CNA 处，右 RM 066° 向指定的 FL 爬升以拦截并跟随 RDL 025° CNA (RM 025°) 前往 POI。VAGNA 2E VAGNA 2W 用于 ACFT 目的地 BORDEAUX。用于 ACFT 目的地 BORDEAUX。爬升 RM 050° 至 CNA 3 海里。在 3 NM CNA 处，右 RM 214° 向指定的 FL (FL 110 MAX) 爬升，拦截并跟随 RDL 174° CNA (RM 174°)。在 RDL 045° BMC 处，向右（RM 225°）朝向 VAGNA。
开发跨课程的人工智能模型 - 佛罗里达大学的人工智能
a 地理系，3141 Turlington Hall，邮政信箱 117315，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国 b 农业与生物工程系，120 Frazier Rogers Hall，邮政信箱 110570，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国 c 教务长办公室，235 Tigert Hall，邮政信箱 113175，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国 d 职业联系中心，655 JW Reitz Union Drive Suite 1300，邮政信箱 118507，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国 e 佛罗里达自然历史博物馆，1659 Museum Rd，邮政信箱 117800，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国商业研究，2014 Turlington Hall，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国 g 农业与生命科学学院，2020 McCarty Hall D，PO Box 110270，佛罗里达大学，佛罗里达州盖恩斯维尔，32611，美国 h UF 信息技术，720 SW 2nd Avenue, Suite 250 North，佛罗里达州盖恩斯维尔，32601，美国
激光粉末床熔合技术增材制造致密 WE43 镁合金
Holden Hyer 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 Le Zhou 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 中佛罗里达大学先进材料加工与分析中心，佛罗里达州奥兰多市 George Benson 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 Brandon McWilliams 美国陆军研究实验室武器与材料研究理事会，马里兰州阿伯丁试验场 Kyu Cho 美国陆军研究实验室武器与材料研究理事会，马里兰州阿伯丁试验场 Yongho Sohn 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 中佛罗里达大学先进材料加工与分析中心，佛罗里达州奥兰多市
了解淋巴瘤：卵泡淋巴瘤
fl分级为1（低级），2（混合等级）或3A或3B（高级），具体取决于在显微镜下检查的淋巴结组织上发现的异常淋巴细胞的数量。1至3A FL级的生长缓慢，并以相同的方式处理。然而，3B级FL通常是快速生长的，看起来像高级弥漫性大B细胞淋巴瘤（DLBCL），并且以与DLBCL相同的方式处理。在某些患者（每年约2％-3％）中，FL可能会转化（当缓慢增长的淋巴瘤变成快速增长的淋巴瘤）变成更具侵略性的淋巴瘤类型，最常见的是DLBCL。这种转化的淋巴瘤通常需要更密集的治疗类型。这种变化的特征是受影响的淋巴结中DLBCL癌细胞数量增加，这改变了癌症的卵泡外观。有关转化的淋巴瘤的更多信息，请在淋巴瘤研究基金会（LRF）网站（Lymphoma.org/publications）上查看转化后的淋巴瘤事实说明表。
联邦图神经网络 - DR-NTU
摘要 — 图神经网络 (GNN) 近年来因其处理图数据的能力而引起了广泛的研究关注，并已广泛应用于实际应用中。随着社会越来越关注数据隐私保护的需求，GNN 面临着适应这一新常态的需求。此外，由于联邦学习 (FL) 中的客户端可能存在关系，因此需要更强大的工具来利用这些隐含信息来提高性能。这导致了联邦 GNN (FedGNN) 这一新兴研究领域的快速发展。这个有前途的跨学科领域对于感兴趣的研究人员来说极具挑战性。缺乏对这个主题的深入调查进一步加剧了进入的难度。在本文中，我们通过对这一新兴领域进行全面调查来弥补这一空白。我们提出了 FedGNN 文献的二维分类法：1) 主要分类法通过分析 GNN 如何增强 FL 训练以及 FL 如何协助 GNN 训练，为 GNN 和 FL 的集成提供了清晰的视角；2) 辅助分类法提供了 FedGNN 如何处理 FL 客户端之间的异质性的观点。通过讨论现有作品的关键思想、挑战和局限性，我们展望了未来的研究方向，这些方向可以帮助构建更强大、更可解释、更高效、更公平、更具归纳性和更全面的 FedGNN。
地缘政治风险，供应链和全球通货膨胀
1作者要感谢副编辑Richard Kneller和两名匿名裁判的非常有用的建议。适用通常的免责声明。2佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州的经济系。电子邮件：oasad002@fiu.edu 3美国佛罗里达州佛罗里达州佛罗里达大学的经济系。 电子邮件：lcarm018@fiu.edu 4经济系，佛罗里达国际大学，佛罗里达州迈阿密，美国佛罗里达州。 电子邮件：mhoqu009@fiu.edu 5通讯作者：Hakan Yilmazkuday，美国佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州的经济学系。 电子邮件：hyilmazk@fiu.edu电子邮件：oasad002@fiu.edu 3美国佛罗里达州佛罗里达州佛罗里达大学的经济系。电子邮件：lcarm018@fiu.edu 4经济系，佛罗里达国际大学，佛罗里达州迈阿密，美国佛罗里达州。 电子邮件：mhoqu009@fiu.edu 5通讯作者：Hakan Yilmazkuday，美国佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州的经济学系。 电子邮件：hyilmazk@fiu.edu电子邮件：lcarm018@fiu.edu 4经济系，佛罗里达国际大学，佛罗里达州迈阿密，美国佛罗里达州。电子邮件：mhoqu009@fiu.edu 5通讯作者：Hakan Yilmazkuday，美国佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州佛罗里达州的经济学系。电子邮件：hyilmazk@fiu.edu电子邮件：hyilmazk@fiu.edu
改善车辆轨迹预测的联合学习稳定性 /作者=太阳，Youbang；郭，江；帕森斯，基兰； nagai，Yukimasa /creationdate = 2024年7月9日 /主题=通信，机器学习< /div>
摘要众包信息可用于校准自动和自动驾驶汽车的高级驾驶员辅助系统/自动驾驶（ADAS/AD）参数。但是，在车辆网络中学习此类信息是具有挑战性的。一方面，单个车辆收集的数据可能不足以训练大型机器学习模型。另一方面，将原始数据上传到云服务器同样是不切实际的，这是由于符合通信的带宽要求和数据隐私威胁。本文通过应用联合学习（FL）寻求解决方案。我们旨在提高FL算法稳定性以提高预测准确性。因此，我们提出了一种基于方差的和结构感知的FL（VSFL），其中引入了FL服务器的基于方差的模型聚合方法，以进行最佳模型聚合，并为车辆客户提供了一个结构性模型培训方案，以解决统计异质性，而不会损害性能。我们首先为拟议的VSFL提供了理论分析。然后，我们使用合成数据和实际数据验证VSFL算法对车辆轨迹预测的效果。