AttentionCap: Transformer para matriz de capacitancia en chips
AttentionCap logra 0.67% error en capacitancia propia con inferencia 192x más rápida que CNN. Transferible a nuevos nodos con solo 5K muestras. Descubre cómo.
#att
AttentionCap: Aprendizaje de matrices de capacitancia con Transformers
AttentionCap: Transformer para extracción de capacitancia con 0.67% de error y 192x más velocidad. Descubre su impacto en EDA.
Lattice: Predicción secuencial híbrida con compuerta de confianza y arquetipos
Descubre Lattice, un sistema híbrido que mejora la predicción secuencial activando arquetipos conductuales solo cuando hay confianza, aumentando el HR@10 hasta un 31%.
Campaña copycat Shai-Hulud ataca a desarrolladores Python en PyPI
El malware Shai-Hulud ataca PyPI mediante typosquatting. Conoce los paquetes maliciosos, cómo se propaga y protege tu código.
MEC-Cox: Calibración de entropía generalizada con ML para hazard ratio ATT
Descubre cómo MEC-Cox utiliza machine learning para calibrar pesos y estimar el hazard ratio ATT con mayor precisión en ensayos de supervivencia.
Operadores Neurales de Fourier con puntos de rango-1 y cruz hiperbólica
Mejora la eficiencia de los FNO usando puntos de red rango-1 y cruz hiperbólica: menos parámetros, menos muestras, más precisión en PDEs.
Resultado Madhur Matka Hoy: Actualizaciones Rápidas y Satta King
Consulta los resultados de Madhur Matka hoy, incluyendo resultados nocturnos y actualizaciones rápidas de Satta King. Accede a tablas y datos actualizados.
Empleados de Amazon piden a Seattle frenar nuevos centros de datos
Los empleados de Amazon se unen a la comunidad para pedir una pausa en la construcción de nuevos centros de datos en Seattle. ¿Qué motiva esta moratoria? Descub
CLONE: Optimización diferenciable en bucle cerrado para estimación de normales
CLONE combina 3DGS y optimización diferenciable en bucle cerrado para estimar normales con alta consistencia geométrica. ¡Descubre cómo!
Inferencia adaptativa guiada por entropía para LLMs de contexto largo
Descubre EntropyInfer: un método sin entrenamiento que acelera hasta 2.39x la inferencia de LLMs en contextos largos, adaptando dinámicamente la atención por cabeza y segmento.
Front-to-Attractors: Nueva Heurística en Búsqueda Bidireccional
Descubre cómo la nueva heurística Front-to-Attractors reduce hasta 11 veces las evaluaciones por pares y acelera la búsqueda bidireccional.
P-Cast en FP8: colapso sink y escala óptima S=2^8
Descubre cómo la escala S=2^8 y la iteración inversa evitan el colapso de precisión en atención FP8, mejorando el MSE entre 3 y 10 veces.
Pronóstico como renderizado: Gaussian Splatting 2D para series temporales
Descubre TimeGS, un innovador marco que transforma el pronóstico de series temporales en un problema de renderizado 2D con Gaussian Splatting, logrando resultados de vanguardia.
Aqara Termostato Hub W200: ni Matter ni Zigbee lo salvan
El Aqara W200 promete revolucionar tu hogar inteligente con Matter y Zigbee, pero falla en lo esencial. Descubre por qué no lo recomendamos.
¿De dónde surge la posición absoluta en Transformers decoder-only?
A pesar de codificar solo desplazamientos relativos, los Transformers con RoPE filtran posición absoluta. El artículo revela dos fuentes: causal mask y residual stream. Descúbrelo.
RedKnot: Reutilización KV por cabezas para LLM de contexto largo
Descubre RedKnot: un sistema que optimiza la caché KV por cabezas para servir LLMs de contexto largo, mejorando eficiencia y escalabilidad sin reentrenar modelos.
De simulación de ataques a reglas SIEM: síntesis determinista
Descubre cómo convertir hallazgos de simulaciones de ataques en reglas SIEM listas para usar, con trazabilidad precisa y baja tasa de falsos positivos.
IDEAL: Caracterizaciones Infinitas y Dinámicas de LLMs para Resumen por Consulta
Descubre cómo IDEAL aprovecha caracterizaciones infinitas y dinámicas de LLMs para generar resúmenes precisos y personalizados. ¡Optimiza tus consultas!
Inscripciones para Startup Battlefield 200 cierran en 3 días
¡Últimos días! Aplica al Startup Battlefield 200 de TechCrunch y compite en el Disrupt Stage 2026. Cierre el 8 de junio. No lo dejes pasar.
TabSODA: Imputación difusa tabular con detección de saltos y conciencia ordinal
TabSODA: imputación precisa que respeta saltos estructurales y ordinales. Reduce errores hasta 23,7%.