Hydra
PulseAugur coverage of Hydra — every cluster mentioning Hydra across labs, papers, and developer communities, ranked by signal.
- 2026-08-18 product_launch The Hydra overclocking tool was updated to version 2.3B, adding VRAM and power limit controls for Nvidia RTX 50-series GPUs. 来源
5 天有情绪数据
-
新框架优化时间序列分类效率
一篇新论文介绍了一个用于评估和改进时间序列分类(TSC)模型效率的框架。该研究提出了一种用于现有混合分类器Hydra和Quant的剪枝策略,以及一种名为Hydrant的新型扩展。这种新方法集成了区间表示与随机卷积和字典学习以提高性能。跨多个数据集和计算环境的实验表明,剪枝可以将能耗降低高达70%,同时对预测质量的影响极小,从而推动了TSC领域可持续和可复现实践的发展。
-
HyDRA框架通过自适应融合提升异构体感知能力
研究人员推出了一种新颖的免训练框架HyDRA,旨在提升异构体之间的协同感知能力。该架构采用轻量级域分类器来适应性地选择融合策略,解决了特征表示差异的挑战。HyDRA将同质体通过中间融合进行处理,以最大化信息增益;而异质体则被导向晚期融合,以防止数据污染。该框架还集成了锚点引导的姿态图优化,以减少与晚期融合相关的定位误差。实验表明,HyDRA在架构异质性下达到了最先进的性能,并在存在潜在域异质性时,与晚期融合相比显著提高了整体[email protected]。
-
机器人现在可以检测静默动作-接口不匹配
研究人员开发了一种检测机器人静默动作不匹配的方法,在这种情况下,动作满足基本约束但缺乏正确的语义。该方法使用学习到的状态-动作-效果关系作为离线契约,以识别和排序潜在问题,例如轴置换或符号反转。在LIBERO Spatial任务上的实验表明,校准的关系世界模型在检测这些不匹配方面达到了65.7%的召回率,优于更简单的方法,并展示了检测和定位准确性之间的权衡。
-
Mastodon帖子涵盖AI、网络安全和科技史 · 已追踪10个来源
该集群汇总了Mastodon用户发布的几篇讨论各种技术和互联网相关主题的帖子。这些帖子涵盖了人工智能、网络安全、数字调查、互联网亚文化以及科技领域的历史人物等广泛主题。一些帖子深入探讨了分组交换、Instagram的创始人以及“大置换”理论等具体话题,而另一些帖子则为科技爱好者提供了礼品指南,或讨论与安全和隐私相关的项目。
-
机器人学习系统HIDRA使用双路由注意力实现持续适应
研究人员开发了HIDRA,一个用于机器人领域终身模仿学习的新框架。该系统使用分层双注意力机制,能够从多模态演示中可靠地选择和优化专家动作,而无需存储或重新访问过去的数据。HIDRA还结合了几何正则化,以在表示漂移的情况下稳定专家路由,从而实现持续适应和可扩展的专家集。在LIBERO基准套件上的评估表明,HIDRA的性能优于无重放和有重放的方法,尤其是在高干扰和不同语言指令的条件下。
-
机器人通过新基准和新架构获得长期记忆能力
IROS 2026 的新基准和研究强调了长期具身记忆对机器人日益增长的重要性,超越了简单的上下文窗口,以解决复杂的现实世界变化和错误传播。中国初创公司 Beta Unlimited 开发了 BetaMem,这是一种多模态记忆架构,使用开源的 9B 模型在多个记忆基准上取得了最先进的结果。BetaMem 在证据和状态之间进行区分,记录事件,并在六个层级上管理记忆,旨在为机器人提供对其环境和过去交互的更强大、可验证的理解。
-
新的MaRK框架动态条件化状态空间模型
研究人员推出了一种新颖的框架MaRK(Markov-adapted Recurrent Kernels),用于在迭代生成任务中动态条件化状态空间模型(SSMs)。与先前调节输入或激活的方法不同,MaRK直接修改SSM的核心参数,包括循环、读入、读出和离散化。这种方法允许每个扩散时间步重塑模型的记忆核,提供了一种更集成的条件化形式。该框架使用三种适配器几何结构(Hypernet、Chebyshev多项式和离散余弦变换核)在1.11亿参数…
-
HyDRA 网络融合 CNN、Transformer 和 Mamba 以实现高级 RFFI
研究人员开发了 HyDRA,这是一种新颖的混合双模网络,专为射频指纹识别 (RFFI) 设计。该架构集成了优化的变分模态分解 (VMD) 与卷积神经网络 (CNN)、Transformer 和 Mamba 组件的组合。HyDRA 能够支持闭集和开集分类任务,在闭集场景中展现出最先进的准确性,并在识别未经授权的设备方面表现出强大的性能。该系统已部署在 NVIDIA Jetson Xavier NX 上,实现了毫秒级推理速度和低功耗,使其…
-
Hydra方法实现了无标记手眼标定,精度有所提高
研究人员开发了一种新的无标记手眼标定方法Hydra,该方法利用RGB-D成像和一种新颖的迭代最近点(ICP)算法。该方法在李代数上构建了一个鲁棒的点对面目标,实现了约90%的成功标定率,与现有方法相比,收敛速度更快,收敛时间更短。Hydra的精度有所提高,任务空间误差为5毫米,而经典方法的误差为7毫米,并且其相关的代码和数据集已开源。
-
Hydra地区企业增长的数字营销指南
本文提供了一份关于利用数字营销服务在线发展业务的指南,特别提到了Hydra的一家公司。文章强调通过各种数字策略建立更强的在线形象并触达正确的客户群体。
-
新型混合模型Tydra提高了表格数据学习效率
研究人员开发了Tydra,一种结合了Transformer和状态空间模型(SSM)架构的新型混合模型,以提高表格数据上下文学习的效率。这种新架构交织了注意力机制和SSM层,解决了纯Transformer模型(如TabPFN)的二次计算成本问题,同时保持了强大的预测性能。在30个OpenML数据集上的评估显示,与TabPFN相比,Tydra的推理时间减少了30%,并且性能优于规模大得多的Hydra模型,这表明混合方法是表格基础模型的一个…
-
新的世界模型通过潜在规划增强机器人导航
研究人员开发了新的机器人导航世界模型,以改进规划和执行。一种方法,潜在世界模型(LWM),预测条件动作的潜在特征兼容性,而不是重建观测值,从而允许在潜在空间中进行直接评估,并能够从无标签视频数据中学习策略。另一个模型Hydra通过为视觉状态、物理姿态和控制动作创建统一的潜在流形来解决表示不匹配问题,从而实现离散潜在规划和连续流匹配执行,以实现物理机器人上的实时控制。
-
Hydra工具为Nvidia RTX 50系列GPU增加VRAM和功耗控制
超频工具Hydra已更新至2.3B版本,现已支持Nvidia RTX 50系列GPU的显存超频和功耗限制调整。此次更新允许显存偏移高达+3000MHz,可能达到36 Gbps,以及125%的静态功耗限制。该工具还引入了直接XBAR偏移控制和无限制电压频率曲线等高级功能,以满足极限超频玩家的需求。
-
HYDRA架构通过双曲几何增强Kolmogorov-Arnold网络
研究人员开发了HYDRA,一种通过结合双曲几何来扩展Kolmogorov-Arnold网络(KANs)的新架构。这种方法旨在减少KANs中的参数冗余,这会限制它们的扩展性和效率。HYDRA将输入映射到双曲潜在空间,并使用低秩原型块来共享函数变换,从而在保持各种基准测试中具有竞争力的预测性能的同时,提高了参数效率和可解释性。
-
新架构HYDRA优先考虑局部有效性以实现可认证的状态完整性
一篇新论文提出了HYDRA架构,作为在安全关键型网络物理系统(CPS)中实现可认证状态完整性的参考。作者认为,依赖单一的、全局参数化的基础模型来处理时间序列和物理动力学可能会阻碍适应性和分析。相反,他们主张构建一个基于局部有效模型和显式组合的系统,并通过运行时仲裁和覆盖范围差距监控来确保完整性。
-
GEqTrain 框架增强了 GNN 在 3D 科学任务中的可重用性
研究人员开发了 GEqTrain,这是一个旨在增强等变图神经网络 (GNN) 在 3D 科学任务中可重用性的新框架。这个驱动式系统将数据集语义、模型组成和训练目标分开,允许通过更改配置来简单地将单个等变骨干网络和训练基础设施适应新问题。该框架已在生物分子系统回溯、NMR 化学位移预测和等变生成建模方面得到验证,在减少软件开销的同时,在各种任务中都显示出具有竞争力的准确性。此外,GEqDiff,一个生成式扩展,能够联合重建笛卡尔坐标和非标量节点场。
-
新研究为时间序列分类提供高级方法
两篇新研究论文提出了新颖的时间序列分类方法。第一篇MASHT利用随机卷积特征和预训练的表格基础模型,无需特定任务训练即可取得有竞争力的结果。第二篇ProtoTSNet通过增强ProtoPNet架构,引入了具有分组卷积和可预训练编码器的可解释多变量时间序列分类方法。
-
XAI驱动的数据缩减提高了时间序列分类的可扩展性
研究人员开发了一种名为drXAI的新方法,该方法利用可解释人工智能(XAI)技术来缩减时间序列分类(TSC)任务的数据量。这种方法解决了大型数据集和复杂模型(如Transformer)带来的计算挑战,后者的复杂度与序列长度呈二次方关系。通过使用一个快速分类器生成特征重要性分数,并采用自动化启发式方法进行选择,drXAI可以在保持分类准确性的同时显著减少数据量,从而使资源密集型模型能够处理以前无法访问的数据集。
-
新的HCRMap框架优化了3.5D片上系统中MoE大语言模型的推理
一篇新研究论文介绍了一种名为HCRMap的框架,该框架旨在优化3.5D片上系统上混合专家(MoE)大语言模型的推理。HCRMap通过动态管理不同内存层级的专家副本,解决了专家热度倾斜问题(即某些专家接收到的token数量不成比例)。这种方法旨在缓解通信、内存带宽和执行队列中的瓶颈。实验表明,与Hydra++、MoEntwine和PIMoE等现有方法相比,HCRMap显著降低了端到端延迟。
-
在线与离线密码攻击:工具、战术与防御
本文区分了在线和离线密码攻击,并详细介绍了两者的工具和策略。在线攻击的目标是SSH或RDP等实时服务,速度慢且容易被发现,通常需要使用Hydra或Medusa等工具进行谨慎、有针对性的尝试。相反,离线攻击侧重于破解捕获的密码哈希,使用John the Ripper或Hashcat等工具,速度快且隐蔽,但需要事先访问哈希。文章还建议防御者通过实施速率限制、账户锁定和强大的哈希算法来减轻这些威胁。