UQI-LIUWJ
论文笔记：Trajectory generation: a survey on methods and techniques
《轨迹生成技术研究综述》 摘要：本文系统分析了轨迹生成技术的研究进展。轨迹数据包含用户敏感信息，轨迹生成技术通过学习真实轨迹的移动模式生成合成数据，既能填补数据稀疏空白，又能降低隐私风险。研究从基于模型和基于学习两大方向展开：基于模型方法包括行为规则、交通仿真和概率模型三类，分别模拟人类移动特征、交通系统规律和统计模式；基于学习方法主要采用GAN、VAE和扩散模型等深度学习技术生成高质量轨迹。未来研究可关注隐私保护与生成质量的平衡、Transformer与大语言模型的应用，以及模型驱动与学习驱动方法的融合。
soulermax
数字ic后端设计从入门到精通8（含fusion compiler, tcl教学）ULVTLL、LVT、ULVT详解及应用
LVT、ULVT与ULVTLL工艺特性对比及应用建议 工艺特性对比： LVT：中等阈值电压，性能与功耗均衡，成本低，适合常规路径和非关键应用。 ULVT：低阈值电压，开关速度快，驱动能力强，但漏电流高，适用于关键路径和高性能场景。 ULVTLL：极低阈值电压优化版，兼顾高速与低漏电，适合对功耗敏感的关键路径，但成本最高。 Repeater应用分析： ULVT因更强的驱动能力和更快的开关速度可延长repeater间距，减少数量，提升性能，特别适合长线网信号增强。 ULVTLL在保持较高性能的同时显著降低静态功
0x211
[论文精读]PLeak: Prompt Leaking Attacks against Large Language Model Applications
大模型：预测（即分配概率）以标记序列为条件的下一个词符。给定提示，大语言模型以自回归方式输出响应。根据提示输出第一个词符；将第一个词符附加到提示符上，并根据提示符+第一个词符输出第二个词符；重复这个过程，直到输出一个特殊的END词符。输出提示响应的过程称为解码。下面讨论几种流行的解码策略(beam,;sample,;波束搜索 (beam, )。该策略通过称为束尺寸 b 的超参数来最大化整个响应的可能性。具体来说，搜索首先选择预测概率最高的b候选标记作为第一个词符。
