研究人员开发了复值乘积单元残差网络 (CV-PURe),旨在显式建模标准多层感知机 (MLP) 通常难以处理的非线性特征交互和交叉特征耦合。在包括自行车共享系统和帕金森病远程监控在内的合成和真实世界数据集上的评估表明,CV-PURe 在预测结果和恢复交互图方面显著优于 MLP。新的网络架构在噪声和有限监督方面表现出更强的鲁棒性,同时还提供了对时间上下文和季节性上下文贡献的见解。 AI
影响 增强了模型捕捉数据中复杂非线性关系的能力,有望提高科学建模和预测任务的性能。
排序理由 该集群包含一篇详细介绍新模型架构及其在基准测试上评估的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- alphaXiv
- bicycle-sharing system
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- CV-PURe
- DagsHub
- Friedman error
- Gotit.pub
- Hugging Face
- ICCS 2026
- Influence Flower
- Litmaps
- Modeling Nonlinear Feature Interactions with Product-Unit Residual Networks
- multilayer perceptron
- Parkinsons Telemonitoring
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →