Multi-Layer Perceptrons
PulseAugur coverage of Multi-Layer Perceptrons — every cluster mentioning Multi-Layer Perceptrons across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
神经网络对大量损坏的输入表现出惊人的鲁棒性
研究人员探索了神经网络如何在输入数据严重损坏的情况下仍能保持准确性。他们对多层感知机的实验表明，即使超过90%的输入被损坏，远远超出人类识别能力，网络仍能表现出远高于随机猜测的性能。对无限宽度网络的分析揭示了这些网络实现了一种通用的原型规则，本质上是将输入分配给它们最接近的训练集平均值的类别，这解释了这种惊人的鲁棒性。
-
混合KAN-MLP模型提高了人类活动识别的准确性
研究人员开发了一种混合神经网络架构KAN-MLP-Mixer，它将Kolmogorov-Arnold网络（KANs）的精确性与多层感知器（MLPs）的噪声鲁棒性和效率相结合。该方法战略性地整合了KAN模块用于输入嵌入和分类，同时利用MLPs进行中间特征混合。在八个公共数据集上进行测试，KAN-MLP模型在宏F1分数上比纯MLP模型平均提高了5.33%，显著优于独立的KAN和MLP基线。
-
研究人员发现 GNN 可精确执行图算法
研究人员开发了一种方法，使图神经网络（GNN）能够精确执行图算法。他们的方法包括训练多层感知机（MLP）来处理局部节点指令，然后将这些指令集成到 GNN 中进行推理。该技术已在特定约束条件下证明了对消息泛洪、BFS、DFS 和 Bellman-Ford 等算法的精确学习能力。
-
MLP秩正则化提升隐式神经表示保真度
研究人员证明，标准多层感知机（MLP）在隐式神经表示（INR）中表示高频内容的能力不足并非架构限制。相反，他们提出训练过程中稳定的秩退化是主要原因。通过在训练过程中调节网络的秩，即使是简单的MLP架构也能实现显著更高的保真度，在图像合成和医学成像等各种领域，PSNR（峰值信噪比）的提升高达9 dB。
-
Holomorphic KAN-ODE 模型以可解释方程模拟复杂动力学
研究人员开发了一个名为 Holomorphic KAN-ODE 的新框架，将 Kolmogorov-Arnold Networks (KANs) 集成到神经常微分方程 (Neural ODEs) 中。该方法通过纳入复分析先验并遵守 Cauchy-Riemann 条件，旨在更好地模拟具有分形边界的复杂动力学系统。与传统的 MLP 相比，Holomorphic KAN-ODE 框架表现出卓越的性能，在重建动力学系统、识别控制方程以及提高对…
-
深度强化学习解决柔性车间调度问题
研究人员开发了一种使用深度强化学习（DRL）的新方法来解决复杂的柔性车间调度问题（FJSP），特别是在面对随机作业到达时。他们的方法采用带有前馈神经网络的近端策略优化算法，旨在最小化所有作业的总完成时间。模拟表明，这种DRL策略优于单独的调度规则，并且在与传统的混合整数线性规划解决方案相比时具有竞争力，尤其是在异构数据集上。
-
KANs为低延迟系统实现超快片上在线学习
研究人员展示了使用Kolmogorov-Arnold网络（KANs）在现场可编程门阵列（FPGAs）上实现超快在线学习的能力。该方法在低延迟、资源受限的任务中，在效率和表达能力上均优于传统的Multi-Layer Perceptrons（MLPs），实现了亚微秒级的适应时间。研究强调了KANs对定点量化的鲁棒性及其稀疏更新特性，使其适用于量子计算和核聚变控制等高要求应用。