multilayer perceptron
PulseAugur coverage of multilayer perceptron — every cluster mentioning multilayer perceptron across labs, papers, and developer communities, ranked by signal.
- instance of Gotit.pub 70%
- used by Gotit.pub 70%
- used by magnetic resonance imaging 70%
- used by IArxiv 70%
- competes with Diffusion Transformer 70%
- instance of PatchTST 70%
- used by Influence Flower 60%
- used by Tikhonov regularization 60%
- instance of CatalyzeX Code Finder for Papers 60%
- used by IArxiv Recommender 60%
- instance of IArxiv Recommender 50%
- used by Diffusion Transformer 50%
24 天有情绪数据
-
新的SPARC方法通过贝叶斯不确定性增强运动预测
研究人员开发了SPARC（Single-Pass Adaptive Risk Calibration），一种新颖的贝叶斯-一致性不确定性层，用于运动预测。该方法通过使用确定性多层感知器骨干网络预测未来运动均值，并使用共轭贝叶斯最后一层生成认知尺度，从而有效地估计不确定性。该尺度应用于图-时间高斯协方差，在保留相关结构的同时，无需蒙特卡洛采样即可纳入特征空间不确定性。SPARC在负对数似然（NLL）和MPJPE+NLL组合标准等指标上，…
-
新的审计方法揭示专业化医学AI模型的复杂权重变化
研究人员开发了一种新的方法来审计AI模型在专门用于医学任务时发生的权重变化。这种权重-delta审计方法应用于两对模型：Gemma-3-4B-IT到MedGemma-4B-IT，以及Qwen2.5-7B-Instruct到HuatuoGPT-o1-7B。研究发现，虽然解码器端的更新在很大程度上重构了在医学基准测试中观察到的改进，但专业化过程并未干净地局限于MLP等特定模型组件，这表明存在复杂的内部变动。
-
Stable Diffusion 通过新的稀疏注意力后端获得速度提升
一种名为稀疏注意力的 Stable Diffusion 注意力机制的新后端已被开发出来，它提供了性能改进和更低的 VRAM 使用量。通过 ComfyUI 的自定义节点可用的此优化，通过实现协同内存内剪枝和片上重计算，旨在将生成速度提高 5-20%。稀疏注意力的有效性和质量影响取决于其在扩散过程中的应用，早期步骤影响提示遵循度，后期步骤影响时间伪影。
-
新框架提升海洋颜色分析的机器学习准确性
研究人员开发了一个新颖的框架，用于优化海洋颜色分析中使用的机器学习模型的特征工程。该框架包含七个连续的数据转换级别，并应用于使用 Sentinel-3 OLCI 观测来估算叶绿素-a 浓度和蔡迪盘深度。优化的特征工程显著提高了模型准确性，优于标准算法，并显示出增强水质监测的潜力。
-
深度学习模型在智能电表能源预测方面进行基准测试
研究人员对九种用于智能电表能源预测的深度学习模型进行了实证基准测试，并在两个公共数据集上评估了它们的性能。研究发现，虽然延长历史输入数据可提高准确性，但预测范围越长，准确性会随之下降。深度学习模型普遍优于传统方法，其中轻量级架构在较低的计算成本下提供了可比的性能。架构差异的有效性在更长的预测范围和更多样化的数据集上更为明显。
-
新AI方法利用组织上下文纠正病理图像中的细胞模拟
研究人员开发了一种新颖的方法 Loki-OT，通过整合区域级组织上下文来纠正病理图像中的细胞模拟。该方法利用不平衡最优传输，通过病理 MLLMs 导出的密度先验来指导，将推理从较大的组织区域传播到单个细胞预测。该系统将此上下文信息提炼为一个轻量级 MLP 分类器，与现有的监督分类器相比，在 TCGA-BRCA 队列上显示出更高的准确性，尤其是在具有挑战性的模拟组织中。
-
新工具检测混合偏微分方程-参数学习中的算子误设
研究人员开发了一种新颖的工具，能够识别和区分混合偏微分方程-参数学习模型中的算子误设。该工具在自伴抛物线逆问题上进行了测试，在检测不正确的算子规格和区分它们与不可识别参数方面表现出高精度。该工具的有效性体现在其能够正确识别标准精度检查不足的故障，甚至在某些恢复任务中优于物理信息网络。
-
从零开始构建多层感知机
本文详细介绍了从零开始构建一个简单的多层感知机（MLP）的过程，强调手动计算以加深理解。文章解释了MLP的基本组成部分，包括神经元、层、权重和偏置，并说明了前向传播的计算。作者强调，这种实践方法能够揭开人工智能的神秘面纱，并培养对现代计算能力的欣赏。
-
研究探讨样条函数编码在表格深度学习中的应用
一篇新的研究论文探讨了各种基于样条函数的数值编码在表格深度学习任务中的有效性。该研究由Manish Kumar领导，调查了B样条、M样条和I样条的均匀、基于分位数、目标感知和可学习节点放置策略。结果表明，最佳编码取决于具体的任务、数据集和使用的神经网络架构，其中分段线性编码在分类任务中表现稳健，在回归任务中表现各异。
-
混合量子神经网络在喷气发动机剩余使用寿命预测方面展现出潜力
研究人员开发了一种混合量子循环神经网络（HQRNN），用于预测涡轮风扇发动机的剩余使用寿命。该模型将量子长短期记忆（QLSTM）层与经典密集层相结合，旨在改进退化模式表示。在NASA C-MAPSS FD001基准测试中，HQRNN的平均RMSE和MAE比经典的堆叠LSTM网络提高了5%，优于其他基线模型。
-
神经网络加速用于气候研究的二氧化碳排放监测
研究人员开发了一种新颖的基于神经网络的方法，以加速二氧化碳和甲烷排放监测的辐射传输模拟。该方法利用前馈多层感知器（MLP）代理模型，高效预测大气层顶的辐射亮度，解决了传统逐线辐射传输模型的计算成本问题。所提出的代理模型与 NanoCarb 成像干涉仪的仪器响应相结合，在准确反演二氧化碳浓度方面显示出有希望的结果，旨在减少气候变化研究中的不确定性。
-
提出用于电力系统保护和运营的AI框架 · 跟踪2个来源
两篇最新的arXiv论文提出了将机器学习应用于电力系统保护和运营的标准化框架。第一篇论文介绍了一个七维框架，以确保电力系统保护中机器学习评估的可比性和可审计性，并展示了其在PROTECT-90基准上的应用。第二篇论文调查了近800项关于电力系统图机器学习的研究，强调了其在应对运营复杂性方面的潜力，并指出了标准化基准稀缺以及在安全关键应用中对可解释模型的需求等挑战。
-
ER-KANs：新型AI架构提升数据稀疏科学机器学习的鲁棒性
研究人员推出了一种新型科尔莫戈罗夫-阿诺德网络ER-KANs，专为数据稀疏的科学机器学习任务设计。与现有的ChebyKAN和标准KAN等变体不同，ER-KANs在面对嘈杂训练数据时表现出显著提高的鲁棒性。其性能的提升归因于三个关键设计选择：共享高斯RBF基、训练过程中的课程噪声注入以及熵加权自适应正则化。在适度噪声条件下，ER-KANs的准确性可与标准MLP媲美，并且随着噪声水平的增加，其性能下降更为平缓，使其成为数据常不完美的现实科…
-
新的FPO方法无需反向传播即可适应LLM，提高吞吐量
研究人员开发了一种名为前向传播仅（FPO）训练的新方法，该方法无需通过模型层进行反向传播即可适应大型语言模型。与标准微调方法相比，该技术实现了显著更高的吞吐量并使用了更少的内存。FPO在域外基准测试中保持了性能，这是全网络微调不总是能复制的特性。该方法依赖于这样一个观察结果：Transformer中后期层的预测误差可以近似真实梯度，从而无需复杂的自动梯度图构建即可将误差信号直接应用于目标层。
-
RouteTS框架通过优化数据域来预测时间序列
研究人员推出了一种新颖的时间序列预测框架RouteTS，它通过在频域和时域中处理数据来解决现有方法的局限性。该方法根据幅度对频域进行分区，将主导频率分配给频域预测器以保留周期性结构，并将残差能量分配给时域MLP以模拟局部变化。实验表明，RouteTS在各种真实世界数据集上实现了具有竞争力的准确性和计算效率。
-
深度学习模型在电力价格预测方面的比较
研究人员开发了一个标准化的框架来评估深度学习模型在电力价格预测中的应用，解决了该领域缺乏可比数据集的问题。该研究使用2024年德国-卢森堡出价区的公开数据，比较了包括状态空间、MLP、RNN和基于Transformer的模型在内的六种深度学习架构。研究结果表明，N-HiTS和NBEATSx模型在低数据量场景下具有竞争力，而Transformer模型在经过更多调优后可以达到相似的准确性。研究强调了特征选择和超参数调优对于获得最佳性能的重要性。
-
新框架通过分析先验提升 AI 预测准确性
研究人员开发了一个分析先验学习框架，旨在提高亥姆霍兹共振器降噪频率预测的数据效率。该方法利用低成本的分析模型，在高质量仿真数据有限的情况下改进预测。该框架在矩形侧支管亥姆霍兹共振器上进行了评估，结果表明，与直接学习方法相比，结合分析先验信息可显著提高预测准确性，尤其是在仿真预算受限的情况下。
-
新方法加速神经光场重建
研究人员开发了一种使用隐式神经表示来表示光场的新方法，旨在提高重建速度和效率。该方法将四维光场分解为水平视差、空间纹理和垂直视差平面。然后，每个平面使用低秩结构表示，该结构结合了多分辨率的低分辨率二维网格和高分辨率一维线特征，并通过轻量级多层感知器进行解码。实验表明，与现有技术相比，该方法在模型参数、训练时间和推理速度方面取得了更好的平衡，同时实现了具有竞争力的重建质量。
-
Kolmogorov-Arnold Networks 在卫星陆地分类中显示出潜力
研究人员评估了 Kolmogorov-Arnold Networks (KANs) 在使用多光谱卫星图像进行陆地分类方面的有效性。在一项研究中，研究人员将 KANs 与随机森林和多层感知器模型在加拿大艾伯塔省的 Landsat 8 数据上进行了比较，结果显示 KANs 的准确性与随机森林相当，并且优于 MLPs。值得注意的是，KANs 在可训练参数少得多的情况下实现了这一性能，并提供了更高的可解释性。
-
新AI方法通过分析语音轨迹动力学来检测音频深度伪造
研究人员开发了一种新颖的音频深度伪造检测方法，通过分析自监督学习模型潜在空间中的轨迹动力学。该方法侧重于受人类生理学约束的语音产生的时间结构，在包括ASVspoof 2019/2021和Deepfake-Eval-2024在内的六个基准测试中取得了具有竞争力或最先进的性能。研究发现，对这些时间动力学进行建模可以带来显著的收益，尤其是在具有不同合成方法的具有挑战性的跨语料库基准测试中，这表明生理学约束提供了超越简单话语级别统计信息的鲁棒检测信号。