MLP 相关 AI 资讯 · AI 热点

8月18日

10:36

10:36

官方账号arXiv cs.LG@Jiaming Li

研究提出解析先验学习框架，在86个仿真标注几何和8998个解析几何上训练。直接SVR的MAE为3.375 Hz，残差SVR降至0.426 Hz。直接MLP的MAE为1.109 Hz，解析先验预训练后全模型微调降至0.371 Hz。在20到70个仿真标注样本的训练预算下，该方法均比直接学习更省数据。该框架可用于仿真数据稀缺时的高保真声学预测。

论文 Helmholtz谐振器 SVR MLP

推荐理由：这个论文用便宜的解析模型帮机器学习打底，仿真数据少也能把误差从3.375Hz压到0.371Hz，做声学仿真的可以看看。

8月12日

18:20

18:20

官方账号arXiv cs.LG@Kaan Buyukkalayci, Kyle Pak, Merve Karakas, Christina Fragouli

该论文提出一种基于推荐系统的传感器子集选择方法，用于目标跟踪。此前研究利用低成本声学RSSI测量推荐传感器节点子集，使昂贵传感模式（如摄像头）实现高跟踪精度，但RSSI易受声学干扰。新方法采用频带声学特征和双塔多层感知机（MLP）架构，高效评分候选传感器子集。在户外车辆跟踪部署实验中，该方法相比RSSI基线将跟踪精度提升约20%，同时保持实时选择性传感所需的低计算开销。

论文传感器选择目标跟踪推荐系统

推荐理由：这篇论文用推荐系统思路解决传感器选择，抗干扰还提精度20%，做跟踪或边缘计算的朋友可以看看。

7月23日

13:07

13:07

Stanford AI Lab@StanfordAILab

斯坦福团队提出一种无需梯度下降即可将事实知识写入Transformer MLP的封闭形式方法。该方法可直接将事实编码进Transformer块，无需训练。相关论文已被COLM 2026接收。研究者包括Jerry Liu、Garctrob、Ronny Junkins等。

论文 Transformer MLP 知识注入

推荐理由：斯坦福团队搞了个新招：不用梯度下降，直接把事实写进Transformer的MLP里，论文被COLM 2026收了，想了解怎么不训练就灌知识的可以看看。

7月21日

11:53

11:53

官方账号arXiv cs.LG@Shyamal Y. Dharia, Stephen D. Smith, Camilo E. Valderrama

该研究提出Diff-Logic，将神经网络编译为纯布尔电路，通过位运算在CPU上执行。在四个EEG数据集（包括二分类痴呆检测和三分类情绪识别）上，与MLP和BNN基线对比，复杂度从50k到500k参数。痴呆检测中Diff-Logic达到80.2% Macro F1，比MLP高6.8%。在7W Nvidia Jetson Orin Nano单核CPU上，情绪识别任务中MLP性能略优但延迟是Diff-Logic的2.3倍，模型大小是14倍。Diff-Logic在模型规模扩大10倍时推理时间几乎不变，最大复杂度下速度提升达2.9倍。

论文 Diff-Logic EEG MLP

推荐理由：这论文把神经网路编译成纯布尔电路，在边缘设备上跑EEG分类，延迟低还省电。痴呆检测准确率比MLP高6.8%，值得搞BCI的人看看。

7月16日

02:10

02:10

官方一手marktechpost@Sana Hassan

精选

本文通过Gin Config框架构建一个PyTorch训练管线，训练代码固定，实验变量移至.gin文件。采用非线性螺旋二分类任务，定义可配置MLP并支持架构变体。通过@gin.configurable绑定优化器、余弦调度器、损失函数、批处理、随机种子和训练循环。运行两个限定实验，实现运行时参数覆盖而不修改源码，并导出每次运行的operative配置。

技巧 PyTorch Gin Config MLP

推荐理由：手把手教你用Gin Config管好PyTorch实验配置，MLP变体、余弦调度、运行时覆盖都安排上了，不用改源码。

7月7日

12:53

12:53

官方账号arXiv cs.LG@Yury Gorishniy, Akim Kotelnikov, Ivan Rubachev, Artem Babenko

TabPack是一种针对表格数据的高效MLP集成方法，在单次运行中并行采样并训练多个不同超参数的MLP，并在训练过程中动态选择集成成员。在多个中大型公开数据集上，TabPack的默认设置性能与经过大量调优的先前方法相当。运行TabPack默认配置在一台MacBook上所需时间少于在工业级GPU上调优某些基线的时间。

论文 TabPack MLP 表格数据

推荐理由：TabPack让你不用费心调参就能达到好效果，在普通笔记本上跑都比别人用GPU调参快。

7月3日

09:18

09:18

官方账号arXiv cs.LG@Sampreeti Bhattacharya, Arkaprava Roy

该工作提出一个加性深度学习框架，用多层感知机（MLP）编码物理化学描述符作为化学分支，用图神经网络（GNN）编码分子图拓扑作为结构分支，两个分支的输出在预测阶段加性组合。在AqSolDB数据集上预训练、在BigSolDB2数据集上微调后，预测精度显著提升且运行变异降低。可解释性分析通过最佳线性投影、分子嵌入和GNNExplainer显示化学分支对齐已知物化描述符，结构分支捕捉图拓扑和官能团模式。在两个数据集上，该框架取得有竞争力的预测性能，同时使化学与结构信息的各自作用更透明。

论文 MLP GNN AqSolDB

推荐理由：这篇论文把化学描述和分子结构分开建模再相加，既准确又能解释预测依据。在AqSolDB和BigSolDB2上效果很好，适合医药研发。