多層感知機還在進步，關於深度學習中MLP的5篇最新的論文推薦
1、MLP-Hash: Protecting Face Templates via Hashing of Randomized Multi-Layer Perceptron
https://arxiv.org/pdf/2204.11054.pdf
Hatef Otroshi Shahreza, Vedrana Krivokuća Hahn, Sébastien Marcel
用於身份驗證的人臉識別系統的應用正在迅速增長。儘管最先進的（SOTA）人臉識別系統具有很高的識別性能，但爲他們會爲每個用戶提取特徵並存儲在系統數據庫中。這些特徵包含了隱私敏感信息，泄露這些數據將危及用戶的隱私。這篇論文提出了一種新的關於特徵隱私保護方法，稱爲 MLP-hash，它通過將提取的特徵傳遞給特定的隨機加權多層感知器 (MLP) 並對 MLP 輸出進行二值化來生成受保護的結果。論文評估了提出的生物特徵模板保護方法的不可鏈接性、不可逆性和識別性能，以滿足 ISO/IEC 30136 標準要求。在 MOBIO 和 LFW 數據集上對 SOTA 人臉識別系統的實驗表明，論文的方法與 BioHashing 和 IoM Hashing（IoM-GRP 和 IoM-URP）保護算法具有相同性能。論文還提供了本文中所有實驗的開源實現，以便其他研究人員可以驗證我們的發現並在我們的工作的基礎上進行復現和更深入的研究。
2、Modeling of the nonlinear flame response of a Bunsen-type flame via multi-layer perceptron
https://arxiv.org/pdf/2204.05234.pdf
Nilam Tathawadekar, Nguyen Anh Khoa Doan, Camilo F. Silva, Nils Thuerey
論文展示了神經網絡僅進行一次非定常 的CFD 模擬能夠可靠地學習nonlinear flame。該系統獲得的上游流速和放熱率波動的時間序列並使用多層感知機訓練非線性模型。同時訓練幾個具有不同超參數的模型，並使用 dropout 策略作爲正則化器以避免過度擬合。隨後使用性能最佳的模型來計算 flame describing function（FDF）。除了準確地預測 FDF 之外，經過訓練的神經網絡模型還可以捕捉火焰響應中存在的高次諧波。當與聲學求解器結合使用時，所獲得的神經網絡模型比經典的 FDF 模型更適合預測。研究表明，預測的聲學振盪的 RMS 值以及相關的主頻率與 CFD 參考數據非常一致。
完整文章
https://avoid.overfit.cn/post/5834f91efe9e4b09b6ec21659dba0ee5