- 利用离散基因训练实现打印 MLP 网络的嵌入式硬件逼近
利用近似计算并将硬件近似集成到多层感知器（MLP）的训练过程中，为 Printed Electronics（PE）设计了一种基于遗传算法的硬件感知训练方法，实现了超过 5 倍的面积和功耗降低，同时优于最先进的近似和随机打印 MLPs。
- 单图卷积足以：高效灰度图像分类
利用向量化图像视图的新型灰度（单通道）图像分类方法，通过批处理方式使用单个图卷积层，结合 FPGA 加速器进行优化，从而在各个特定领域的灰度图像分类数据集中实现更低的延迟（最高可降低 16 倍）和相当或引领性的性能。
- 传播与提炼：利用传播 - 融合 MLPs 实现有效的图学习器
利用多层感知器 (MLPs) 解决图上半监督节点分类问题，在知识蒸馏中通过训练学生 MLP 来自教师图神经网络 (GNN) 的知识。受到将特征变换和传播分离的 GNN 的启发，我们重新构思了蒸馏过程，使学生 MLP 同时学习特征变换和传播。 - 通过 MLPs 揭示图学习的潜在潜力：利用传播式 MLPs 的有效图学习器
通过知识蒸馏从图神经网络导师中训练学生多层感知机，将 KD 过程重新构建为使学生模型在知识蒸馏中显式学习结构信息，并提出了一个有效的方法 Propagate & Distill (P&D)，通过真实世界基准数据集的综合评估表明了 P&D 的 - SENetV2：用于通道和全局表示的聚合稠密层
本文介绍了一种通过与密集层结合的聚合多层感知机，用于改进现有体系结构，提高高级特征表示能力的方法。通过对基于图像分类的现有体系结构进行实验比较，结果表明该方法显著提高了分类准确度。
- 综合三维矿产前景建模的多模态学习框架与联合学习的结构 - 流体关系
本研究提出了一种新颖的多模态融合模型，用于三维矿产前景绘图，通过深度网络结构有效地整合结构和流体信息。利用卷积神经网络和多层感知机，该模型采用典型相关分析对多模态特征进行对齐和融合。在交界金矿床数据集上进行严格评估，证明了该模型在区分含矿实 - ICML用于高效语言模型微调的 NTK - 逼近 MLP 融合
通过使用神经切向核（NTK）逼近多层感知器模块（MLP）的预训练语言模型（PLM），提出了一种轻量级 PLM 压缩方法，通过重新考虑 MLP 作为子 MLP 集合并将其聚类为给定数量的重心，进而恢复为压缩的 MLP，惊人地显示出良好逼近原始 - 图代理网络：为节点赋予去中心化的通信能力，提高对抗韧性
本文提出了 Graph Agent Network，一个图结构的代理网络，用于解决节点分类的抵抗者攻击。GAgN 通过节点之间的去中心化交互，可以学习推断节点的全局感知来执行任务，从而防止恶意消息在整个系统中传播，在扰动的数据集上实现了最佳 - PANNA 2.0：高效能的神经网络原子势函数和新架构
本文介绍 PANNA 2.0，通过局部原子描述符和多层感知器生成神经网络原子间势，并通过变分充电平衡方案实现包括长程静电相互作用的新架构，具有改进的网络训练工具和 GPU 支持。
- 无边界但结构感知：从 GNN 到 MLP 的原型导向知识蒸馏
本文针对基于图任务的高准确性图神经网络（Graph Neural Networks, GNNs）转化为低延时多层感知器（Multilayer Perceptrons, MLPs）的热门研究主题，提出了一种无需图边，且能够学习适应结构的 ML - SIRA: 从单张图像生成可重新照明的人物形象
使用基于神经场的两个数据驱动统计模型，从单张图像中重建具有高保真度几何结构和因式化光线和表面材质的人头像，成功分离了全局照明和漫反射和镜面反射反射率，并使头部模型的外观编辑和照明调整成为可能。
- 过度参数化情况下随机正交转换任务的灾难性遗忘分析
该研究从理论上和实验证明，过参数化可以在一定程度上改善神经网络模型在连续学习中遗忘前任务的性能表现。
- MM基于有限多值语义的加权条件知识库神经网络推理 ASP 方法
本篇论文研究了具有典型性的加权条件 ALC 知识库的三种不同语义构建，在逻辑语义学中，基于 “概念分层” 多重优先语义。利用 ASP 和 “asprin” 进行推理，以 phi-coherent 语义为基础，适用于表征 MLPs 的静止状态 - 基于图形深度双仿射注意力模型的时间关系提取
我们提出了一种基于深度双向注意力的新型时间信息提取模型，直接执行关系提取任务，利用多层感知机进行弧预测和关系标签预测，充分利用时间关系的双向特性，实现了最新技术水平的时间关系提取性能。
- 神经场景流先验
本文重点研究基于运行时优化和强正则化的场景流问题，创新性地引入了神经场景流先验，其使用神经网络体系结构作为一种新类型的隐式正则化器，该方法可以用于无需脱机数据集而部署在新环境的、包括车载应用的自主驾驶型设备的场景。通过对激光雷达点云序列的积 - 神经波形塑形合成
本文介绍了神经波形塑形单元 (NEWT) 及其优化方法 FastNEWT，结合可微分噪声合成器和混响可生成实际乐器演奏的复杂音色演变。我们的方法性能表现相比其他同类型算法更快，因此可以作为未来创意音效设计工具的可行基础。
- IJCAI用样条位置编码学习三维隐式带符号距离场
本研究提出了一种新颖的位置编码方案 (Spline Positional Encoding)，将输入坐标映射到高维空间，以帮助从无组织的 3D 点云中恢复带有细节的几何形状，从而进一步验证了该方法在 3D 形状重建和形状空间学习任务中的优势 - 构建任意矩阵群等变多层感知器的实用方法
提供求解矩阵群等变层的通用算法，在多个未曾解决的群中构建具有多个群等变性的多层感知器，优于非等变基线模型，在粒子物理和动力系统中应用。
- 神经葛兰杰因果关系
利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。
- KDD深度前馈和递归神经网络的学习范数池化
本文提出并研究了一种新型的非线性单元 —$L_p$ 单元，用于深度神经网络，它接收来自下一层子单元的信号，计算出归一化的 $L_p$ 范数，可以理解为一种广义的池化运算符、在对象识别方面取得最优成果、以及用于多层感知器以达到最优结果.