多层感知机还在进步，关于深度学习中MLP的5篇最新的论文推荐

多层感知机还在进步，关于深度学习中MLP的5篇最新的论文推荐

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

用于身份验证的人脸识别系统的应用正在迅速增长。尽管最先进的（SOTA）人脸识别系统具有很高的识别性能，但为他们会为每个用户提取特征并存储在系统数据库中。这些特征包含了隐私敏感信息，泄露这些数据将危及用户的隐私。这篇论文提出了一种新的关于特征隐私保护方法，称为 MLP-hash，它通过将提取的特征传递给特定的随机加权多层感知器 (MLP) 并对 MLP 输出进行二值化来生成受保护的结果。论文评估了提出的生物特征模板保护方法的不可链接性、不可逆性和识别性能，以满足 ISO/IEC 30136 标准要求。在 MOBIO 和 LFW 数据集上对 SOTA 人脸识别系统的实验表明，论文的方法与 BioHashing 和 IoM Hashing（IoM-GRP 和 IoM-URP）保护算法具有相同性能。论文还提供了本文中所有实验的开源实现，以便其他研究人员可以验证我们的发现并在我们的工作的基础上进行复现和更深入的研究。

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

论文展示了神经网络仅进行一次非定常 的CFD 模拟能够可靠地学习nonlinear flame。该系统获得的上游流速和放热率波动的时间序列并使用多层感知机训练非线性模型。同时训练几个具有不同超参数的模型，并使用 dropout 策略作为正则化器以避免过度拟合。随后使用性能最佳的模型来计算 flame describing function（FDF）。除了准确地预测 FDF 之外，经过训练的神经网络模型还可以捕捉火焰响应中存在的高次谐波。当与声学求解器结合使用时，所获得的神经网络模型比经典的 FDF 模型更适合预测。研究表明，预测的声学振荡的 RMS 值以及相关的主频率与 CFD 参考数据非常一致。

完整文章

https://avoid.overfit.cn/post/5834f91efe9e4b09b6ec21659dba0ee5