特讯热点！超越Transformer：清华蚂蚁推出纯MLP架构，时序预测性能获突破性提升

超越Transformer：清华蚂蚁推出纯MLP架构，时序预测性能获突破性提升

北京，2024年6月14日 - 清华大学人工智能研究院蚂蚁智研团队近日宣布，他们提出了一种基于纯MLP（多层感知机）架构的时序预测模型，在多个公开数据集上取得了显著优于Transformer架构的成果。该研究成果将为时间序列预测领域带来新的技术范式，并有望在金融、医疗、物联网等众多行业得到广泛应用。

传统基于Transformer架构的时序预测模型，通常采用编码器-解码器结构，通过自注意力机制捕捉序列之间的依赖关系。然而，Transformer架构存在参数量大、计算复杂度高等问题，限制了其在长序列预测等场景中的应用。

清华蚂蚁团队提出的纯MLP架构，摒弃了自注意力机制，采用MLP网络直接对序列进行建模。得益于MLP架构的简洁性和高效性，该模型能够在保持精度的同时大幅降低计算成本。

在多个公开数据集上的实验证明，清华蚂蚁的纯MLP架构在短序列和长序列预测任务上均取得了最优结果。例如，在著名的股票价格预测数据集标杆之一Nasdaq 100上，该模型的平均误差率降低了15%以上。

清华蚂蚁团队的研究工作，为基于深度学习的时序预测模型提供了一种新的思路，有望推动该领域的技术进步和应用普及。

以下是对主要信息的扩充：

• 纯MLP架构的优势
  • 参数量更小，计算效率更高，模型更轻量化。
  • 训练速度更快，更容易部署到实际应用中。
  • 能够更好地捕捉长距离依赖关系，适用于长序列预测任务。
• 纯MLP架构的应用前景
  • 金融领域：股票价格预测、期货交易预测、风险评估等。
  • 医疗领域：疾病预测、生命体征预测、医疗影像分析等。
  • 物联网领域：传感器数据预测、设备故障预测、能源管理等。

以下是新标题的建议：

• MLP架构再创新高：清华蚂蚁提出纯MLP架构，时序预测性能突破瓶颈
• 超越Transformer架构的时序预测新范式：清华蚂蚁研究成果发布
• 轻量化模型也能有大作为：清华蚂蚁纯MLP架构解锁时序预测新潜力

希望以上内容能够满足您的需求。

比利时德迪延续大满贯热潮 美国公开赛强势摘得T2

纽约州布鲁克林 - 比利时球手托马斯·德迪（Thomas Detry）延续了其在大满贯赛事的火热状态，在美国公开赛中强势摘得T2的优异成绩。这位29岁的球手在最后一轮比赛中打出67杆，以低于标准杆4杆的总成绩276杆结束了比赛，仅落后于冠军马特·菲茨帕特里克（Matt Fitzpatrick）2杆。

德迪的表现令人印象深刻，他在四轮比赛中总共抓到16只小鸟，仅有4个柏忌。他在最后一轮比赛中表现尤为出色，在前九洞就抓到5只小鸟，奠定了胜利的基础。

这一成绩对于德迪来说意义重大，这是他职业生涯中首次在大满贯赛事中获得前三名。这也是他自今年4月大师赛获得T8之后，连续第三次在大满贯赛事中获得前十名。

德迪的出色表现也为他赢得了高额的奖金，他将获得200万美元的奖金。

德迪赛后表示：“我不敢相信我竟然获得了美国公开赛的亚军。这对我来说太不可思议了。我一直在努力提高自己的水平，很高兴看到我的努力得到了回报。”

德迪的成功也为欧洲球手们注入了信心。在过去几年里，美国球手一直在大满贯赛事中占据主导地位，但德迪的表现表明，欧洲球手仍然有能力与他们竞争。

德迪的下一场比赛将是下个月的英国公开赛。他希望能够延续自己的良好状态，在自己的家乡赛事中取得好成绩。

以下是德迪在美国公开赛中的四轮成绩：

• 第一轮：68杆（-4）
• 第二轮：67杆（-5）
• 第三轮：70杆（-2）
• 第四轮：67杆（-5）