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。

全球农业形势喜忧参半 部分地区作物产量预计下降

根据中央气象台近日发布的《国外农业气象监测与作物产量展望（2024年06月08日）》，近期全球主要农业生产区天气状况总体利于作物生长发育，但部分地区仍受干旱、洪涝等灾害影响，预计将对部分作物产量造成不同程度的减产。

北美地区，美国玉米、大豆等主要作物长势良好，预计产量将有所增加。但加拿大部分地区近期遭遇干旱，小麦、油菜籽等作物受灾严重，产量预计将有所下降。

欧洲地区，总体天气有利于作物生长，但部分地区近期降雨偏多，导致小麦、黑麦等作物出现病虫害，对产量造成一定影响。

亚洲地区，俄罗斯小麦、乌克兰葵花籽等作物长势喜人，预计产量将创历史新高。但印度、巴基斯坦等南亚国家近期遭遇高温干旱，水稻、棉花等作物受灾严重，产量预计将大幅下降。

南美地区，巴西大豆、阿根廷玉米等主要作物长势良好，预计产量将保持稳定。

非洲地区，总体天气有利于作物生长，但部分地区蝗虫、病虫害威胁依然存在，对部分作物产量造成一定影响。

澳大利亚地区，小麦、大麦等主要作物长势良好，预计产量将有所增加。

总体而言，全球农业生产形势喜忧参半，部分地区作物产量预计将有所下降，需要密切关注天气状况和病虫害防治工作，确保全球粮食安全。

以下是一些可以补充到新闻稿中的细节：

• 各国主要农作物的种植面积和产量数据
• 近期天气状况对作物生长发育的影响
• 各国政府采取的应对措施
• 全球粮食安全形势展望

以下是一些可以参考的网络文章：

• 中央气象台：国外农业气象监测与作物产量展望（2024年06月08日）
• 美国农业部：全球农业生产报告
• 联合国粮农组织：粮食和农业展望

希望以上信息对您有所帮助。