1. MLP-Hash: защита шаблонов лиц с помощью хеширования рандомизированного многослойного персептрона (arXiv)

Автор:Хатеф Отроши Шахреза, Ведрана Кривокуча Хан, Себастьян Марсель

Аннотация: Применение систем распознавания лиц для целей аутентификации быстро растет. Хотя современные (SOTA) системы распознавания лиц обладают высокой эффективностью распознавания, функции, которые извлекаются для каждого пользователя и хранятся в базе данных системы, содержат конфиденциальную информацию. Соответственно, компрометация этих данных поставит под угрозу конфиденциальность пользователей. В этой статье мы предлагаем новый метод защиты отменяемых шаблонов, получивший название MLP-хеш, который генерирует защищенные шаблоны, пропуская извлеченные признаки через пользовательский многоуровневый персептрон со случайным взвешиванием (MLP) и бинаризируя выходные данные MLP. Мы оценили несвязываемость, необратимость и эффективность распознавания предложенного нами метода защиты биометрических шаблонов для выполнения требований стандарта ISO/IEC 30136. Наши эксперименты с системами распознавания лиц SOTA на наборах данных MOBIO и LFW показывают, что наш метод имеет конкурентоспособную производительность с алгоритмами защиты шаблонов BioHashing и IoM Hashing (IoM-GRP и IoM-URP). Мы предоставляем реализацию всех экспериментов, представленных в этой статье, с открытым исходным кодом, чтобы другие исследователи могли проверить наши выводы и развить нашу работу.

2. Моделирование нелинейного отклика бунзеновского пламени с помощью многослойного персептрона (arXiv)

Автор: Нилам Татавадекар, Нгуен Ань Кхоа Доан, Камило Ф. Сильва, Нильс Тюрей

Аннотация: в этой статье демонстрируется способность нейронных сетей надежно изучать нелинейную реакцию пламени ламинарного предварительно перемешанного пламени при выполнении только одного нестационарного моделирования CFD. Система возбуждается широкополосным низкочастотным фильтром сигнала скорости, который демонстрирует равномерное распределение амплитуд в пределах заданного диапазона. Полученные временные ряды колебаний скорости потока перед пламенем и скорости тепловыделения используются для обучения нелинейной модели с использованием многослойного персептрона. Обучаются несколько моделей с различными гиперпараметрами, и стратегия отсева используется в качестве регуляризатора, чтобы избежать переобучения. Модель с лучшими характеристиками впоследствии используется для вычисления функции описания пламени (FDF) с использованием одночастотных возбуждений. В дополнение к точному прогнозированию FDF модель обученной нейронной сети также фиксирует наличие высших гармоник в отклике пламени. В результате в сочетании с акустическим решателем полученная модель нейронной сети лучше, чем классическая модель FDF, подходит для прогнозирования колебаний предельного цикла, характеризующихся более чем одной частотой. Последнее продемонстрировано в заключительной части настоящего исследования. Мы показываем, что среднеквадратичное значение предсказанных акустических колебаний вместе с соответствующими доминирующими частотами прекрасно согласуется с справочными данными CFD.

3. Система торговли акциями для активов со средней волатильностью с использованием многослойного персептрона (arXiv)

Автор: Иван Леттери, Джузеппе Делла Пенна, Джованни Де Гасперис, Абир Дьюб

Аннотация: Прогнозирование фондового рынка является прибыльной областью интересов с многообещающими прибылями, но не без трудностей, а для некоторых людей может быть даже причиной неудачи. Финансовые рынки по своей природе сложны, нелинейны и хаотичны, а это означает, что точное прогнозирование цен на активы, входящие в его состав, становится очень сложным. В этой статье мы предлагаем систему торговли акциями, имеющую в качестве основного ядра глубокие нейронные сети (DNN) с прямой связью для прогнозирования цены на следующие 30 дней открытого рынка акций, выпущенных Abercrombie & Fitch Co. (ANF) в фондовый рынок Нью-Йоркской фондовой биржи (NYSE). Разработанная нами система рассчитывает наиболее эффективный технический индикатор, применяя его к предсказаниям, вычисленным DNN, для создания сделок. Результаты показали увеличение таких значений, как коэффициент ожидания на 2,112% от прибыльных сделок с коэффициентами Шарпа, Сортино и Кальмара на 2,194, 3,340 и 12,403 соответственно. В качестве проверки мы внедрили в нашу систему модуль имитации обратного отслеживания, который сопоставляет сделки с фактическими тестовыми данными, состоящими из последних 30 дней открытого рынка актива ANF. В целом, результаты были многообещающими: общий коэффициент прибыли составил 3,2% всего за один месяц при очень скромном бюджете в 100 долларов. Это стало возможным благодаря тому, что система сократила количество сделок, выбрав наиболее эффективные и результативные сделки, сэкономив на комиссиях и затратах на проскальзывание.

4.Использование фитнес-зависимого оптимизатора для обучения многослойного персептрона (arXiv)

Автор:Дости Х. Аббас, Тарик А. Рашид, Карманд Х. Абдалла и Небойша Баканин, Абир Алсадун

Аннотация: в этом исследовании представлен новый алгоритм обучения, основанный на недавно предложенном Оптимизаторе, зависящем от фитнеса (FDO). Стабильность этого алгоритма была проверена и подтверждена производительностью как на этапе разведки, так и на этапе эксплуатации с использованием некоторых стандартных измерений. Это повлияло на нашу цель — оценить производительность алгоритма при обучении многослойных нейронных сетей персептрона (MLP). В этом исследовании FDO сочетается с MLP (кодовое название FDO-MLP) для оптимизации весов и погрешностей для прогнозирования результатов учащихся. Это исследование может улучшить систему обучения с точки зрения образовательного уровня учащихся, помимо повышения их достижений. Экспериментальные результаты этого подхода подтверждаются сравнением с алгоритмом обратного распространения (BP) и некоторыми эволюционными моделями, такими как FDO с каскадным MLP (FDO-CMLP), оптимизатор серого волка (GWO) в сочетании с MLP (GWO-MLP), модифицированный GWO в сочетании с MLP (MGWO-MLP), GWO с каскадным MLP (GWO-CMLP) и модифицированный GWO с каскадным MLP (MGWO-CMLP). Качественные и количественные результаты доказывают, что предлагаемый подход с использованием FDO в качестве обучающего может превзойти другие подходы, использующие другие обучающие устройства в наборе данных, с точки зрения скорости сходимости и избегания локальных оптимумов. Предлагаемый подход FDO-MLP классифицируется со скоростью 0,97.

5.Graph Attention Multi-Layer Perceptron(arXiv)

Автор: Вэньтао Чжан, Цзыци Инь, Цзэн Шэн, Вэнь Оуян, Сяосэнь Ли, Янгюй Тао, Чжи Ян, Бин Цуй

Вывод:Графовые нейронные сети (GNN) в последнее время достигли передовой производительности во многих приложениях, основанных на графах. Несмотря на высокую выразительную мощь, им обычно приходится выполнять дорогостоящее рекурсивное расширение окрестности в несколько эпох обучения и сталкиваться с проблемой масштабируемости. Более того, большинство из них негибкие, поскольку они ограничены окрестностями с фиксированными участками и нечувствительны к фактическим требованиям рецептивного поля для различных узлов. Мы обходим эти ограничения, вводя масштабируемый и гибкий многослойный персептрон Graph Attention (GAMLP). Благодаря разделению нелинейного преобразования и распространения признаков GAMLP значительно повышает масштабируемость и эффективность за счет выполнения процедуры распространения в режиме предварительного вычисления. Благодаря трем принципам внимания к принимающим полям каждый узел в GAMLP является гибким и адаптивным в использовании распространяемых функций в различных размерах поля приема. Мы проводим обширные оценки трех крупных эталонных тестов с открытым графом (например, ogbn-papers100M, ogbn-products и ogbn-mag), демонстрируя, что GAMLP не только достигает современной производительности, но также обеспечивает высокую масштабируемость и эффективность.