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。

新加坡港口现“大拥堵” 供应链再受冲击

新加坡 - 2024年6月17日讯，全球最繁忙的港口之一新加坡港近日出现严重拥堵，大量货船在港口外排队等待进港，拥堵情况或将持续数周。这加剧了全球供应链的紧张局面，并可能推升运费和物价。

据悉，拥堵的原因是多方面的，包括：

• 全球集装箱运输需求旺盛。由于疫情导致的居家办公和网购需求激增，集装箱运输需求持续旺盛。
• 俄乌冲突导致港口作业效率下降。俄乌冲突导致黑海港口关闭，部分运力转移至新加坡港，加剧了港口压力。
• 新加坡港口自身能力有限。新加坡港的码头容量和自动化程度相对较低，难以应对激增的运输需求。

目前，新加坡港务局正采取措施缓解拥堵，包括增加港口作业时间、协调船舶进港安排等。但业内人士预计，拥堵情况或将持续数周，甚至可能延长至今年年底。

新加坡港口的拥堵将对全球供应链产生重大影响。一方面，它将导致运费进一步上涨，推升企业生产成本和消费者物价。另一方面，它也可能导致货物延误交付，影响生产和贸易活动。

专家建议，各国应加强港口基础设施建设，提高港口作业效率，以应对全球集装箱运输需求旺盛的局面。

以下是一些关于新加坡港口拥堵的额外细节：

• 截至2024年6月16日，在新加坡港外排队的集装箱船数量超过200艘。
• 一些船只的等待时间已经超过两周。
• 拥堵导致集装箱运费大幅上涨，从亚洲到欧洲的运费已经涨至每40英尺集装箱10000美元以上。

新加坡港口的拥堵是全球供应链面临的众多挑战之一。其他挑战还包括港口劳工短缺、航运延误和政治风险等。这些挑战正推升全球物价上涨，并给全球经济增长带来压力。