跳转至

MLCC：多层压缩交叉网络

Fidelity: 核心机制复现。本地代码执行论文最有辨识度、可由公开数据验证的机制；私有数据、生产模型与服务栈明确列为边界。

论文信息

项目 内容
论文链接 arXiv 2602.12041
公司/机构 Bilibili（按第一作者所属机构聚合）
首次公开日期 2026-02-12（arXiv v1）
原文开源代码 是：https://github.com/shishishu/MLCC
Adapter mlcc
本地复现代码 src/auto_research/reproductions/mlcc/

原始论文总结

背景与主要改动

在每一层先压缩高维特征，再在紧凑空间执行动态显式交叉并回注主干；MC-MLCC 使用多个并行子空间横向扩展表达力，使参数和 FLOPs 增长更可控。

flowchart LR
  A["公开行为与候选"] --> B["mlcc 核心机制"]
  B --> C["同预算方法输出"]
  A --> D["统一直接基线"]
  C --> E["全目录排序与结构诊断"]
  D --> E

原论文关键图

MLCC：多层压缩交叉网络 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ z_l=C_l(x_l),\qquad x_{l+1}=x_l+P_l\bigl(z_l\odot g_l(z_l)\bigr). \]

论文离线与线上效果

  • 论文报告最高 AUC +0.52%、超过 26 倍 FLOPs 降低，并在生产实验中获得 32% Advertiser Value 提升。
  • 上述数字只复述论文证据，不写入本地公开数据效果结论。

本地复现

本地对照口径：同一 MovieLens 全目录协议下，基线 NDCG@10 为 0.05401，实验组为 0.05530，相对变化 +2.40%。本地代理目标与论文生产任务不同，不能外推线上 lift。

三随机种子的完整结果、均值、标准差与 95% CI 见：

auto-research reproduce --paper mlcc --dataset-dir data --seeds 42,43,44

复现边界

本地使用 MovieLens 100K 的固定公开子集及可审计代理目标，只验证中心计算机制；不复现原论文的私有日志、生产基础模型、线上分桶和 serving 栈。因此本页不宣称复现原文绝对指标或线上增益。