新型KRPRVFL模型增强了神经网络在噪声数据下的鲁棒性

研究人员开发了一种名为KRPRVFL的新型神经网络模型，旨在提高随机向量泛函链路（RVFL）网络的鲁棒性。该新模型通过引入核风险敏感均值p次幂（KRP）准则，解决了传统RVFL网络对噪声数据、异常值和不平衡数据集敏感的问题。KRPRVFL模型在训练过程中自适应地降低不可靠样本的影响，并包含一个协同学习机制，以增强在复杂环境下的稳定性。在基准数据集上的实验表明，与现有模型相比，KRPRVFL提供了更高的准确性和鲁棒性。 AI

影响 为分类任务引入了更鲁棒的神经网络架构，有望提高在存在噪声数据的实际应用中的性能。

排序理由 详细介绍新模型架构及其实验验证的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• KEEL
• Kernel Risk-Sensitive Mean p-Power
• KRPRVFL
• ScienceCast
• University of California, Irvine

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →