两篇新的研究论文介绍了增强随机向量函数链接(RVFL)网络鲁棒性的新方法。RVFL 网络以其效率而闻名,但容易受到噪声数据的影响。第一篇论文 RoBell-RVFL 提出了一种质量感知、样本级别的加权机制,该机制在自适应地降低受噪声或异常值影响的多数类样本权重时,保留了少数类信息。第二篇论文 KRPRVFL 集成了一个核风险敏感的 p 次幂均值标准和一个协作学习机制,以减轻损坏样本的影响并提高稳定性。两种方法都在基准数据集上进行了评估,并在标签噪声和类别不平衡的情况下,相比现有的 RVFL 变体表现出更优越的性能。 AI
影响 这些新的 RVFL 网络变体在处理噪声和不平衡数据集时提供了改进的性能,有可能扩大它们在现实世界分类任务中的应用范围。
排序理由 两篇在 arXiv 上发表的学术论文,介绍了新的模型架构。
- alphaXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- Influence Flower
- Keel
- Kernel Risk-Sensitive Mean p-Power
- KRPRVFL
- ScienceCast
- University of California, Irvine
- IArxiv Recommender
- RoBell-RVFL
- SMOTE
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →