extreme learning machine
PulseAugur coverage of extreme learning machine — every cluster mentioning extreme learning machine across labs, papers, and developer communities, ranked by signal.
-
新型无线极端学习机利用超表面实现无线人工智能
研究人员开发了一种新颖的无线极端学习机（ELM）系统，该系统利用非线性堆叠智能超表面进行无线数据分类。该架构将机器学习推理直接集成到通信过程中，通过在波域中利用超表面来近似网络权重，从而降低了硬件复杂性。数值评估表明，该方法可实现与传统数字模型相当的分类精度，展示了通信系统中低复杂度、波域学习的潜力。
-
新的AI方法归因于太空任务ML模型的错误
研究人员开发了一种新方法，用于归因用于科学太空任务的机器学习模型中的错误，特别关注ESA的Ariel任务。该方法将影响重新定义为基于预测而非损失，从而可以无标签部署。它使用极限学习机（Extreme Learning Machine）的闭式岭解（closed-form ridge solution）来高效计算无穷小的预测影响，并通过将训练残差传播到影响敏感度来推导出保守的误差代理。该方法已通过模拟光谱进行了评估，显示出与光谱误差的强相…
-
研究论文分析伪逆型极限学习机的谱稳定性
本研究论文探讨了使用伪逆方法计算输出权重的极限学习机（ELMs）的谱稳定性。研究表明，隐藏层矩阵的最小奇异值是放大输出权重扰动的关键因素，而条件数则量化了隐藏层的instability。奇异值分解（SVD）伪逆计算与迭代超幂法之间的比较表明，SVD方法在病态条件下提供了更好的可靠性。
-
混合物理信息神经网络推动电力系统设计
一篇新的综述文章探讨了使用混合物理信息神经网络（PIML）来增强电力系统。这些方法将物理定律嵌入机器学习模型，提高了准确性和效率，尤其是在数据稀缺的情况下。文章详细介绍了各种PIML架构及其在故障检测和数字孪生等领域的应用，强调了它们优于纯数据驱动的方法。