An efficient Universum-based twin parametric-margin random vector functional link classifier

Upendra Mishra

doi:10.1016/j.compeleceng.2026.111285

An efficient Universum-based twin parametric-margin random vector functional link classifier

2026-06-08

0

PRE

AI

Barenya Bikash Hazarika

DOI：10.1016/j.compeleceng.2026.111285

原文链接

原文求助

摘要

En 中文

双子随机向量功能链接（TRVFL）是一种流行且有效的模型，可用于解决现实世界的回归和分类问题。然而，TRVFL在现实应用中不考虑异方差性。因此，当数据集中存在异常值时，其性能会受到严重影响。TRVFL通常假设训练数据的整个域内噪声水平一致。如果事先知道噪声的功能依赖性，则可以放宽这一假设。均匀噪声模型的假设在现实场景中通常不成立。例如，考虑异方差噪声的情况，其中噪声水平是位置的函数。此外，TRVFL失去了稀疏性，且对类别不平衡敏感。为解决TRVFL的这些局限性，引入了双子参数边界概念。为提高TRVFL网络的整体分类性能，并提升其在包含异常值的数据集上的分类效率，本文提出了一种新型的Universum双子参数边界RVFL（UTPMRVFL）用于二分类。首先，为解决两个小RVFL型问题，所提出的UTPMRVFL构建了两个非平行参数超平面。通过引入先验信息（即Universum数据）来提高模型性能。关于数据的先验知识的引入导致分类器得到更好的优化。为评估所提模型的有效性，其分类性能已与随机向量功能链接（RVFL）、双子RVFL（TRVFL）、基于角度的TRVFL（ATRVFL）、Universum双子SVM（UTSVM）、双子参数边界SVM（TPMSVM）、基于集成深度学习的RVFL网络（edRVFL）和1-范数Universum双子RVFL（UTRVFL1-Norm）进行了比较。实证证据表明，所提技术既高效又可持续。所提出的UTPMRVFL在现实世界数据集和叶数据集上评估时，达到了94.65%的分类准确率、0.810的最大F1分数和0.905的曲线下面积（AUC）。实验研究表明，所提出的UTPMRVFL优于RVFL、TRVFL、TPMSVM、UTSVM、edRVFL、UTRVFL1-Norm和ATRVFL。

An efficient Universum-based twin parametric-margin random vector functional link classifier

摘要

期刊

机构