.png){kind=icon}
返回
Editorial: randomization-based deep and shallow learning algorithms
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2026.111467.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于随机化的学习方法通过固定模型内部部分转换并仅估计少量可训练参数，为完全迭代训练提供了一种高效的替代方案。该范式可显著减少训练时间和计算需求，同时保持有竞争力的预测性能。它还提供了一种独特的科学视角，可在无迭代学习的情况下研究神经系统的架构偏差和表征能力。本期特刊介绍了《基于随机化的深度与浅层学习算法》专题，汇集了12篇涵盖理论发展与架构设计、系统基准测试、混合深度-随机化模型、不确定性量化，以及在计算机视觉、神经影像学、可再生能源预测、工业过程建模、智能交通、 maritime safety 和网络科学等领域的应用。总体而言，这些论文表明基于随机化的学习正从一类浅层、计算高效的算法演变为深度、集成和不确定性感知系统的更广泛设计原则。该特刊还揭示了关于原理性随机特征设计、可重复基准测试、可扩展线性求解器、鲁棒性、校准、可解释性以及在流式和资源受限条件下的部署等开放性挑战。
期刊
C
IF:
4.9
论文数:
257
被引数:
0
机构
引用论文
.png){kind=icon}
Ironmaking process modeling uncertainty quantification via conformal prediction based on random vector functional link networks基于随机向量泛函链接网络的炼铁过程建模保形预测不确定性量化
PREAI
分享收藏Advancements in Alzheimer's disease classification using deep learning frameworks for multimodal neuroimaging: A comprehensive review使用深度学习框架对多模态神经影像进行阿尔茨海默病分类的进展: 综合综述
PREAI
分享收藏FuseNet: Attention-learning based MRI–PET slice fusion for Alzheimer’s diagnosisFuseNet：基于注意力学习的MRI-PET切片融合用于阿尔茨海默病诊断
PREAI
分享收藏
查看更多内容