Fast sparse supervised learning framework with BLinex loss function

Tiantian Jiang

doi:10.1016/j.neunet.2026.108843

Fast sparse supervised learning framework with BLinex loss function

2026-03-18

0

PRE

AI

DOI：10.1016/j.neunet.2026.108843

原文链接

原文求助

摘要

En 中文

本文提出了一种新颖的学习模型，即Lp-norm sparse Blinex Twin Extreme Learning Machine（PBLTELM），该模型在相对大规模数据分类中高效且准确。所提出的框架包含三个关键创新：整合了鲁棒的Blinex损失函数以增强泛化能力，采用Lp-norm（0 < p < 1）稀疏约束来近似L0-norm解并确保计算可行性，以及开发了一种双层优化策略，该策略结合迭代权重更新与自适应矩估计（Adam）算法，以解决由此产生的非凸和非光滑问题。理论分析用于验证收敛至局部平稳点，这确保了计算效率与模型准确性，这些特性对于相对大规模应用尤为关键。通过在多样化基准上进行了全面的经验评估，包括二维人工数据集、CMU面部表情数据集、12个UCI数据集和7个相对大规模的libsvm数据集，以评估PBLTELM的性能。结果表明，与当前最先进方法相比，分类准确率和计算速度均实现了统计学上的显著提升，证实PBLTELM可作为相对大规模分类任务的规模化且具有竞争力的解决方案。

Keyword:

PBLTELM

Lp-norm sparsity

Blinex loss function

twin extreme learning machine

large-scale classification

Fast sparse supervised learning framework with BLinex loss function

摘要

期刊

机构

引用论文