.png){kind=icon}
返回
Online learning with a hedge-based random vector functional link network using multi-forgetting factors
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132409.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随机化网络近年来在流数据分类中显示出巨大潜力。然而，它们在适应概念漂移方面往往难以有效调整，而概念漂移是非平稳环境机器学习中的主要挑战。尽管引入遗忘因子可以缓解这一问题，但它通常会损害模型的学习能力，并通过加剧病态问题导致数值不稳定，从而限制了实际应用。为解决这些局限性，本文提出了一种基于Hedge的具有多遗忘因子的随机向量功能链接网络（HRVFLM）。所提出的HRVFLM根据实时性能动态调整逐层的遗忘因子，并采用Hedge加权集成策略。这一策略有效平衡了模型在概念漂移下的适应性及其在稳定期的学习能力，从而提升了带有概念漂移数据流的整体分类性能。此外，HRVFLM采用一种修正岭回归方法，持续调整正则化因子，有效解决了病态问题并确保数值稳定性。在19个基准数据集上的广泛实验表明，HRVFLM在11个数据集上优于当前最先进的方法。值得注意的是，本研究的修正岭回归方法不仅比伪逆解提高了准确性，还将训练时间减少了79%，凸显了其计算效率。此外，该回归方法具有可扩展性，可扩展至现有的随机化网络以进一步提升其性能。源代码可访问：https://github.com/mlmmwym/edRVFLM。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Entropy-based fuzzy 1norm twin random vector functional link networks for binary class imbalance learning基于熵的模糊1范数双子随机向量函数链接网络用于二元类别不平衡学习
PREAI
分享收藏Adaptive online extreme learning machine by regulating forgetting factor by concept drift map.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Stochastic choice of basis functions in adaptive function approximation and the functional-link net
PREAI
分享收藏分享收藏分享收藏
查看更多内容