广随机配置残差学习系统：实现范数收敛的通用逼近
机器学习
2025-11-21 v1
摘要
通用逼近是神经网络学习算法的基础。然而，一些网络通过证明迭代误差以概率测度收敛（而非更严格的范数收敛）来建立其通用逼近性质，这使得随机学习网络的通用逼近性质对随机参数选择高度敏感。Broad residual learning system（BRLS）作为随机学习模型之一，也面临这一问题。我们理论上证明了其通用逼近性质的局限性，即若随机参数选择不当且收敛速率满足特定条件，迭代误差不满足范数收敛。为此，我们提出broad stochastic configuration residual learning system（BSCRLS）算法，该算法基于BRLS框架，引入新颖的监督机制，自适应约束随机参数的取值范围。进一步，我们基于更严格的范数收敛证明了BSCRLS的通用逼近定理。 presented three versions of incremental BSCRLS algorithms to meet various network update requirements. 在公开可用数据集上进行太阳能电池板灰尘检测实验，并与13种深度和广学习算法进行比较。实验结果揭示了BSCRLS算法的有效性和优越性。
引用
@article{arxiv.2511.16550,
title = {Broad stochastic configuration residual learning system for norm-convergent universal approximation},
author = {Han Su and Zhongyan Li and Wanquan Liu},
journal= {arXiv preprint arXiv:2511.16550},
year = {2025}
}