直觉模糊宽度学习系统：增强对噪声与离群点的鲁棒性
机器学习
2024-05-17 v2
摘要
在数据分类领域，宽度学习系统（BLS）已被证明是一种利用逐层前馈神经网络的强力工具。然而，传统 BLS 将所有样本视为同等重要，这使其对含有噪声与离群点的真实世界数据集鲁棒性较差且效果欠佳。为解决此问题，我们提出模糊宽度学习系统（F-BLS）与直觉模糊宽度学习系统（IF-BLS）模型，以应对数据集中噪声与离群点带来的挑战并增强整体鲁棒性。所提 F-BLS 模型采用模糊隶属度技术，在 BLS 框架的固有特征空间内基于各分类中心的邻近度嵌入样本邻域信息。此外，所提 IF-BLS 模型引入涵盖隶属度、非隶属度与得分值函数的直觉模糊概念。IF-BLS 在核空间中策略性地考量样本邻域的同质性与异质性。我们在带与不带高斯噪声的 UCI 基准数据集上评估了所提 F-BLS 与 IF-BLS 模型的性能。作为应用，我们实现所提 F-BLS 与 IF-BLS 模型以诊断阿尔茨海默病（AD）。实验结果和统计分析一致凸显了所提 F-BLS 与 IF-BLS 模型在所有场景下相对于基线模型的优越泛化能力。所提模型为增强 BLS 框架处理噪声与离群点的能力提供了有前景的方案。所提模型的源代码链接见 https://github.com/mtanveer1/IF-BLS。
引用
@article{arxiv.2307.08713,
title = {Intuitionistic Fuzzy Broad Learning System: Enhancing Robustness Against Noise and Outliers},
author = {M. Sajid and A. K. Malik and M. Tanveer},
journal= {arXiv preprint arXiv:2307.08713},
year = {2024}
}