在线序贯极限学习机：融合数百个中间层特征
机器学习
2020-06-15 v1 计算机视觉与模式识别
神经与进化计算
摘要
本文提出了一种称为分层在线序贯学习算法（H-OS-ELM）的单隐层前馈网络算法，其融合了来自数百个中间层特征，该算法能够以固定或变化的块大小逐块学习。我们认为，由其他神经元产生的编码分布式信息所构成的高层神经元的多样选择性，在推理精度上提供了更好的计算优势。因此，本文提出了一种结合在线序贯学习算法的分层模型框架。首先，该模型由包含子网络神经元的子空间特征提取器组成，利用层次结构第一层中特征提取器产生的子特征，我们去除对学习无用的无关因素，并迭代此过程，从而将子特征重新注入分层模型，以处理为更可接受的认识。其次，通过使用 OS-Elm，我们采用非迭代方式进行学习，实现了一种更宽且浅的网络，这在泛化整体性能方面发挥重要作用，进而提升学习速度。
引用
@article{arxiv.2006.06893,
title = {Online Sequential Extreme Learning Machines: Features Combined From Hundreds of Midlayers},
author = {Chandra Swarathesh Addanki},
journal= {arXiv preprint arXiv:2006.06893},
year = {2020}
}