面向数据流的简约随机向量函数链接网络
神经与进化计算
2018-02-06 v2 机器学习
摘要
随机向量函数链接网络(RVFLN)理论为神经网络(NNs)的设计带来了突破，因为它提供了随机化学习的坚实理论依据。现有的RVFLN工作难以扩展到数据流分析，因为它们固有的复杂性问题，缺乏结构学习场景。本文提出一类新型RVFLN，即简约随机向量函数链接网络(pRVFLN)。pRVFLN具有开放结构范式，其网络结构可以从头构建，并可根据被建模系统的非线性程度和时间变化特性自动生成。pRVFLN配备了复杂度降低场景，可以剪枝无关紧要的隐藏节点并动态选择输入特征。pRVFLN提出了一种在线主动学习机制，加速了训练过程并减轻了操作者的标注负担。此外，pRVFLN引入了一种非参数类型的隐藏节点，使用区间值数据云开发。该隐藏节点完全反映真实数据分布，不受特定聚类形状约束。pRVFLN的所有学习过程遵循严格的单遍学习模式，适用于在线实时部署。pRVFLN的功效通过大量仿真和与最先进算法的比较得到严格验证，产生了最令人鼓舞的数值结果。此外，研究了pRVFLN的鲁棒性，并对随机参数的范围得出了新结论，该范围对随机化学习的成功起着至关重要的作用。
引用
@article{arxiv.1704.02789,
title = {Parsimonious Random Vector Functional Link Network for Data Streams},
author = {Mahardhika Pratama and Plamen P. Angelov and Edwin Lughofer},
journal= {arXiv preprint arXiv:1704.02789},
year = {2018}
}
备注
this paper is submitted for publication in Information Sciences