基于Huber加权框架的鲁棒随机向量功能链接网络 R^2VFL
机器学习
2025-05-01 v1
摘要
随机向量功能链接（RVFL）神经网络在克服传统人工神经网络的限制方面显示出巨大的潜力，如计算时间过长和最优解不佳的问题。然而，RVFL 在处理噪声和离群值时面临挑战，因为其假设所有数据样本贡献相等。为此，我们提出一种新型鲁棒框架 R2VFL，即结合Huber加权函数和类别概率的RVFL，通过有效减轻训练数据中噪声和离群值的影响，增强了模型的鲁棒性和适应性。Huber加权函数降低了离群值的影响，而类别概率机制则对噪声数据点赋予更小的权重，从而构建更具韧性的模型。我们探讨了R2VFL框架中计算类别中心的两种方法：一种是所有数据点在每个类别中的简单平均值，另一种是每个特征的中位数，后者通过最小化极端值影响，提供了更鲁棒的替代方案。这些方法产生了两种新型模型变体——R2VFL-A 和 R2VFL-M。我们在47个UCI数据集上广泛评估了所提出的模型，涵盖二分类和多分类数据集，并进行严格的统计测试，确认了所提出模型的优越性。值得注意的是，这些模型在对EEG信号分类方面也表现出色，凸显了其在现实医学生物学领域的实际应用前景。
引用
@article{arxiv.2504.21069,
title = {R^2VFL: A Robust Random Vector Functional Link Network with Huber-Weighted Framework},
author = {Anuradha Kumari and Mushir Akhtar and P. N. Suganthan and M. Tanveer},
journal= {arXiv preprint arXiv:2504.21069},
year = {2025}
}