用于分类的不确定性感知集成深度随机神经网络

arXiv:2608.10007v1 公告类型：新 摘要：当前最先进的 (SOTA) 深度随机神经网络，例如深度随机向量函数链接 (dRVFL) 和集成深度 RVFL (edRVFL)，统一处理所有训练样本，这限制了它们在应用于包含噪声和异常值的真实数据集时的鲁棒性和有效性。此外，受污染特征在隐藏层中的传播会对这些模型的决策能力产生负面影响。为了克服这些限制，我们提出了直觉模糊 dRVFL (IF-dRVFL) 和直觉模糊 edRVFL (IF-edRVFL) 框架来增强模型的鲁棒性。所提出的模型统一了直觉模糊理论，通过共同考虑每个样本的隶属度和非隶属度来利用核空间中的样本邻域信息。隶属度是根据样本与其各自类质心的距离计算的，而非隶属度则量化了局部邻域内的样本异质性。这些措施用于为训练样本分配自适应权重，从而能够有效地区分干净、噪声和异常数据点。在 UCI 和 KEEL 基准数据集上进行的大量实验（无论是否存在高斯噪声）证明了所提出的 IF-dRVFL 和 IF-edRVFL 模型相对于现有 SOTA 模糊和非模糊方法的优越性。源代码可在 https://github.com/mtanveer1/IF-edRVFL 获取。