鲁棒双模型协作随机向量功能链路网络

arXiv:2608.13628v1 公告类型：新 摘要：随机向量函数链接（RVFL）网络是轻量级且快速的神经模型，通过随机隐藏层权重和直接输入输出连接提供高效的训练和强大的泛化能力。然而，传统的 RVFL 模型对噪声标签、异常值和不平衡数据很敏感，这限制了它们在实际应用中的性能。为了解决这些挑战，我们提出了基于内核风险敏感平均 p-power 的 RVFL (KRPRVFL) 模型，该模型将 RVFL 的计算效率与内核风险敏感平均 p-power (KRP) 标准的鲁棒性相结合。通过用基于 KRP 的损失替换标准最小二乘目标，KRPRVFL 自适应地减少训练期间损坏或不可靠样本的影响，从而提高稳定性和泛化能力。此外，还引入了协作学习机制，以实现模型组件之间的自适应交互，进一步增强在复杂和嘈杂环境中的鲁棒性。所提出的框架还利用内核诱导的特征映射来捕获非线性关系，而不需要显式的隐藏层选择，从而保持效率和可扩展性。对 UCI 和 KEEL 基准数据集的大量实验表明，KRPRVFL 在准确性、鲁棒性和统计显着性方面始终优于基线模型，突显了其作为快速、可扩展且可靠的解决方案来应对具有挑战性的分类任务的有效性。