論文の概要: Broad stochastic configuration residual learning system for norm-convergent universal approximation
- arxiv url: http://arxiv.org/abs/2511.16550v1
- Date: Thu, 20 Nov 2025 17:02:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-21 17:08:52.744151
- Title: Broad stochastic configuration residual learning system for norm-convergent universal approximation
- Title（参考訳）: 標準収束的普遍近似のための広確率構成残差学習システム
- Authors: Han Su, Zhongyan Li, Wanquan Liu,
- Abstract要約: いくつかのネットワークは、反復誤差がより厳密なノルム収束よりも確率測度に収束することを証明することで、普遍近似特性を確立する。
本稿では,ランダムパラメータのレンジ設定を適応的に制約する新しいスーパーバイザ機構を特徴とする広域残差学習システム(BSCRLS)を提案する。
各種ネットワーク更新のアプリケーション要件を満たすために, インクリメンタルBSCRLSアルゴリズムの3つのバージョンが提示される。
- 参考スコア（独自算出の注目度）: 10.420058760012674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Universal approximation serves as the foundation of neural network learning algorithms. However, some networks establish their universal approximation property by demonstrating that the iterative errors converge in probability measure rather than the more rigorous norm convergence, which makes the universal approximation property of randomized learning networks highly sensitive to random parameter selection, Broad residual learning system (BRLS), as a member of randomized learning models, also encounters this issue. We theoretically demonstrate the limitation of its universal approximation property, that is, the iterative errors do not satisfy norm convergence if the selection of random parameters is inappropriate and the convergence rate meets certain conditions. To address this issue, we propose the broad stochastic configuration residual learning system (BSCRLS) algorithm, which features a novel supervisory mechanism adaptively constraining the range settings of random parameters on the basis of BRLS framework, Furthermore, we prove the universal approximation theorem of BSCRLS based on the more stringent norm convergence. Three versions of incremental BSCRLS algorithms are presented to satisfy the application requirements of various network updates. Solar panels dust detection experiments are performed on publicly available dataset and compared with 13 deep and broad learning algorithms. Experimental results reveal the effectiveness and superiority of BSCRLS algorithms.
- Abstract（参考訳）: 普遍近似はニューラルネットワーク学習アルゴリズムの基礎となる。
しかし、確率的誤差がより厳密なノルム収束よりも確率測度に収束することを示し、ランダムなパラメータ選択に非常に敏感なランダム化された学習ネットワークの普遍的な近似特性を示すネットワークもある。
理論的には、その普遍近似特性の極限、すなわち、確率パラメータの選択が不適切で収束率が一定の条件を満たす場合、反復誤差はノルム収束を満足しない。
この問題に対処するために,BRLSフレームワークに基づいてランダムパラメータの範囲設定を適応的に制約する新しいスーパーバイザ機構を特徴とする広帯域確率構成残差学習システム(BSCRLS)アルゴリズムを提案し,さらに,より厳密なノルム収束に基づくBSCRLSの普遍近似定理を証明した。
各種ネットワーク更新のアプリケーション要件を満たすために, インクリメンタルBSCRLSアルゴリズムの3つのバージョンが提示される。
ソーラーパネルダスト検出実験は、公開データセット上で実施され、13の深層学習アルゴリズムと比較される。
実験結果から,BSCRLSアルゴリズムの有効性と優位性が確認された。
関連論文リスト
- Function-Space Regularization in Neural Networks: A Probabilistic
Perspective [51.133793272222874]
所望の予測関数に関する情報をニューラルネットワークトレーニングに明示的にエンコードできる、モチベーションの高い正規化手法を導出できることが示される。
本手法の有効性を実証的に評価し,提案手法がほぼ完全なセマンティックシフト検出と高度に校正された予測不確実性推定に繋がることを示す。
論文 参考訳（メタデータ） (2023-12-28T17:50:56Z) - A unified consensus-based parallel ADMM algorithm for high-dimensional
regression with combined regularizations [3.280169909938912]
並列交互乗算器 (ADMM) は大規模分散データセットの処理に有効であることが広く認識されている。
提案アルゴリズムは,財務事例の信頼性,安定性,スケーラビリティを示す。
論文 参考訳（メタデータ） (2023-11-21T03:30:38Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳（メタデータ） (2023-07-01T18:35:21Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Orthogonal Stochastic Configuration Networks with Adaptive Construction
Parameter for Data Analytics [6.940097162264939]
ランダム性により、SCNは冗長で品質の低い近似線形相関ノードを生成する可能性が高まる。
機械学習の基本原理、すなわち、パラメータが少ないモデルでは、一般化が向上する。
本稿では,ネットワーク構造低減のために,低品質な隠れノードをフィルタする直交SCN(OSCN)を提案する。
論文 参考訳（メタデータ） (2022-05-26T07:07:26Z) - Supervised Multivariate Learning with Simultaneous Feature Auto-grouping
and Dimension Reduction [7.093830786026851]
本稿では,クラスタ化低ランク学習フレームワークを提案する。
2つの合同行列正則化を課し、予測因子を構成する特徴を自動的にグループ化する。
低ランクなモデリングよりも解釈可能であり、変数選択における厳密な空間性仮定を緩和する。
論文 参考訳（メタデータ） (2021-12-17T20:11:20Z) - Novel General Active Reliability Redundancy Allocation Problems and
Algorithm [1.5990720051907859]
信頼性冗長性割り当て問題(RRAP)は、システムの信頼性を最大化するために用いられる。
汎用RRAP(GRRAP)と呼ばれる新しいRRAPが提案され、シリーズ並列構造やブリッジネットワークをより一般的なネットワーク構造に拡張する。
提案された新しいGRRAPを解決するため、BAT-SSOA3と呼ばれる新しいアルゴリズムは、SSO(Swarm Optimization)を単純化してソリューションを更新した。
論文 参考訳（メタデータ） (2021-08-18T11:54:42Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - DessiLBI: Exploring Structural Sparsity of Deep Networks via
Differential Inclusion Paths [45.947140164621096]
逆スケール空間の差分包摂に基づく新しい手法を提案する。
DessiLBIが早期に「優勝チケット」を発表することを示す。
論文 参考訳（メタデータ） (2020-07-04T04:40:16Z) - Stochastic batch size for adaptive regularization in deep network
optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。
一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文 参考訳（メタデータ） (2020-04-14T07:54:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。