論文の概要: Spectral Stability of Pseudoinverse-Based Extreme Learning Machine

• arxiv url: http://arxiv.org/abs/2607.08581v1
• Date: Thu, 09 Jul 2026 15:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.576851
• Title: Spectral Stability of Pseudoinverse-Based Extreme Learning Machine
• Title（参考訳）: Pseudoinverse-based Extreme Learning Machineのスペクトル安定性
• Abstract要約: エクストリームラーニングマシンはムーア-ペンローズ擬似逆数を用いて出力重みを解析的に計算する。 本稿では,スペクトルの観点から,擬似逆型EMMについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme Learning Machine (ELM) computes output weights analytically using the Moore-Penrose pseudoinverse. Although this leads to fast training, its numerical stability depends strongly on the conditioning of the hidden layer matrix. This paper studies pseudoinverse-based ELM from a spectral perspective. We show that the smallest singular value governs perturbation amplification in the output weights, while the condition number provides a quantitative measure of hidden-layer instability. We compare SVD-based pseudoinverse computation with iterative hyperpower methods and discuss width-dependent conditioning through a random feature interpretation. Experiments on synthetic matrices and ELM benchmarks show that SVD-based methods remain the most reliable under ill conditioning, while iterative methods are more sensitive to spectral properties. The results suggest that ELM stability is fundamentally governed by the singular value structure of the hidden layer matrix.
• Abstract（参考訳）: エクストリームラーニングマシン(ELM)はムーア-ペンローズ擬似逆数を用いて出力重みを解析的に計算する。 これは高速な訓練につながるが、その数値安定性は隠れた層行列の条件付けに強く依存する。 本稿では,スペクトルの観点から,擬似逆型EMMについて検討する。 最小特異値は出力重みの摂動増幅を制御し, 条件番号は隠れ層不安定度を定量的に測定する。 SVDに基づく擬似逆計算と反復的超パワー法を比較し、ランダムな特徴解釈による幅依存条件付けについて議論する。 合成行列とEMMベンチマークの実験では、SVDベースの手法が最も信頼性が高いが、反復法はスペクトル特性に敏感である。 その結果,ELMの安定性は隠蔽層マトリックスの特異値構造によって根本的に制御されていることが示唆された。

関連論文リスト

• SOLVAR: Fast covariance-based heterogeneity analysis with pose refinement for cryo-EM [1.739627424017212]
  核電子顕微鏡(cryo-EM)は、高分子の3次元構造を解くための強力な技術として登場した。 低温EMの鍵となる課題は、分子がコンフォメーション状態の連続体を採用する連続的な不均一性を特徴づけることである。 共分散に基づく手法は、構造的変数をモデル化するための原則的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-02-19T18:28:46Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Quantum-Inspired Algorithm for Classical Spin Hamiltonians Based on Matrix Product Operators [0.18665975431697432]
  本稿では,量子状態のスペクトルフィルタリングとサンプリングに着想を得た古典的最適化問題に対するテンソルネットワーク(TN)アプローチを提案する。 我々は変換されたハミルトン作用素を行列積作用素(MPO)として表現し、切り離されたMPO-MPO縮約によってこの対象の巨大なパワーを形成する。 密度行列再正規化群とは対照的に,本手法は結合次元を増大させることにより体系的改善への直接的な経路を提供し,局所最小化を回避することができる。
  論文  参考訳（メタデータ） (2026-02-05T02:29:37Z)
• Structured Sparse Transition Matrices to Enable State Tracking in State-Space Models [68.31088463716269]
  状態空間モデル(SSM)における遷移行列の構造的スパースパラメトリゼーションを提案する。 我々の方法PD-SSMは、遷移行列をカラム1ホット行列(P$)と複素数値対角行列(D$)の積としてパラメータ化する。 このモデルは、様々なFSA状態追跡タスクにおいて、現代のSSMの多種多様なバリエーションを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-26T12:46:30Z)
• Absorb and Converge: Provable Convergence Guarantee for Absorbing Discrete Diffusion Models [66.0716790920952]
  吸収率行列を用いた離散拡散モデルに対する第1次有限時間誤差境界と収束速度解析を提供する。 我々は、吸収率行列の下での$tau$-leapingと均一化サンプリングの双方に対する最初の収束保証を確立する。 適切な仮定の下では、早期に停止することなく収束保証を提供する。
  論文  参考訳（メタデータ） (2025-06-02T23:14:35Z)
• Doubly Non-Central Beta Matrix Factorization for Stable Dimensionality Reduction of Bounded Support Matrix Data [1.9867801428140066]
  データ行列をタッカー表現に分解し、構成因子行列の列数が制約されないようにする。 タッカー分解のための計算効率の良いサンプリングアルゴリズムを導出する。 安定性の向上により、科学的仮説の生成とテストに構成因子が使用される場合の信頼性が向上する。
  論文  参考訳（メタデータ） (2024-10-24T04:24:47Z)
• Improving Expressive Power of Spectral Graph Neural Networks with Eigenvalue Correction [55.57072563835959]
  本稿では,繰り返し入力される固有値の制約からフィルタを解放する固有値補正手法を提案する。 具体的には、提案した固有値補正戦略により、固有値の均一分布が向上し、フィルタの適合能力と表現力が向上する。
  論文  参考訳（メタデータ） (2024-01-28T08:12:00Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Singular value decomposition based matrix surgery [0.0]
  ランダム行列の条件数を減らし,制御する手法を開発した。 良条件行列および不条件行列の点雲の持続的ホモロジー(PH)への影響について検討する。
  論文  参考訳（メタデータ） (2023-02-22T15:30:08Z)
• Learning Large Causal Structures from Inverse Covariance Matrix via Sparse Matrix Decomposition [2.403264213118039]
  本稿では,逆共分散行列から因果構造を学習することに焦点を当てる。 提案手法は,行列分解モデルの連続的最適化に基づくICIDと呼ばれる。 本研究では,ノイズ分散の知識を前提として,提案した指向性非巡回グラフ(DAG)を効率よく同定することを示す。
  論文  参考訳（メタデータ） (2022-11-25T16:32:56Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)

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。