論文の概要: Robust Dual-Model Collaborative Random Vector Functional Link Network
- arxiv url: http://arxiv.org/abs/2608.13628v1
- Date: Thu, 13 Aug 2026 06:40:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.172305
- Title: Robust Dual-Model Collaborative Random Vector Functional Link Network
- Title（参考訳）: ロバストデュアルモデル協調ランダムベクトル機能リンクネットワーク
- Abstract要約: ランダムベクトル汎関数リンク(RVFL)ネットワークは、効率的なトレーニングと強力な一般化を提供する軽量で高速なニューラルモデルである。
本稿では,カーネルリスクに敏感な平均pパワー基準の堅牢性とRVFLの計算効率を統合する,カーネルリスクに敏感な平均pパワーベースRVFL(KRPRVFL)モデルを提案する。
UCIとKEELベンチマークデータセットの実験では、KRPRVFLは精度、堅牢性、統計的重要性の点で、ベースラインモデルよりも一貫して優れていた。
- 参考スコア（独自算出の注目度）: 5.880615563459319
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Random vector functional link (RVFL) networks are lightweight and fast neural models that offer efficient training and strong generalization through randomized hidden-layer weights and direct input-output connections. However, conventional RVFL models are sensitive to noisy labels, outliers, and imbalanced data, which limits their performance in real-world applications. To address these challenges, we propose the kernel risk-sensitive mean p-power based RVFL (KRPRVFL) model, which integrates the computational efficiency of RVFL with the robustness of the kernel risk-sensitive mean p-power (KRP) criterion. By replacing the standard least-squares objective with a KRP-based loss, KRPRVFL adaptively reduces the influence of corrupted or unreliable samples during training, resulting in improved stability and generalization. Additionally, a collaborative learning mechanism is introduced to enable adaptive interaction among model components, further enhancing robustness in complex and noisy environments. The proposed framework also leverages kernel-induced feature mapping to capture nonlinear relationships without requiring explicit hidden-layer selection, maintaining both efficiency and scalability. Extensive experiments on UCI and KEEL benchmark datasets demonstrate that KRPRVFL consistently outperforms baseline models in terms of accuracy, robustness, and statistical significance, highlighting its effectiveness as a fast, scalable, and reliable solution for challenging classification tasks.
- Abstract（参考訳）: ランダムベクトル汎関数リンク(RVFL)ネットワークは、ランダム化された隠れ層重みと直接入力出力接続による効率的なトレーニングと強力な一般化を提供する軽量で高速なニューラルモデルである。
しかし、従来のRVFLモデルはノイズの多いラベル、外れ値、不均衡なデータに敏感であり、現実のアプリケーションでは性能が制限される。
これらの課題に対処するために, RVFL の計算効率とカーネルリスク感応平均 p 電力(KRP) 基準の堅牢性を統合するカーネルリスク感応平均 p 電力ベース RVFL (KRPRVFL) モデルを提案する。
標準の最小二乗目標をKRPベースの損失に置き換えることで、KRPRVFLはトレーニング中に破損したサンプルや信頼性の低いサンプルの影響を適応的に低減し、安定性と一般化が向上する。
さらに、モデルコンポーネント間の適応的な相互作用を可能にするための協調学習機構を導入し、複雑でノイズの多い環境におけるロバスト性をさらに強化する。
提案するフレームワークは,カーネルが引き起こした特徴マッピングを利用して,明示的な隠蔽層選択を必要とせず,効率とスケーラビリティを両立させる。
UCIとKEELベンチマークデータセットの大規模な実験により、KRPRVFLは、精度、堅牢性、統計的重要性の点で、ベースラインモデルよりも一貫して優れており、その有効性を、高速でスケーラブルで信頼性の高い、分類タスクのためのソリューションとして強調している。
関連論文リスト
- Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - CAMP-HiVe: Cyclic Pair Merging based Efficient DNN Pruning with Hessian-Vector Approximation for Resource-Constrained Systems [3.343542849202802]
CAMP-HiVeは,Hessian Vector近似を用いたサイクリックペアマージベースプルーニングである。
実験により,提案手法が計算要求の大幅な削減を実現することを示す。
既存の最先端のニューラルプルーニング法よりも優れています。
論文 参考訳（メタデータ） (2025-11-09T07:58:36Z) - NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。
構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。
Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
論文 参考訳（メタデータ） (2025-09-17T17:59:00Z) - R^2VFL: A Robust Random Vector Functional Link Network with Huber-Weighted Framework [0.5892638927736115]
ランダムベクトル汎関数リンク(RVFL)ニューラルネットワークは、従来の人工ニューラルネットワークの制約を克服する大きな可能性を示している。
本稿では,ハマー重み関数とクラス確率を持つ新しいフレームワーク,R2VFL,RVFLを提案する。
提案したモデルを47のUCIデータセット上で広範囲に評価し,厳密な統計的検証を行い,提案モデルの優位性を確認した。
論文 参考訳（メタデータ） (2025-04-29T14:20:23Z) - Adaptive Pruning with Module Robustness Sensitivity: Balancing Compression and Robustness [7.742297876120561]
本稿では, 対向摂動に対する層次感度を定量化する新しい計量法であるModule Robustness Sensitivity (MRS)を紹介する。
本稿では,任意の対向学習法に適合する適応型プルーニングアルゴリズムであるModule Robust Pruning and Fine-Tuning (MRPF)を提案する。
論文 参考訳（メタデータ） (2024-10-19T18:35:52Z) - Advancing RVFL networks: Robust classification with the HawkEye loss function [0.0]
本稿では,Randomベクトル関数リンク(RVFL)フレームワークにHawkeEye損失(H-loss)関数を組み込むことを提案する。
H-loss関数は、滑らかさと有界性を含む優れた数学的特性を特徴とし、同時に非感性ゾーンを組み込む。
提案したH-RVFLモデルの有効性は、UCIおよびKEELレポジトリから40ドルのデータセットで実験することで検証される。
論文 参考訳（メタデータ） (2024-10-01T08:48:05Z) - Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。
近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。
本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-03-05T09:18:29Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z)
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。