論文の概要: RoBell-RVFL: A Robust Generalized Bell Random Vector Functional Link Network

• arxiv url: http://arxiv.org/abs/2608.16965v1
• Date: Mon, 17 Aug 2026 06:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.079476
• Title: RoBell-RVFL: A Robust Generalized Bell Random Vector Functional Link Network
• Title（参考訳）: RoBell-RVFL:ロバストな一般化ベルランダムベクトル関数リンクネットワーク
• Abstract要約: 本稿では,ランダム化モデルがクラス不均衡およびノイズデータをどのように扱うかを再定義する,等式を考慮した一般化ベル乱数ベクトル関数リンクネットワークを提案する。 RoBell-RVFLは、単位重みを使ってマイノリティクラス情報を厳密に保存する二重ストラテジーなサンプルレベルの重み付け機構を採用している。 ローカルクラス確率とクラス分布情報を学習プロセスに明示的に組み込むことで、RVFLネットワークのクローズドフォーム学習効率を犠牲にすることなく、サンプルコントリビューションに対する適応制御を実現する。
• 参考スコア（独自算出の注目度）: 4.882062728939984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dominance of majority classes in real-world datasets poses a fundamental challenge to randomized neural networks, often biasing decision boundaries and overlooking critical minority samples. Existing remedies, such as synthetic minority over-sampling (SMOTE) and class-weighted loss functions, primarily address class proportions while neglecting intra-class distribution, making them vulnerable to label noise and outliers. In this paper, we propose \textbf{RoBell-RVFL}, a robust and lightweight \emph{quality-aware} generalized bell random vector functional link network that redefines how randomized models handle class imbalance and noisy data. RoBell-RVFL employs a dual-strategy, sample-level weighting mechanism that strictly preserves minority class information using unit weights, while adaptively regulating the influence of majority class samples through a probability-weighted generalized bell (gbell) membership function in a kernel-induced feature space. This design effectively suppresses noisy, boundary, and outlier samples within the majority class, enabling the network to learn from informative samples rather than merely abundant ones. By explicitly incorporating local class probability and class distribution information into the learning process, RoBell-RVFL achieves adaptive control over sample contributions without sacrificing the closed-form learning efficiency of RVFL networks. Extensive evaluations on UCI and KEEL benchmark datasets, along with robustness tests under up to 40\% label noise, demonstrate that RoBell-RVFL consistently and significantly outperforms recent state-of-the-art RVFL variants. The results indicate that adaptive, quality-aware sample weighting is essential for robust RVFL learning, rendering conventional global weighting schemes ineffective in noisy and imbalanced environments.
• Abstract（参考訳）: 実世界のデータセットにおける多数派クラスの優位性は、ランダム化されたニューラルネットワークに根本的な課題をもたらし、しばしば決定境界を偏り、重要なマイノリティサンプルを見渡す。 SMOTE(Synthetic minor over-sampling)やクラス重み付き損失関数(class-weighted loss function)のような既存の治療法は、主にクラス内分布を無視しながらクラス比に対処し、ラベルノイズやアウトリーチに弱い。 本稿では,ランダム化モデルがクラス不均衡やノイズの多いデータをどう扱うかを再定義する,頑健で軽量なベル型乱数ベクトル関数リンクネットワークである‘textbf{RoBell-RVFL} を提案する。 RoBell-RVFLはデュアルストラテジーなサンプルレベル重み付け機構を採用し、単位重み付けを用いてマイノリティクラス情報を厳密に保存すると同時に、カーネル誘起特徴空間における確率重み付き一般化ベル(gbell)メンバシップ関数を通じて、多数クラスサンプルの影響を適応的に制御する。 この設計は、多数クラス内のノイズ、境界、および外れ値のサンプルを効果的に抑制し、ネットワークが単に豊富なサンプルではなく、情報的なサンプルから学習できるようにする。 ローカルクラス確率とクラス分布情報を学習プロセスに明示的に組み込むことで、RVFLネットワークのクローズドフォーム学習効率を犠牲にすることなく、サンプルコントリビューションに対する適応制御を実現する。 UCIとKEELベンチマークデータセットの大規模な評価と、最大40倍のラベルノイズ下での堅牢性テストは、RoBell-RVFLが一貫して、最新の最先端のRVFLよりも大幅に向上していることを示している。 その結果、適応的で品質に配慮したサンプル重み付けは、ロバストなRVFL学習には不可欠であり、従来のグローバル重み付け方式はノイズや不均衡環境では効果がないことが示唆された。

関連論文リスト

• Uncertainty-Aware Ensemble Deep Randomized Neural Networks for Classification [8.383154705659596]
  モデルロバスト性を高めるために,直観的ファジィdRVFL (IF-dRVFL) と直観的ファジィedRVFL (IF-edRVFL) フレームワークを提案する。 提案したモデルは直観論的ファジィ理論を統一し、カーネル空間のサンプル近傍情報を利用する。 UCIおよびKEELベンチマークデータセットを用いて行った実験は、既存のSOTAファジィおよび非ファジィアプローチよりも提案されたIF-dRVFLとIF-edRVFLモデルの方が優れていることを示した。
  論文  参考訳（メタデータ） (2026-08-07T21:37:56Z)
• 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)
• Anchor-based oversampling for imbalanced tabular data via contrastive and adversarial learning [2.7446241148152253]
  不均衡データは、一方のクラス(マイノリティ)が他方(マイノリティ)よりも多く処理された周波数の分布を表す。 不均衡学習では、分類アルゴリズムは通常、多数派を正確に分類する傾向があり、結果として人工的に高い精度が得られる。 本研究では,不均衡学習課題に取り組むために,境界アンカーサンプルに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T11:25:21Z)
• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural Network for Class Imbalance Learning [4.069144210024564]
  クラス不均衡学習(GE-IFRVFL-CIL)モデルのためのグラフ埋め込み直観的ファジィRVFLを提案する。 提案したGE-IFRVFL-CILモデルは、クラス不均衡問題に対処し、ノイズとアウトレーヤの有害な効果を軽減し、データセットの固有の幾何学的構造を保存するための有望な解決策を提供する。
  論文  参考訳（メタデータ） (2023-07-15T20:45:45Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
  雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。 Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。 さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
  論文  参考訳（メタデータ） (2023-01-02T07:13:28Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Imbalanced Data Learning by Minority Class Augmentation using Capsule Adversarial Networks [31.073558420480964]
  本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。 我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。 カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
  論文  参考訳（メタデータ） (2020-04-05T12:36:06Z)

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。