論文の概要: ECA-BLS: An Efficient Complex-Augmented Broad Learning System
- arxiv url: http://arxiv.org/abs/2608.29763v1
- Date: Sun, 30 Aug 2026 12:50:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.059072
- Title: ECA-BLS: An Efficient Complex-Augmented Broad Learning System
- Title（参考訳）: ECA-BLS:効率的な複合強化型ブロードラーニングシステム
- Abstract要約: ブロードラーニングシステム(BLS)は、高速な訓練、分析学習、限られたデータの下での強力な一般化により、ディープアーキテクチャの効率的な代替手段である。
以前のBLSモデルは、データが複雑なドメインに埋め込まれた時に自然に現れる完全な2階統計を完全に活用するものではない。
本稿では,実数値入力を位相符号化された複素表現に変換する,最初の複合的拡張型ブロードラーニングシステム(CA-BLS)を提案する。
- 参考スコア（独自算出の注目度）: 8.19984844136462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Broad Learning System (BLS) is an efficient alternative to deep architectures due to its fast training, analytical learning, and strong generalization under limited data. However, existing BLS variants are confined to real-valued representations, restricting their ability to capture nonlinear interactions and second-order statistical dependencies inherent in real-world data. Notably, no prior BLS model fully exploits the complete second-order statistics that naturally emerge when data are embedded in the complex domain. To address this limitation, this paper introduces the first complex augmented Broad Learning System (CA-BLS), which transforms real-valued inputs into phase-encoded complex representations and adopts widely linear modeling to jointly leverage covariance and pseudo-covariance information via complex conjugate augmentation. This enables effective modeling of latent nonlinearities, coherence structures, and second-order dependencies inaccessible to conventional BLS formulations. To mitigate the additional computational cost of complex augmentation, an Efficient Complex Augmented BLS (ECA-BLS) is further developed, reformulating CA-BLS entirely in the real domain while preserving its exact decision function, achieving up to 75\% fewer multiplications and over 60\% fewer additions. A rigorous theoretical analysis proves the mathematical equivalence between CA-BLS and ECA-BLS, ensuring zero theoretical loss. Extensive experiments on 26 benchmark datasets from the UCI and KEEL repositories demonstrate that ECA-BLS consistently outperforms classical BLS and recent state-of-the-art randomized neural networks in accuracy, average rank, and statistical significance, establishing augmented second-order modeling as a critical and previously missing dimension of BLS research.
- Abstract（参考訳）: ブロードラーニングシステム(BLS)は、高速な訓練、分析学習、限られたデータの下での強力な一般化により、ディープアーキテクチャの効率的な代替手段である。
しかし、既存のBLS変種は実数値表現に限られており、実世界のデータに固有の非線形相互作用や2階統計依存を捉える能力を制限する。
特に、以前のBLSモデルは、データが複雑なドメインに埋め込まれたときに自然に現れる完全な2階統計を完全に活用していない。
この制限に対処するため,本研究では,実数値入力を位相符号化された複素表現に変換し,共分散と擬共分散情報を複合共役拡張を通じて協調的に活用する,最初の複合拡張広帯域学習システム(CA-BLS)を提案する。
これにより、遅延非線形性、コヒーレンス構造、および従来のBLSの定式化に到達できない2階依存の効果的なモデリングが可能になる。
複素増倍による計算コストの増大を緩和するため、効率の良い複素増倍 BLS (ECA-BLS) がさらに開発され、CA-BLSは正確な決定関数を保ちながら実際の領域で完全に再構成され、最大75倍の乗算と60倍以上の加算が達成される。
厳密な理論解析はCA-BLSとECA-BLSの数学的等価性を証明し、理論的な損失をゼロにする。
UCIとKEELリポジトリの26のベンチマークデータセットに対する大規模な実験により、ECA-BLSは古典的BLSと最近の最先端のランダム化ニューラルネットワークの精度、平均ランク、統計的重要性を一貫して上回り、BLS研究の重要かつ以前欠落していた次元として強化された2次モデリングを確立した。
関連論文リスト
- SMI: Efficient Self-Supervised Learning via Mutual-Information-Inspired Dependency Optimization [8.864968998286772]
自己教師付き学習(SSL)は、卓越した表現学習性能を達成した。
既存の多くのメソッドは、大きなバッチサイズ、メモリバンク、モーメントエンコーダ、あるいはグローバル同期機構に依存している。
本稿では,相互情報に触発された依存性の定式化から導かれる軽量な自己教師対象であるセマンティック・ミューチュアル・インフォメーション(SMI)を提案する。
論文 参考訳（メタデータ） (2026-06-06T20:50:04Z) - Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。
既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。
本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
論文 参考訳（メタデータ） (2026-03-09T03:18:26Z) - A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。
ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。
本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T18:48:21Z) - Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。
この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-01-12T05:43:20Z) - Opinion Mining and Analysis Using Hybrid Deep Neural Networks [0.0]
本稿では、双方向ゲート再帰ユニット(BGRU)とLSTM(Long Short-term memory)レイヤを組み合わせたハイブリッドディープニューラルネットワークモデルを導入し、感情分析を改善する。
私たちのモデルは、ネガティブな感情をリコールする際の注目すべき改善を示し、86%(バランスの取れていないデータセット)から96%(バランスのとれたデータセット)にエスカレートした。
論文 参考訳（メタデータ） (2025-11-16T19:04:44Z) - Boundary-Guided Policy Optimization for Memory-efficient RL of Diffusion Large Language Models [53.339700196282905]
大きな言語モデル(dLLM)に強化学習を適用する上で重要な課題は、その可能性関数の抽出性である。
本稿では,ELBOに基づく目的の特別に構築された下界を最大化するメモリ効率のRLアルゴリズムを提案する。
実験によると、BGPOは数学の問題解決、コード生成、計画タスクにおいて、dLLMの以前のRLアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-10-13T17:47:50Z) - Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。
被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
論文 参考訳（メタデータ） (2025-09-27T10:51:42Z) - NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。
提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。
実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-06-11T06:59:17Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Intuitionistic Fuzzy Broad Learning System: Enhancing Robustness Against Noise and Outliers [0.0]
本稿では,ファジィ広範学習システム (F-BLS) と直観的ファジィ広範学習システム (IF-BLS) モデルを提案する。
アルツハイマー病(AD)の診断のためのF-BLSモデルとIF-BLSモデルを実装した。
論文 参考訳（メタデータ） (2023-07-15T21:40:36Z) - 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)
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。