論文の概要: Robust Broad Learning System with Wave Loss for Classification under Data Uncertainty

• arxiv url: http://arxiv.org/abs/2608.29983v1
• Date: Sun, 30 Aug 2026 19:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.141211
• Title: Robust Broad Learning System with Wave Loss for Classification under Data Uncertainty
• Title（参考訳）: データ不確実性を考慮したウェーブロスを用いたロバストブロードラーニングシステム
• Abstract要約: 非対称で有界でスムーズなウェーブロス関数を統合する,堅牢な広範学習フレームワークであるWave-BLSを提案する。 30のUCIベンチマークデータセットでの実験では、Wave-BLSは古典的BLSといくつかの堅牢な亜種を一貫して上回っている。 これらの結果により、Wave-BLSは、データ不確実性の下で学習するための既存の広範学習モデルの安定かつ堅牢な代替品として確立される。
• 参考スコア（独自算出の注目度）: 6.199165061105653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Broad Learning System (BLS) offers an efficient alternative to deep architectures by enabling fast learning through randomized feature mapping and closed-form solutions. However, its reliance on squared error loss makes it highly sensitive to noise, outliers, and corrupted labels, limiting its reliability in real-world scenarios. To address this limitation, we propose Wave-BLS, a robust broad learning framework that integrates the wave loss function, which is asymmetric, bounded, and smooth, enabling controlled penalization of large errors. The proposed formulation replaces the standard least-squares objective with a wave-loss-based optimization problem, solved efficiently using a Nesterov accelerated gradient (NAG)-based scheme without requiring matrix inversion, thereby improving scalability. Extensive experiments on 30 UCI benchmark datasets demonstrate that Wave-BLS consistently outperforms classical BLS and several robust variants. Statistical validation using Friedman and Nemenyi post-hoc tests confirms the significance of the observed improvements. Furthermore, robustness evaluations under controlled noise and outlier injection reveal that Wave-BLS exhibits substantially slower performance degradation compared to BLS, even in challenging contamination settings. These results establish Wave-BLS as a stable and robust alternative to existing broad learning models for learning under data uncertainty.
• Abstract（参考訳）: Broad Learning System(BLS)は、ランダム化された特徴マッピングとクローズドフォームソリューションによる高速な学習を可能にすることによって、ディープアーキテクチャの効率的な代替手段を提供する。 しかし、二乗誤差損失に依存するため、ノイズ、外れ値、ラベルの破損に非常に敏感になり、現実のシナリオでの信頼性が制限される。 この制限に対処するために,非対称で有界でスムーズな波動損失関数を統合し,大きなエラーの制御されたペナル化を可能にする,堅牢な広範学習フレームワークであるWave-BLSを提案する。 提案した定式化法は、最小二乗の目的をウェーブロスに基づく最適化問題に置き換え、行列逆転を必要とせず、ネステロフ加速勾配(NAG)に基づくスキームを効率的に解き、スケーラビリティを向上する。 30のUCIベンチマークデータセットに対する大規模な実験は、Wave-BLSが古典的BLSといくつかの堅牢なバリエーションを一貫して上回っていることを示している。 Friedman と Nemenyi のポストホックテストによる統計的検証は、観察された改善の意義を裏付けるものである。 さらに, 消音条件下でのロバスト性評価の結果, Wave-BLS は, 汚染条件が厳しい場合でも, BLS よりも性能劣化が著しく遅いことが明らかとなった。 これらの結果により、Wave-BLSは、データ不確実性の下で学習するための既存の広範学習モデルの安定かつ堅牢な代替品として確立される。

関連論文リスト

• IFW-BLS: Dual-Robust Broad Learning System with Intuitionistic Fuzzy Wave Loss [7.2201008524483585]
  ブロードラーニングシステムは、特徴ノードと拡張ノードを通じてネットワーク幅を拡大する効率的なランダム化学習モデルである。 しかし、その標準の最小二乗訓練は、2つの異なる方法で脆弱である: (i) ノイズ、外れ値、または破損したラベルによって引き起こされる大きな残留物が目的を支配でき、 (ii) 全てのサンプルは、曖昧または局所的に矛盾している地域にある場合でも、等しく信頼できるものとして扱われる。 本稿では,直観的ファジィウェーブブロードラーニングシステムIFW-BLSを提案する。
  論文  参考訳（メタデータ） (2026-09-02T10:42:24Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
  屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。 非視界条件下では測定信頼性が著しく低下する。 慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
  論文  参考訳（メタデータ） (2026-03-06T03:12:52Z)
• 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)
• Noisy Analysis of Quantum SMOTE on Condition Monitoring and Fault Classification in Industrial and Energy Systems [0.5505634045241289]
  不均衡機械学習モデルは、産業状況の監視と故障分類パイプラインにおける根本的な問題である。 この研究は、クラス不均衡緩和の下での古典的分類器の詳細なベンチマークと調査を示す。 その結果,QSMOTEは分布スキューを一貫して補正し,非線形分類器の性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2026-01-16T16:44:38Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• Introducing Fractional Classification Loss for Robust Learning with Noisy Labels [2.312414367096445]
  適応的ロバスト損失であるフラクタル分類損失 (FCL) を導入し, トレーニング中, ラベルノイズに対するロバストさを自動的に校正する。 FCLは手動のハイパーパラメータチューニングを必要とせずに最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-08-08T14:20:52Z)
• Wave-RVFL: A Randomized Neural Network Based on Wave Loss Function [0.0]
  本稿では,ウェーブロス関数を組み込んだ RVFL モデル Wave-RVFL を提案する。 Wave-RVFLは、偏差の過料金化を防ぎ、ノイズや外れ値に対する堅牢性を示す。 実験結果から,Wave-RVFLの性能とロバスト性は,ベースラインモデルよりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2024-08-05T20:46:54Z)
• 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)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)

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。