論文の概要: IFW-BLS: Dual-Robust Broad Learning System with Intuitionistic Fuzzy Wave Loss
- arxiv url: http://arxiv.org/abs/2609.02422v1
- Date: Wed, 02 Sep 2026 10:42:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.23672
- Title: IFW-BLS: Dual-Robust Broad Learning System with Intuitionistic Fuzzy Wave Loss
- Title（参考訳）: IFW-BLS:直観的ファジィ・ウェーブ・ロスを用いたデュアルロバスト・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。
- 参考スコア（独自算出の注目度）: 7.2201008524483585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Broad Learning System is an efficient randomized learning model that expands network width through feature and enhancement nodes and estimates the output weights without deep backpropagation. Its standard least-squares training, however, is vulnerable in two different ways: (i) large residuals caused by noise, outliers, or corrupted labels can dominate the objective, and (ii) all samples are treated as equally reliable even when some lie in ambiguous or locally conflicting regions. This paper proposes IFW-BLS, an Intuitionistic Fuzzy Wave Broad Learning System that addresses these two sources of fragility within one optimization model. The first robustness mechanism is residual-level protection, obtained by replacing the squared loss with the bounded, smooth, and asymmetric wave loss. Boundedness prevents extreme residuals from receiving unbounded influence, while asymmetry allows positive and negative deviations to be penalized differently when the dominant error direction varies. The second mechanism is sample-level credibility control, obtained through intuitionistic fuzzy scores that combine global class-center consistency with local neighborhood conflict. The resulting model evaluates the wave loss on credibility-weighted residuals, so unreliable samples are down-weighted before the bounded loss further limits the effect of extreme errors. A Nesterov accelerated gradient based optimizer is used to solve the proposed objective, avoiding the explicit matrix inversion used in conventional BLS. Experiments on UCI benchmark datasets validate the superiority of the proposed IFW-BLS model over the baseline models; additional corruption experiments also show more stable performance than BLS under noise and outlier contamination.
- Abstract（参考訳）: ブロードラーニングシステムは、特徴と拡張ノードを通してネットワーク幅を広げ、深いバックプロパゲーションを伴わない出力重みを推定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。
一 騒音、外れ音、腐敗ラベルによる大きな残留物が目的を左右することができること。
二 すべてのサンプルは、不明瞭な地域や地方に矛盾する地域であっても、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。
第1のロバスト性機構は残留レベル保護であり、正方形損失を有界、滑らか、非対称波損失に置き換える。
境界性は、極端残差が非有界な影響を受けるのを防ぐ一方、非対称性は、支配的な誤差方向が変化するときに、正と負のずれを異なる形で罰することを可能にする。
第2のメカニズムはサンプルレベルの信頼度制御であり、グローバルなクラス中心の一貫性と局所的な紛争を組み合わせた直観的ファジィスコアによって得られる。
得られたモデルは、信頼性に富んだ残留物に対する波の損失を評価するので、信頼性の低いサンプルは、限界損失が極端な誤差の影響をさらに制限する前に、下降する。
ネステロフ加速勾配に基づくオプティマイザは、従来のBLSで使われる明示的行列の逆転を回避し、提案する目的を解くために用いられる。
UCIベンチマークデータセットの実験は、ベースラインモデルよりも提案したIFW-BLSモデルの方が優れていることを検証する。
関連論文リスト
- Robust Broad Learning System with Wave Loss for Classification under Data Uncertainty [6.199165061105653]
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。
論文 参考訳（メタデータ） (2026-08-30T19:16:25Z) - A Step Towards Robust Unsupervised Domain Adaptation via Fine-Tuning and Reinforcement Learning [2.436631469537453]
我々は,2段階の堅牢なUDAフレームワークである textbfSFT+RL を提案し,Supervised Fine Tuning と Reinforcement Learning を統合した。
textbfSFT+RLは、清潔な精度で textbf10.2% を平均的に改善し、textbf15.8% を3つのデータセットで比較した。
論文 参考訳（メタデータ） (2026-07-03T20:56:12Z) - Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。
ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。
我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
論文 参考訳（メタデータ） (2026-03-24T07:54:19Z) - Beyond the Mean: Distribution-Aware Loss Functions for Bimodal Regression [13.50774354486614]
正規化RMSEとワッサースタイン距離とクラメール距離を組み合わせた分布認識損失関数のファミリーを提案する。
我々のフレームワークは、信頼性と堅牢性の両方においてMDNを厳格に支配し、信頼できるAIシステムにおけるアレタリック不確実性推定のための信頼性の高いツールを提供する。
論文 参考訳（メタデータ） (2026-03-20T18:37:05Z) - Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Gradients Must Earn Their Influence: Unifying SFT with Generalized Entropic Objectives [22.29000001610794]
Supervised Fine-Tuning (SFT) の標準的な負の対数構造は、均一なトークンレベルの重み付けを適用する。
この剛性は2重の障害モードを生成する: (i)低確率目標を過度に強調することは、ノイズの監督の勾配を増幅し、頑健な事前を妨害し、 (ii)一様重み付けは、モデルが既に自信を持っているときに弱いシャープニングを与える。
既存の方法は可塑性の解決に失敗し、不安定なジレンマがしばしば有害なジレンマとともに必要な学習信号を抑圧する。
パラメータ自由度を変調する動的エントロピーファインチューニング(DEFT)を導入する。
論文 参考訳（メタデータ） (2026-02-11T22:56:43Z) - Optimistic Feasible Search for Closed-Loop Fair Threshold Decision-Making [0.0]
バンディットフィードバックからの1次元しきい値ポリシーのオンライン学習について検討する。
我々は,報酬と制約残差に対する信頼境界を維持する単純なグリッドベース手法であるOptimistic Feasible Search (OFS)を提案する。
論文 参考訳（メタデータ） (2025-12-26T10:44:40Z) - LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳（メタデータ） (2025-12-01T11:27:09Z) - Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。
私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。
この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
論文 参考訳（メタデータ） (2025-07-14T18:34:10Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳（メタデータ） (2024-06-10T21:44:52Z)
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。