論文の概要: GBFRVFL: Granular-Ball Computing-Based Fuzzy Random Vector Functional Link Network

• arxiv url: http://arxiv.org/abs/2609.29670v1
• Date: Sun, 30 Aug 2026 12:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.104637
• Title: GBFRVFL: Granular-Ball Computing-Based Fuzzy Random Vector Functional Link Network
• Title（参考訳）: GBFRVFL: 粒界計算に基づくファジィランダムベクトル関数リンクネットワーク
• Abstract要約: ファジィグラニュラーボールランダムベクトル汎関数リンク(GBFRVFL)フレームワークを提案し,サンプルを適応的なグラニュラーボールに抽象化する。 本枠組みでは,F-GBRVFLとSDAP-GBRVFLの2種類を導入し,各粒状ボールの信頼性を定量化するためにファジィメンバシップを組み込んだF-GBRVFLと,新しい統計密度適応型ピタゴラスメンバシップスキームを取り入れたSDAP-GBRVFLを提案する。 これらのスキームは、RVFLネットワークの計算効率を維持しながら、ノイズ、外れ値、クラス不均衡、粒界分布の不確実性に対する堅牢性を高める。
• 参考スコア（独自算出の注目度）: 4.665660555449728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical machine learning tasks, data are often contaminated with noise, outliers, and class imbalance, which can degrade the performance of conventional models. While random vector functional link (RVFL) networks offer fast training and strong generalization, they do not explicitly handle uncertainty or exploit local data structure. To address these limitations, we propose a fuzzy granular-ball random vector functional link (GBFRVFL) framework that leverages granular-ball computing to abstract raw samples into adaptive granular balls. Within this framework, we introduce two membership assignment schemes: (i) F-GBRVFL, which incorporates fuzzy membership to quantify the reliability of each granular ball, and (ii) SDAP-GBRVFL, which we propose, incorporates a novel statistical density-adaptive pythagorean membership (SDAPM) scheme that dynamically adjusts membership and non-membership values based on class variance, local sparsity, and granular-ball compactness. These schemes enhance robustness to noise, outliers, class imbalance, and uncertainty in granular-ball distributions, while retaining the computational efficiency of RVFL networks. Extensive experiments on 37 benchmark UCI and KEEL datasets under both clean and noisy conditions demonstrate that the proposed models consistently outperform baseline models, achieving superior accuracy and stability. The results validate the effectiveness of integrating granular-ball computing with adaptive membership schemes for reliable, scalable, and noise-tolerant learning.
• Abstract（参考訳）: 実践的な機械学習タスクでは、データはしばしばノイズ、外れ値、クラス不均衡によって汚染され、従来のモデルの性能を低下させる。 ランダムベクトル汎関数リンク(RVFL)ネットワークは高速なトレーニングと強力な一般化を提供するが、不確実性や局所的なデータ構造を明示的に扱わない。 これらの制約に対処するために,ファジィグラニュラーボール乱数ベクトル関数リンク(GBFRVFL)フレームワークを提案する。 本フレームワークでは,2つのメンバシップ割り当て方式を紹介する。 一 ファジィメンバシップを組み込んで各グラニュラーボールの信頼性を定量化するF-GBRVFL (II)SDAP-GBRVFLは,クラス分散,局所空間性,粒界のコンパクト性に基づいて,メンバシップと非メンバシップ値を動的に調整する新しい統計密度適応型ピタゴラスメンバシップ(SDAPM)スキームを取り入れたものである。 これらのスキームは、RVFLネットワークの計算効率を維持しつつ、ノイズ、外れ値、クラス不均衡、および粒界分布の不確実性に対する堅牢性を高める。 クリーンかつノイズの多い条件下での37のベンチマークUCIおよびKEELデータセットの大規模な実験により、提案モデルがベースラインモデルより一貫して優れ、精度と安定性が向上することが示された。 その結果,粒界計算と適応型メンバシップスキームを組み合わせることで,信頼性,拡張性,耐雑音性のある学習が可能となった。

関連論文リスト

• RoBell-RVFL: A Robust Generalized Bell Random Vector Functional Link Network [4.882062728939984]
  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。
  論文  参考訳（メタデータ） (2026-08-17T06:54:42Z)
• Robust Dual-Model Collaborative Random Vector Functional Link Network [5.880615563459319]
  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。
  論文  参考訳（メタデータ） (2026-08-13T06:40:30Z)
• 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)
• 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)
• 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)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• 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)
• 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)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)

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。