ترجمه فارسی مقاله Wave-RVFL: یک شبکه عصبی تصادفی مبتنی بر تابع تلفات موج

چکیده

The random vector functional link (RVFL) network is well-regarded for its strong generalization capabilities in the field of machine learning. However, its inherent dependencies on the square loss function make it susceptible to noise and outliers. Furthermore, the calculation of RVFL’s unknown parameters necessitates matrix inversion of the entire training sample, which constrains its scalability. To address these challenges, we propose the Wave-RVFL, an RVFL model incorporating the wave loss function. We formulate and solve the proposed optimization problem of the Wave-RVFL using the adaptive moment estimation (Adam) algorithm in a way that successfully eliminates the requirement for matrix inversion and significantly enhances scalability. The Wave-RVFL exhibits robustness against noise and outliers by preventing over-penalization of deviations, thereby maintaining a balanced approach to managing noise and outliers. The proposed Wave-RVFL model is evaluated on multiple UCI datasets, both with and without the addition of noise and outliers, across various domains and sizes. Empirical results affirm the superior performance and robustness of the Wave-RVFL compared to baseline models, establishing it as a highly effective and scalable classification solution.

چکیده به فارسی (ترجمه ماشینی)

شبکه پیوند عملکردی بردار تصادفی (RVFL) به دلیل قابلیت های عمومی سازی قوی در زمینه یادگیری ماشین به خوبی مورد توجه قرار می گیرد.با این حال ، وابستگی های ذاتی آن به عملکرد از دست دادن مربع ، آن را مستعد سر و صدا و دور می کند.علاوه بر این ، محاسبه پارامترهای ناشناخته RVFL نیاز به وارونگی ماتریس کل نمونه آموزش دارد ، که مقیاس پذیری آن را محدود می کند.برای پرداختن به این چالش ها ، ما Wave-RVFL ، یک مدل RVFL را که شامل عملکرد از دست دادن موج است ، پیشنهاد می کنیم.ما مشکل بهینه سازی پیشنهادی Wave-RVFL را با استفاده از الگوریتم برآورد لحظه سازگار (ADAM) به گونه ای که با موفقیت نیاز به وارونگی ماتریس را از بین می برد و به طور قابل توجهی مقیاس پذیری را افزایش می دهد ، تدوین و حل می کنیم.Wave-RVFL با جلوگیری از حرکتی بیش از حد انحرافات ، استحکام در برابر سر و صدا و دور از ذهن را نشان می دهد و از این طریق یک رویکرد متعادل برای مدیریت سر و صدا و دور از دسترس حفظ می کند.مدل Wave-RVFL پیشنهادی در چندین مجموعه داده UCI ، چه با و بدون افزودن سر و صدا و دور ، در حوزه ها و اندازه های مختلف ارزیابی می شود.نتایج تجربی عملکرد برتر و استحکام WAVE-RVFL را در مقایسه با مدل های پایه تأیید می کند و آن را به عنوان یک راه حل طبقه بندی بسیار مؤثر و مقیاس پذیر تعیین می کند.