基于模糊推理系统的集成深度随机向量函数链神经网络

Jun, 2024

基于模糊推理系统的集成深度随机向量函数链神经网络

Ensemble Deep Random Vector Functional Link Neural Network Based on Fuzzy Inference System

M. Sajid, M. Tanveer, P. N. Suganthan

TL;DR基于模糊推理系统的基于集成深度随机向量功能链接的神经网络提供了更强大的特征学习能力，优于基线模型，并且具备可用的源代码。

Abstract

The ensemble deep random vector functional link (edRVFL) neural network has demonstrated the ability to address the limitations of conventional artificial neural networks. However, since edRVFL generates features for its hidden layers through random projection, it can potentially lose intricate features or fail to capture certain non-linear features in its b

ensemble deep random vector functional link neural network edrvfl-fis fuzzy inference system feature learning capabilities ensemble model

发现论文，激发创造

基于加权和修剪的集成深度随机向量功能链接网络用于表格数据分类

本文提出了基于 Ensemble Deep Random Vector Functional Link (edRVFL) 的加权 edRVFL (WedRVFL) 和基于修剪的 edRVFL (PedRVFL) 网络，同时也提出了加权和修剪的 edRVFL 网络 (WPedRVFL)。实验结果表明，我们提出的方法在 24 个表格型 UCI 分类数据集上表现出超越其他最先进的深度前馈神经网络 (FNN) 的性能。

Jan, 2022

嵌入图的直觉模糊 RVFL 用于类别不平衡学习

本文介绍了一种解决机器学习中分类不平衡问题的新模型，将图嵌入和直觉模糊集与权重方案相结合，可从不平衡的数据集中提取语义信息、处理不确定性和不精确性，提高对各种基准不平衡数据集的分类效果，具有较强的实际应用价值和推广前景。

Jul, 2023

利用随机向量函数链接网络进行高效均匀逼近

本文证明了使用指数级输入层宽度的 Random Vector Functional Link（RVFL）神经网络和 ReLU 激活函数，可以在 L∞误差和高斯内部权重下近似 Lipschitz 连续函数，同时证明了基于概率论和谐分析的证明方法。

Jun, 2023

基于 RVFL 的非线性字典学习的一种无 SVD 方法

本文介绍了一种基于 RVFL 的非线性字典学习算法，该算法学习将非线性稀疏系数映射到密集的输入特征的字典。实验证明，该方法在图像分类和重建应用中的表现与其他非线性字典学习方法相当，并且具有可伸缩性，提供比其他非线性字典学习方法更好的解决方案。

Feb, 2024

深度 FisherNet 目标分类

本研究旨在结合卷积神经网络和 Fisher Vector 编码策略，将 Fisher Vector 编码策略作为一个可训练的端到端可微的系统的一部分，并命名为 FisherNet，该方法优于传统卷积神经网络和标准 Fisher Vector 方法，在 PASCAL VOC 目标分类任务中获得了更好的分类准确性和计算效率。

Jul, 2016

基于 Fisher 信息的证据深度学习的不确定性估计

提出了一种基于 Fisher Information-based 的 Evidential Deep Learning 方法，该方法通过测量样本携带的信息量动态地重新加权目标损失项，使网络更专注于不确定类别的表示学习，在多个数据不确定性评估任务中具有更好的性能表现，特别是在更具挑战性的 few-shot 分类环境下。

Mar, 2023

基于深度强化学习的车辆选择方法，在异步联邦学习启用的车辆边缘计算环境下

因为传统的车联网在上传到云处理中会有延迟，所以为了解决这一问题并提高系统性能，引入了边缘计算，在此基础上采用联邦学习，其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型，模拟结果表明有效提高了全局模型聚合的准确性。

Apr, 2023

贝叶斯深度网络广义线性模型（GLM）和广义线性混合模型（GLMM）

使用深度前馈神经网络、广义线性模型和贝叶斯推断等方法，提出一种高精度的回归和分类方法，能够在原有方法中量化预测不确定性并进行变量选择，并在多种模拟和真实数据示例中得到了令人满意的结果。

May, 2018

高度移动连接车辆的资源受限车联网边缘联邦学习

本文提出了一种汽车边缘联合学习（VEFL）方案，其中边缘服务器利用高移动性的连接车辆（CV）的机载中央处理单元（CPU）和本地数据集来训练全局模型，并通过关于 CV 的训练模型成功接收的收敛分析来选择参数优化子问题。

Oct, 2022

一种新的基于直觉模糊决策树的随机森林集成

本文提出了一种基于直觉模糊随机森林（IFRF）的新型随机森林集成方法，结合了模糊逻辑和模糊集合的灵活性、随机抽样和特征选择的随机性以及多个分类器系统的鲁棒性，对复杂条件下的分类问题具有竞争力和优越性能。该方法通过使用直觉模糊信息增益选择特征并考虑信息传递中的犹豫性，在集成学习中使用直觉模糊决策树（IFDT），并通过广泛实验验证其优势。本研究首次提出了基于直觉模糊理论的随机森林集成算法。

Mar, 2024