Resumen

La máquina de aprendizaje extrema (ELM) es un algoritmo de aprendizaje popular para redes de alimentación de una sola capa oculta (SLFNs). Fue originalmente propuesto con la inspiración del aprendizaje biológico y ha atraído una gran atención debido a su adaptabilidad a diversas tareas con una capacidad de aprendizaje rápido y un costo computacional eficiente. Como un método efectivo de representación escasa, el método de búsqueda de coincidencias ortogonales (OMP) puede ser incrustado en ELM para superar el problema de singularidad y mejorar la estabilidad. Por lo general, OMP recupera un vector escaso minimizando una pérdida de mínimos cuadrados (LS), que es eficiente para datos distribuidos de manera gaussiana, pero puede sufrir un deterioro del rendimiento en presencia de datos no gaussianos. Para abordar este problema, en este artículo se propone por primera vez un método robusto de búsqueda de coincidencias basado en una nueva pérdida de sensibilidad al riesgo del núcleo (en resumen KRSLMP). Luego

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Máquina de aprendizaje extremo; Redes de alimentación de una sola capa oculta; Búsqueda ortogonal de coincidencias; Método de representación escasa; Pérdida de riesgo sensible al núcleo; KRSLMP-ELM
• Keywords:Extreme learning machine; Single hidden layer feedforward networks; Orthogonal matching pursuit; Sparse representation method; Kernel risk-sensitive loss; KRSLMP-ELM