Naukowcy opracowali nowe frameworki intuicyjnych rozmytych sieci neuronowych losowych - IF-dRVFL i IF-edRVFL - które znacznie poprawiają odporność modeli na szum i wartości odstające w danych treningowych. Problem z obecnymi najlepszymi modelami, takimi jak deep RVFL i ensemble deep RVFL, polega na tym, że traktują wszystkie próbki uczące jednolicie, bez rozróżniania między czystymi danymi a potencjalnymi błędami czy wartościami anomalnymi. Dodatkowo, propagacja skażonych cech przez kolejne warstwy neuronów negatywnie wpływa na zdolność decyzyjną tych systemów.
Nowe podejście wykorzystuje teorię zbiorów rozmytych intuicyjnych do rozwiązania tego problemu. Zamiast przypisywać równe znaczenie każdej próbce, model oblicza dla każdego punktu danych stopień przynależności - zależny od odległości próbki od centroidu jej klasy - oraz stopień nie-przynależności, który mierzy heterogeniczność próbki w lokalnym sąsiedztwie. Te miary pozwalają adaptacyjnie ważyć próbki treningowe, umożliwiając modelowi efektywne odróżnianie czystych danych od szumu i wartości odstających. Frameworki mogą pracować zarówno z modelami głębokimi RVFL, jak i ich wersjami zespołowymi (ensemble), co daje większą elastyczność.
Badacze przeprowadzili rozległe eksperymenty na benchmark'ach UCI i KEEL, testując modele zarówno na czystych danych, jak i na danych zaburzonych szumem Gaussa. Wyniki wykazały wyraźną przewagę proponowanych IF-dRVFL i IF-edRVFL nad istniejącymi podejściami opartymi na logice rozmytej i tradycyjnymi metodami. Kod źródłowy został udostępniony na GitHubie, co ułatwi społeczności naukowców dalsze badania i zastosowania tego podejścia.