Naukowcy z arXiv opublikowali badania nad nowym modelem sieci neuronowej KRPRVFL, który ma rozwiązać kluczowy problem konwencjonalnych sieci RVFL - ich wrażliwość na szumy, skażone dane i niezbalans klas. Sieci RVFL (Random Vector Functional Link) są znane z efektywności trenowania i szybkości działania, ale w praktyce ulegają degradacji wydajności gdy dane zawierają błędy lub wartości odstające.
Proponowana solucja zastępuje standardową funkcję straty najmniejszych kwadratów nową, opartą na kryterium ryzyka wrażliwego na jądro (KRP), które adaptacyjnie zmniejsza wpływ podatnych na błędy próbek podczas uczenia. Model dodatkowo wprowadza mechanizm uczenia kolaboratywnego, umożliwiający adaptacyjną interakcję między komponentami sieci. Takie podejście pozwala na zwiększoną stabilność i generalizację w złożonych, hałaśliwych środowiskach bez rezygnacji z características RVFL - efektywności obliczeniowej i skalowania.
Architektura wykorzystuje mapowanie cech indukowane jądrem do przechwytywania relacji nieliniowych bez wymogu eksplicytnego wyboru warstw ukrytych. Rozległe eksperymenty na zbiorach benchmarkowych UCI i KEEL wykazały, że KRPRVFL konsekwentnie przewyższa modele bazowe pod względem dokładności i odporności, osiągając statystycznie istotne wyniki. Badania sugerują, że model może znaleźć praktyczne zastosowanie w rzeczywistych scenariuszach, gdzie dane są niedoskonałe i trudne do przetwarzania.