新上线今天0 投票
不确定性感知的集成深度随机神经网络分类方法
深度随机神经网络（如深度随机向量函数连接网络 dRVFL 及其集成版本 edRVFL）在分类任务中表现出色，但现有模型对所有训练样本一视同仁，这限制了它们在含有噪声和异常值的真实世界数据集上的鲁棒性。此外，污染特征在隐藏层间的传播会损害模型的决策能力。针对这些问题，研究人员提出了一种基于直觉模糊集理论的新框架，通过区分干净样本、噪声和异常值，显著提升了模型性能。
核心思路：从均匀对待到自适应加权
传统 dRVFL 和 edRVFL 模型在训练时对所有样本赋予相同的权重，这导致模型容易受到噪声和异常值的干扰。新提出的 IF-dRVFL 和 IF-edRVFL 框架引入直觉模糊集理论，利用样本的邻域信息，在核空间中为每个样本计算隶属度（membership degree）和非隶属度（non-membership degree）。
- 隶属度：基于样本到其所属类别质心的距离计算，距离越近，隶属度越高，表示该样本越能代表其类别。
- 非隶属度：衡量样本在局部邻域内的异质性，非隶属度高的样本更可能是噪声或异常值。
通过综合考虑这两个指标，模型能够为训练样本分配自适应权重，从而有效区分干净样本、噪声和异常值。
实验验证：在噪声环境下表现优异
研究团队在 UCI 和 KEEL 基准数据集上进行了大量实验，包括在有无高斯噪声的情况下。实验结果表明，IF-dRVFL 和 IF-edRVFL 在分类准确性和鲁棒性上均优于现有的模糊和非模糊方法。特别是在噪声环境下，新模型的优势更加明显，这得益于其对样本质量的精确感知。
意义与展望
这项研究为深度随机神经网络提供了一种新的鲁棒性增强策略。通过引入直觉模糊集理论，模型不仅能够处理噪声和异常值，还保持了较高的计算效率。此外，该框架的代码已公开，便于其他研究者复现和进一步探索。
未来，该工作可能扩展到更复杂的任务，如回归、聚类，以及与其他深度学习架构的结合。同时，如何进一步优化非隶属度的计算效率，也是值得研究的方向。