Inverse-freie Extreme Learning Machine mit optimaler Informationsaktualisierung

Die extreme Lernmaschine (ELM) hat aufgrund ihrer Effektivität bei der Lösung vieler Probleme des maschinellen Lernens unzureichende Forschungskapazitäten auf sich gezogen. Allerdings ist der Matrixinversionsprozess, der im Algorithmus enthalten ist, rechnerisch prohibitiv und limitiert die weitreichenden Anwendungen von ELM in vielen Szenarien. Um dieses Problem zu überwinden, schlagen wir in diesem Papier eine inverse-freie ELM vor, um die Anzahl der versteckten Knoten incrementell zu erhöhen und die Verbindungsgewichte progressiv und optimal zu aktualisieren. Theoretische Analysen beweisen den monotonen Rückgang des Trainingsfehlers mit dem vorgeschlagenen Aktualisierungsverfahren und auch die Optimalität in jedem Aktualisierungsschritt. Umfangreiche numerische Experimente zeigen die Effektivität und Genauigkeit des vorgeschlagenen Algorithmus.