Machine d'apprentissage extrême sans inversion avec mise à jour d'informations optimale

La machine d'apprentissage extrême (ELM) a suscité des attentions de recherche insensibles en raison de son efficacité à résoudre de nombreux problèmes d'apprentissage automatique. Cependant, l'opération d'inversion de matrice impliquée dans l'algorithme est computationnellement prohibitive et limite les applications larges de l'ELM dans de nombreux scénarios. Pour surmonter ce problème, dans cet article, nous proposons une ELM sans inversion pour augmenter progressivement le nombre de nœuds cachés, et mettre à jour les poids de connexion de manière progressive et optimale. L'analyse théorique prouve la diminution monotone de l'erreur d'entraînement avec la procédure de mise à jour proposée et prouve également l'optimalité à chaque étape de mise à jour. D'amples expériences numériques montrent l'efficacité et la précision de l'algorithme proposé.