通过 光 滑 的 L 1 / 2 光滑的L_{1/2} 光滑的L1/2组稀疏器实现稀疏极端学习器模型,进而实现回归和多级分类
摘要:
极端学习器是一个简单的前项神经网络模型,因为该模型的学习速度快和泛化能力强使得其广泛运用与各个领域。
存在问题:经验风险最小化模型下使用ELM进行训练容易发生过拟合,此外,ELM给出的节点的比实际需要的多,这意味着网络结构的稀疏度不够。
给出两个方案训练ELM:
- 组 L 1 / 2 L_{1/2} L1/2正则
- 光滑组
L
1
/
2
L_{1/2}
L1/2正则方法
bug: 基础的组 L 1 / 2 L_{1/2} L1/2在原点不可维,所以会导致震荡(oscillation)。因此本文使用光滑组 L 1 / 2 L_{1/2} L1/2正则方法修正基础的组 L 1 / 2 L_{1/2} L1/2版本。
实验结果:
合成数据表明使用光滑组 L 1 / 2 L_{1/2} L1/2正则方法的ELM能有效的侦查出冗余节点;以及剩余节点的冗余权重,该方法比传统的ELM方法的性能更好。(传统的ELM方法: L 1 L_1 L1正则方法,组 L 1 / 2 L_{1/2} L1/2正则方法).
keyword
Extreme learning machine, group L1/2 regularizer, smoothing approximation, sparse.
介绍
前馈神经网络Feedforward neural networks (FNNs)的输入数据只往前传递,而不反传。前馈神经网络包括back propagation (BP) network, and radial basis function (RBF) network, 这些网络用于分类和回归。但是传统的FNNs一般使用梯度原则调整所有参数的算法。缺点:效率低、弱学习性能、易掉入局部最优。