要約
ニューラルネットワークが重要な役割を果たす産業用人工知能（IAI）では、望ましい精度のリアルタイム予測モデリングが大いに期待されている。IAIにおけるニューラルネットワークは、大量の浮動小数点データを扱うため、強力で高性能な計算装置を必要とする。本論文では、確率的構成ネットワーク(SCN)に基づき、確率的構成機械(SCM)と呼ばれる新しいランダム化学習モデルを提案し、効果的なモデリングとデータサイズの節約を強調する。SCNや2値化実装のランダムベクトルファンクショナルリンク（RVFL）ネットと比較して、SCMのモデルストレージは、良好な予測性能を保持しながら、大幅に圧縮することができる。SCM学習モデルのアーキテクチャとその学習アルゴリズムに加えて、この貢献の重要な部分として、モデルの複雑性を分析することにより、SCMの学習能力に関する理論的基礎を提供する。いくつかのベンチマークデータセットと3つの産業アプリケーションに対して実験的研究を行った。その結果、SCMが産業データ分析に対応する大きな可能性を持つことが実証された。
要約(オリジナル)
Real-time predictive modelling with desired accuracy is highly expected in industrial artificial intelligence (IAI), where neural networks play a key role. Neural networks in IAI require powerful, high-performance computing devices to operate a large number of floating point data. Based on stochastic configuration networks (SCNs), this paper proposes a new randomized learner model, termed stochastic configuration machines (SCMs), to stress effective modelling and data size saving that are useful and valuable for industrial applications. Compared to SCNs and random vector functional-link (RVFL) nets with binarized implementation, the model storage of SCMs can be significantly compressed while retaining favourable prediction performance. Besides the architecture of the SCM learner model and its learning algorithm, as an important part of this contribution, we also provide a theoretical basis on the learning capacity of SCMs by analysing the model’s complexity. Experimental studies are carried out over some benchmark datasets and three industrial applications. The results demonstrate that SCM has great potential for dealing with industrial data analytics.
arxiv情報
| 著者 | Dianhui Wang,Matthew J. Felicetti |
| 発行日 | 2023-09-01 06:23:18+00:00 |
| arxivサイト | arxiv_id(pdf) |