Stochastic Configuration Machines for Industrial Artificial Intelligence

要約

望ましい精度を備えたリアルタイム予測モデリングは、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) において非常に期待されています。
IAI のニューラル ネットワークには、大量の浮動小数点データを操作するための強力で高性能なコンピューティング デバイスが必要です。
この論文では、確率的構成ネットワーク (SCN) に基づいて、産業アプリケーションにとって有用で価値のある効果的なモデリングとデータ サイズの節約を強調するために、確率的構成マシン (SCM) と呼ばれる新しいランダム化された学習者モデルを提案します。
SCN およびバイナリ化実装のランダム ベクトル機能リンク (RVFL) ネットと比較して、SCM のモデル ストレージは、良好な予測パフォーマンスを維持しながら大幅に圧縮できます。
SCM 学習者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、モデルの複雑さを分析することによって SCM の学習能力に関する理論的基礎も提供します。
実験研究は、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行されます。
この結果は、SCM が産業データ分析を扱う上で大きな可能性を秘めていることを示しています。

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

提供元, 利用サービス

arxiv.jp, Google