Extreme learning machine (ELM) was

Extreme learning machine (ELM) was proposed as a new efficient learning algorithm for single-hidden layer feedforward neural networks (SLFN) in recent years. It is featured by its much faster training speed and better generalization performance over traditional SLFN learning techniques. However, ELM cannot deal directly with incomplete data which widely exists in real-world applications. In this paper, we propose a new algorithm to handle incomplete data with voting based extreme learning machine (V-ELMI). V-ELMI did not rely on any assumptions about missing values. It first obtains a group of data subsets according to the missing values of the training set. Then, it applies mutual information to measure the importance degree of each data subsets. After that, it trains a group of subclassifiers on these data subsets by applying ELM as base learning algorithm. Finally, for a given test sample with missing values, V-ELMI selects the subclassifiers whose input did not require the missing values to predict it. And final prediction is determined by weighted majority voting according to the mean value of the norms of the output weights and the importance degree of each available subclassifier. Experimental results on 15 UCI incomplete datasets and 5 UCI complete datasets have shown that, V-ELMI generally has better performance than the algorithms compared. Moreover, compared with the classification algorithms based on neural network ensemble (NNE), V-ELMI can greatly improve algorithm computational efficiency.

ผลลัพธ์ (ไทย) 1:

เครื่องจักรการเรียนรู้มาก (ELM) ถูกเสนอเป็นอัลกอริทึมการเรียนรู้ที่มีประสิทธิภาพใหม่สำหรับชั้นเดียวซ่อนเสียงเครือข่ายประสาท (SLFN) ในปี เป็นจุดเด่นเร็วฝึกความเร็วและประสิทธิภาพลักษณะทั่วไปดีขึ้นกว่าแบบดั้งเดิม SLFN เรียนรู้เทคนิค อย่างไรก็ตาม เอล์มไม่สามารถจัดการโดยตรงกับข้อมูลที่ไม่สมบูรณ์ซึ่งมีอยู่แพร่หลายในการใช้งานจริง ในกระดาษนี้ เราเสนออัลกอริธึมการจัดการข้อมูลที่ไม่สมบูรณ์กับการเรียนมากขึ้นเครื่องลงคะแนนเสียง (V-เอลมี) ใหม่ เอลมี V ไม่ได้อาศัยสมมติฐานใด ๆ เกี่ยวกับค่าหายไป มันเป็นครั้งแรกได้รับกลุ่มของชุดย่อยของข้อมูลตามค่าขาดหายไปของชุดฝึกอบรม แล้ว ใช้ข้อมูลร่วมกันในการวัดระดับความสำคัญของแต่ละชุดย่อยของข้อมูล หลังจากนั้น มันรถไฟกลุ่มของ subclassifiers ในชุดย่อยของข้อมูลเหล่านี้ โดยใช้เอล์มเป็นอัลกอริทึมการเรียนรู้พื้นฐาน ในที่สุด สำหรับตัวอย่างทดสอบให้มีค่าที่หายไป V เอลมีเลือก subclassifiers ที่ไม่ต้องป้อนข้อมูลที่มีค่าหายไปจะคาดการณ์ได้ และสุดท้ายทายถูกกำหนด โดยเสียงส่วนใหญ่ที่ถ่วงน้ำหนักตามค่าเฉลี่ยของบรรทัดฐานของน้ำหนักผลผลิตและระดับความสำคัญของแต่ละ subclassifier มี ผลการทดลองบนชุดข้อมูลไม่สมบูรณ์ UCI 15 และ 5 UCI สมบูรณ์ datasets ได้แสดงให้เห็นว่า เอลมี V โดยทั่วไปมีประสิทธิภาพที่ดีกว่าเมื่อเทียบกับอัลกอริทึม นอกจากนี้ เมื่อเทียบกับอัลกอริทึมการจำแนกประเภทตามวงข่ายประสาท (สงบ), เอลมี V สามารถปรับปรุงอัลกอริทึมคำนวณประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

เครื่องเรียนรู้ (Extreme ELM) ได้รับการเสนอให้เป็นขั้นตอนวิธีการเรียนรู้ใหม่ที่มีประสิทธิภาพสำหรับชั้น feedforward เครือข่ายประสาทเดียวที่ซ่อนอยู่ (SLFN) ในปีที่ผ่านมา มันเป็นเรื่องสำคัญโดยทั่วไปประสิทธิภาพความเร็วการฝึกอบรมได้เร็วขึ้นมากขึ้นและดีขึ้นกว่าการเรียนรู้เทคนิค SLFN แบบดั้งเดิม อย่างไรก็ตาม ELM ไม่สามารถจัดการโดยตรงกับข้อมูลที่ไม่สมบูรณ์ซึ่งใช้กันอย่างแพร่หลายในการใช้งานที่มีอยู่ในโลกความจริง ในบทความนี้เรานำเสนอขั้นตอนวิธีการใหม่ในการจัดการกับข้อมูลที่ไม่สมบูรณ์มาพร้อมกับเครื่องเรียนรู้มากตามการออกเสียงลงคะแนน (V-ELMI) V-ELMI ไม่ได้ขึ้นอยู่กับสมมติฐานใด ๆ เกี่ยวกับค่าที่ขาดหายไป มันเป็นครั้งแรกที่ได้รับกลุ่มย่อยข้อมูลตามค่าที่ขาดหายของชุดการฝึกอบรม จากนั้นจะใช้ข้อมูลร่วมกันในการวัดการศึกษาระดับปริญญาความสำคัญของแต่ละส่วนย่อยข้อมูล หลังจากนั้นก็ฝึกกลุ่ม subclassifiers เหล่านี้ย่อยข้อมูลโดยใช้ ELM ขั้นตอนวิธีการเรียนรู้ที่ฐาน สุดท้ายสำหรับตัวอย่างการทดสอบได้รับมีค่าที่ขาดหาย V-ELMI เลือก subclassifiers ที่มีการป้อนข้อมูลที่ไม่จำเป็นต้องค่าที่ขาดหายไปทำนาย และการทำนายสุดท้ายจะถูกกำหนดโดยการลงคะแนนเสียงส่วนใหญ่ถ่วงน้ำหนักตามค่าเฉลี่ยของบรรทัดฐานของน้ำหนักการส่งออกและการศึกษาระดับปริญญาความสำคัญของแต่ละ subclassifier ใช้ได้ ผลการทดลองในวันที่ 15 UCI ชุดข้อมูลที่ไม่สมบูรณ์และ 5 UCI ชุดข้อมูลที่สมบูรณ์ได้แสดงให้เห็นว่า V-ELMI โดยทั่วไปมีประสิทธิภาพที่ดีกว่าเมื่อเทียบอัลกอริทึม นอกจากนี้เมื่อเทียบกับขั้นตอนวิธีการจัดหมวดหมู่ขึ้นอยู่กับวงดนตรีโครงข่ายประสาทเทียม (NNE) V-ELMI สามารถปรับปรุงประสิทธิภาพขั้นตอนวิธีการคำนวณ

ผลลัพธ์ (ไทย) 3:

การเรียนรู้เครื่องมาก ( ELM ) ที่เสนอใหม่เป็นขั้นตอนวิธีการเรียนรู้ที่มีประสิทธิภาพสำหรับเดี่ยวชั้นซ่อนไปข้างหน้าโครงข่ายประสาทเทียม ( slfn ) ในปีล่าสุด มันเป็นจุดเด่น โดยความเร็วในการฝึกอบรม เร็วกว่าและดีกว่าการประสิทธิภาพมากกว่าแบบดั้งเดิม slfn การเรียนรู้เทคนิค อย่างไรก็ตาม ฉันจะไม่สามารถจัดการโดยตรงกับข้อมูลที่ไม่สมบูรณ์ซึ่งแพร่หลายอยู่ในการใช้งานจริง . ในบทความนี้เรานำเสนอวิธีใหม่ที่จะจัดการกับข้อมูลที่ไม่สมบูรณ์กับการลงคะแนนเครื่องเรียนรู้มากตาม ( v-elmi ) v-elmi ไม่ได้พึ่งพาสมมติฐานใด ๆเกี่ยวกับการขาดคุณค่า มันเป็นครั้งแรกที่ได้รับจากกลุ่มของข้อมูลตามค่าสูญหายของชุดฝึกอบรม . จากนั้นก็ใช้ข้อมูลซึ่งกันและกัน เพื่อวัดระดับความสำคัญของข้อมูลแต่ละข้อมูล หลังจากนั้น รถไฟกลุ่มของ subclassifiers เหล่านี้โดยการใช้ข้อมูลจาก Elm เป็นฐานการเรียนรู้ขั้นตอนวิธี สุดท้าย สำหรับการทดสอบตัวอย่างด้วยคิดถึงค่า v-elmi เลือก subclassifiers ที่ใส่ไม่ต้องคิดถึงค่าพยากรณ์มัน และคำทำนายสุดท้ายจะถูกกำหนดโดยส่วนใหญ่ลงคะแนนถ่วงน้ำหนักตามค่าเฉลี่ยบรรทัดฐานของผลผลิตน้ำหนักและความสำคัญระดับของแต่ละของ subclassifier . ผลการทดลองกับข้อมูลไม่สมบูรณ์และ 5 15 UCI UCI ข้อมูลสมบูรณ์ แสดงว่า v-elmi โดยทั่วไปมีสมรรถนะที่ดีกว่าวิธีการเปรียบเทียบ นอกจากนี้ เมื่อเทียบกับการใช้เครือข่ายประสาทขั้นตอนวิธี Ensemble ( nne ) v-elmi สามารถปรับปรุงประสิทธิภาพการคำนวณขั้นตอนวิธี