基于图正则化的贝叶斯宽度学习系统
Graph-regularized Bayesian broad learning system作者机构:暨南大学信息科学技术学院广东广州510632 澳门大学科技学院中国澳门999078 华南理工大学计算机科学与工程学院广东广州510006
出 版 物:《智能科学与技术学报》 (Chinese Journal of Intelligent Science and Technology)
年 卷 期:2022年第4卷第1期
页 面:109-117页
学科分类:08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程]
基 金:国家重点研发计划基金资助项目(No.2018YFC2002500) 广东省基础与应用基础研究基金资助项目(No.2021A1515011999) 广州市科技创新发展专项资金项目(No.201902010041)。
摘 要:作为一种前馈神经网络,宽度学习系统因其精度高、训练速度快且能有效代替深度学习方法而备受研究者的关注。然而,宽度学习系统存在对网络中的特征节点个数比较敏感且求伪逆方式易使模型出现过拟合等问题。为此,在宽度学习系统中引入贝叶斯推断和图正则化。一方面,通过引入先验知识进行贝叶斯学习可以有效提高权重的稀疏性,提高模型的稳定性;另一方面,加入图正则化可充分考虑数据内在的图信息,进一步提高模型的泛化能力。在UCI数据集和NORB数据集上对所提模型进行性能评估,实验结果表明,所提的基于图正则化的贝叶斯宽度学习系统模型能进一步提高宽度学习系统的分类精度且具有更好的稳定性。