Funciones de activación de la estimación M para la clasificación de conjuntos de máquinas de aprendizaje extremo de...

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Ciberseguridad

Sus antecedentes:

• El aprendizaje automático, en particular la IA en redes definidas por software, es crucial para tareas de ciberseguridad como el monitoreo del tráfico y la detección de anomalías.
• Los métodos de conjunto existentes a menudo luchan con datos ruidosos o contaminados, lo que limita su efectividad en escenarios de seguridad del mundo real.

Objetivo del estudio:

• Desarrollar un marco conjunto robusto para las máquinas de aprendizaje extremo (ELM) que sea resistente a las irregularidades de los datos.
• Mejorar la generalización, la precisión predictiva y la estabilidad de los clasificadores neuronales.

Principales métodos:

• Propuso un nuevo marco de conjunto para ELM que incorpora funciones de activación descendente ψ basadas en la teoría de la estimación M.
• Se utilizó la búsqueda de cuadrícula para determinar el número óptimo de nodos ocultos minimizando la puntuación de Brier.
• Las salidas de conjunto combinadas utilizan la optimización de mínimos cuadrados en lugar de la votación tradicional para la estimación precisa de parámetros.

Principales resultados:

• El método propuesto demostró una precisión consistentemente superior y una varianza reducida en cinco conjuntos de datos de referencia en comparación con los conjuntos de ELM existentes.
• Ganancias de rendimiento validadas mediante pruebas estadísticas rigurosas, incluidos los análisis post-hoc de Kruskal-Wallis y Dunn.
• El marco mostró mejoras notables en la generalización, la precisión predictiva y la resistencia a las irregularidades de los datos.

Conclusiones:

• La incorporación de activaciones robustas basadas en el estimador M dentro de un conjunto controlado mejora significativamente el rendimiento del ELM.
• El marco desarrollado ofrece un avance sustancial en el diseño de clasificadores neuronales eficientes y resistentes para aplicaciones de aprendizaje automático.