Sistema de aprendizaje amplio a través de la corrientropía máxima ponderada adaptativa

Área de la Ciencia:

• Aprendizaje automático
• Análisis de regresión
• Procesamiento de señales

Sus antecedentes:

• El sistema de aprendizaje amplio (BLS) es una herramienta poderosa para la regresión, conocida por su simplicidad y generalización.
• La optimización estándar de BLS utilizando el error cuadrado medio mínimo (MMSE) es vulnerable al ruido y a los valores atípicos, lo que afecta la precisión.

Objetivo del estudio:

• Proponer un BLS basado en la corriente ponderada máxima adaptativa (AMWC-BLS) para superar las limitaciones del BLS estándar.
• Mejorar la robustez y la capacidad de generalización de los modelos BLS en tareas de regresión.

Principales métodos:

• Se ha desarrollado un criterio de corrientropía máxima ponderada adaptativa.
• Integró el criterio AMWC en el marco BLS, creando el modelo AMWC-BLS.
• Se utilizaron conjuntos de datos de regresión para la validación experimental.

Principales resultados:

• El modelo AMWC-BLS demostró un mejor rendimiento y capacidades de generalización.
• El método propuesto mostró una mayor robustez frente al ruido y los valores atípicos en comparación con el BLS estándar.
• Los resultados experimentales confirmaron la eficacia de AMWC-BLS en las tareas de regresión.

Conclusiones:

• AMWC-BLS ofrece una alternativa robusta al BLS estándar para problemas de regresión con datos ruidosos.
• La naturaleza adaptativa de AMWC-BLS permite un mejor manejo de diversas características de los datos.
• Este enfoque mejora significativamente la fiabilidad y precisión del modelo en entornos difíciles.