Resumen

La máquina de aprendizaje extremo (ELM, por sus siglas en inglés) es una nueva clase de red neuronal de una sola capa oculta (SLFN, por sus siglas en inglés), simple en teoría y rápida en su implementación. Zong et al. proponen una máquina de aprendizaje extremo ponderada para el aprendizaje de datos con distribución de clases desequilibrada, que mantiene las ventajas de la ELM original. Sin embargo, el ELM actual y su versión mejorada sólo se basan en el principio de minimización del riesgo empírico, que puede sufrir de sobreajuste. Para resolver los problemas de sobreajuste, en este artículo incorporamos el principio de minimización del riesgo estructural al ELM (ponderado) y proponemos una máquina de aprendizaje extremo (ponderada) modificada (M-ELM y M-WELM). Los resultados experimentales muestran que nuestra propuesta M-WELM supera al algoritmo de máquina de aprendizaje extremo actual en la evaluación de la calidad de imagen.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:elm, principio empírico de minimización del riesgo, algoritmo de máquina de aprendizaje extremo, principio estructural de minimización del riesgo, máquina de aprendizaje extremo ponderada, máquina de aprendizaje extremo, zong et al, máquina de aprendizaje extremo, red neuronal feedforward, evaluación de la calidad de la imagen
• Keywords:elm, empirical risk minimization principle, extreme learning machine algorithm, structural risk minimization principle, weighted extreme learning machine, extreme learning machine, zong et al, extreme learning machine, feedforward neural network, image quality assessment