Título: Máquina de Aprendizado Extremo Robusta para Classificação com Outliers
Autores: Barros, Ana Luiza B. P.; Barreto, Guilherme A.
Resumo: A Máquina de Aprendizado Extremo (ELM – Extreme Learning Machine), recentemente proposta por Huang et al. [6], é uma arquitetura de rede neural com uma única camada oculta, que tem sido aplicada com sucesso a tarefas de classificação e regressão não-linear [5]. Um passo fundamental no projeto da ELM é o cálculo da matriz de pesos de saída, um passo usualmente realizado por meio do método mínimos quadrados ordinários (OLS – Ordinary Least-Squares), também conhecido como a técnica da inversa generalizada Moore-Penrose. A partir da teoria de regressão robusta, é bem conhecido que o método OLS produz modelos preditivos altamente sensíveis a outliers nos dados. Nesse artigo, desenvolvemos uma extensão da ELM que é robusta a outliers causados por erros na rotulação dos dados. Para lidar com esse problema, sugerimos o uso de estimadores-M, um framework de estimação de parâmetros largamente utilizado em regressão robusta, para calcular a matriz de pesos de saída, em vez de usar a solução OLS padrão. O modelo proposto é robusto a ruído no rótulo não apenas próximo às fronteiras das classes, mas também distante dessa fronteiras, que podem resultar em erros na rotulação ou erros grosseiros na medição das características de entrada. Mostramos a utilidade da abordagem proposta de classificação através de resultados de simulação usando dados sintéticos e do mundo real.
Palavras-chave:
Páginas: 6
Código DOI: 10.21528/CBIC2013-136
Artigo em pdf: bricsccicbic2013_submission_136.pdf
Arquivo BibTex: bricsccicbic2013_submission_136.bib