Интуиционистские нечеткие dRVFL-модели повышают точность классификации на зашумленных данных

Группа исследователей представила два новых фреймворка для глубоких случайных нейросетей — IF-dRVFL и IF-edRVFL. Разработка направлена на повышение устойчивости моделей к шуму и выбросам в реальных данных.

Современные методы, такие как глубокие случайные сети с векторной связью (dRVFL) и их ансамблевые версии (edRVFL), одинаково обрабатывают все обучающие примеры. Из-за этого они чувствительны к загрязнениям, которые со временем распространяются по скрытым слоям и ухудшают качество решений.

Авторы предложили объединить такие сети с интуиционистской нечеткой теорией. Это позволяет учитывать одновременно степени принадлежности и непринадлежности каждого объекта к классу, а также анализировать локальное окружение точек в пространстве признаков.

Степень принадлежности вычисляется на основе расстояния от объекта до центроида своего класса. Непринадлежность отражает неоднородность соседних элементов. На основе этих показателей каждому примеру назначается адаптивный вес, который помогает разделять чистые данные, шум и выбросы.

Эксперименты проводились на бенчмарках UCI и KEEL, в том числе с добавлением гауссовского шума. По заявлению авторов, новые модели превосходят существующие нечеткие и обычные подходы по точности и устойчивости.

Исходный код опубликован в открытом доступе на GitHub. Это позволяет другим исследователям воспроизвести результаты и применить метод в своих задачах.

Разработка может быть полезна для областей, где данные часто содержат ошибки: медицина, финансы, промышленная диагностика и другие сферы с высоким уровнем шума.