A4 Artikkeli konferenssijulkaisussa
Extreme Minimal Learning Machine (2018)
Kärkkäinen, T. (2018). Extreme Minimal Learning Machine. In ESANN 2018 : Proceedings of the 26th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (pp. 237-242). ESANN. https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2018-72.pdf
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Kärkkäinen, Tommi
Emojulkaisu: ESANN 2018 : Proceedings of the 26th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning
Konferenssi:
- European symposium on artificial neural networks, computational intelligence and machine learning
ISBN: 978-2-87587-047-6
Julkaisuvuosi: 2018
Artikkelin sivunumerot: 237-242
Kustantaja: ESANN
Julkaisumaa: Belgia
Julkaisun kieli: englanti
Pysyvä verkko-osoite: https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2018-72.pdf
Julkaisun avoin saatavuus: Muulla tavalla avoin
Julkaisukanavan avoin saatavuus:
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/62746
Lisätietoja: ESANN 2018 : 26th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, Bruges, Belgium, April 25-26-27, 2018.
Tiivistelmä
Extreme Learning Machine (ELM) and Minimal Learning Machine (MLM) are nonlinear and scalable machine learning techniques with randomly generated basis. Both techniques share a step where a matrix of weights for the linear combination of the basis is recovered. In MLM, the kernel in this step corresponds to distance calculations between the training data and a set of reference points, whereas in ELM transformation with a sigmoidal activation function is most commonly used. MLM then needs additional interpolation step to estimate the actual distance-regression based output. A natural combination of these two techniques is proposed here, i.e., to use a distance-based kernel characteristic in MLM in ELM. The experimental results show promising potential of the proposed technique.
YSO-asiasanat: koneoppiminen
Vapaat asiasanat: Extreme Learning Machine; Minimal Learning Machine
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Yliopistojen profiloitumisen vahvistaminen kilpaillulla rahoituksella. Profilointitoimet JYU:ssä, 3. kierros
- Hämäläinen, Keijo
- Suomen Akatemia
- Hybridinanopartikkelien rakenteiden ennustaminen tekoälyä hyväksi käyttäen
- Kärkkäinen, Tommi
- Suomen Akatemia
OKM-raportointi: Kyllä
Raportointivuosi: 2018
JUFO-taso: 1