Forskere har præsenteret en ny tilgang til at gøre dybe randomiserede neurale netværk mere robuste over for støj og outliers i data. Metoden, kaldet IF-dRVFL og IF-edRVFL, kombinerer intuitionistisk fuzzy-teori med eksisterende arkitekturer for bedre at håndtere urene datasæt.
Traditionelle modeller som deep Random Vector Functional Link (dRVFL) og ensemble deep RVFL (edRVFL) behandler alle træningssample ens, hvilket gør dem sårbare over for støj og outliers. Den nye metode tildeler adaptive vægte baseret på både medlemskabs- og ikke-medlemskabsgrader for hvert sample, hvilket gør det muligt at skelne mellem rene, støjede og outlier-data. Ifølge arXiv-papiret viser omfattende eksperimenter på UCI- og KEEL-benchmark-datasæt, med og uden Gauss-støj, at de nye modeller overgår eksisterende state-of-the-art tilgange.
For beslutningstagere betyder dette, at AI-modeller kan blive mere pålidelige i praktiske anvendelser, hvor data sjældent er perfekte. Virksomheder, der bygger eller køber AI-løsninger til eksempelvis finans, sundhed eller industri, står ofte over for støjede datasæt. Denne forskning adresserer et kerneproblem: at modeller ikke kun skal være præcise på rene data, men også robuste, når virkeligheden er rodet. Koden er offentligt tilgængelig på GitHub, hvilket gør det muligt for teams at teste og integrere metoden.
Selvom dette er forskning snarere end et kommercielt produkt, peger det på en retning, hvor AI-systemer kan blive mere driftssikre. For dem, der skal investere i eller implementere AI, er værdien i at forstå, at robusthed mod støj er en aktiv forskningsfront med konkrete resultater.
