Forskere har udviklet en ny metode, RoBell-RVFL, der adresserer et grundlæggende problem i randomiserede neurale netværk: dominansen af majoritetsklasser i datasæt, som ofte skævvrider beslutningsgrænser og overser kritiske minoritetssamples. Metoden, beskrevet i et arXiv-paper, kombinerer en dual-strategi, sample-level vægtningsmekanisme med en generalized bell-funktion i et kernel-induceret feature space. Dette gør det muligt at undertrykke støj, grænse- og outlier-samples i majoritetsklassen, mens minoritetsklassen bevares med enhedsvægte.
Det centrale bidrag er, at metoden lærer fra informative samples frem for blot rigelige. Ved at inkorporere lokal klasse-sandsynlighed og klassens distributionsinformation opnår den adaptiv kontrol over sample-bidrag uden at ofre den closed-form læringseffektivitet, som RVFL-netværk er kendt for. Evalueringer på UCI- og KEEL-benchmark-datasæt, samt robusthedstests med op til 40 % label-støj, viser, at RoBell-RVFL konsekvent og signifikant overgår nylige state-of-the-art RVFL-varianter.
For beslutningstagere, der arbejder med klassifikationsmodeller i miljøer med ubalancerede eller støjfyldte data — for eksempel inden for finansiel risiko, sundhedsdiagnostik eller kvalitetskontrol — er dette en relevant udvikling. Metoden kan reducere behovet for omfattende dataforberedelse og forbedre modelpålideligheden, hvilket kan have direkte konsekvenser for valg af modeller i produktionssystemer.
