Forskere har udviklet en ny variant af Random Vector Functional Link (RVFL)-netværk, der er designet til at modstå støjende labels, outliers og ubalancerede data – udfordringer der ofte begrænser anvendeligheden af letvægtsmodeller i praksis. Den nye model, kaldet KRPRVFL, er beskrevet i et paper på arXiv.
RVFL-netværk er kendt for hurtig træning og god generalisering via randomiserede skjulte lag og direkte input-output-forbindelser. Men de er følsomme over for korrupte data. KRPRVFL løser dette ved at erstatte standard least-squares-objektivet med en tabsfunktion baseret på kernel risk-sensitive mean p-power (KRP)-kriteriet, hvilket adaptivt reducerer indflydelsen fra upålidelige prøver under træning. Derudover introducerer modellen en kollaborativ læringsmekanisme, der giver adaptiv interaktion mellem komponenter, samt kernel-induceret feature mapping til at fange ikke-lineære sammenhænge uden eksplicit valg af skjulte lag.
Eksperimenter på UCI- og KEEL-benchmarks viser, at KRPRVFL konsekvent overgår baseline-modeller i nøjagtighed, robusthed og statistisk signifikans. For beslutningstagere betyder det, at man kan opnå pålidelig klassificering i miljøer med beskidte data – fx industrielle sensorfejl eller medicinske registre – uden at ofre hastighed eller skalerbarhed. Modellen er relevant for teams der bygger eller køber AI-løsninger, hvor datakvalitet er en kendt udfordring.
