यह लेख स्पेक्ट्रल दृष्टिकोण से एक्सट्रीम लर्निंग मशीनों (ELM) की संख्यात्मक स्थिरता का विश्लेषण करता है, यह ध्यान केंद्रित करते हुए कि छिपे हुए परत मैट्रिक्स की शर्तीकरण प्रशिक्षण की विश्वसनीयता को कैसे प्रभावित करता है। लेखकों ने दिखाया है कि सबसे छोटा सिंगुलर मान आउटपुट वजन में विक्षोभ के बढ़ाव को निर्धारित करता है, जबकि शर्तीकरण संख्या छिपी हुई परत की अस्थिरता को मात्रात्मक रूप से दर्शाती है।
- खराब शर्तीकरण के तहत SVD-आधारित पस्यूडोइन्वर्स गणना को पुनरावृत्ति हाइपरपावर विधियों की तुलना में सबसे विश्वसनीय विधि के रूप में पहचाना गया है।
- पुनरावृत्ति विधियों को मैट्रिक्स के स्पेक्ट्रल गुणों के प्रति अधिक संवेदनशील पाया गया है।
- यादृच्छिक विशेषता व्याख्या के माध्यम से चौड़ाई-निर्भर शर्तीकरण पर चर्चा की गई है।
- संयुक्त मैट्रिक्स और ELM बेंचमार्क पर प्रयोगों ने पुष्टि की है कि स्थिरता मौलिक रूप से सिंगुलर मान संरचना द्वारा नियंत्रित होती है।
निष्कर्ष सुझाव देते हैं कि पस्यूडोइन्वर्स-आधारित ELMs की स्थिरता को सुनिश्चित करने के लिए सिंगुलर मान संरचना को समझना महत्वपूर्ण है।