本論文は、隠れ層行列の条件数が訓練の信頼性に与える影響に焦点を当て、スペクトルの観点からExtreme Learning Machines (ELM)の数値安定性を解析する。著者らは、最小特異値が出力重みの摂動増幅を決定し、条件数が隠れ層の不安定性を定量化することを示す。
- ill-conditioning下では、反復hyperpower法と比較して、SVDに基づく擬似逆数の計算が最も信頼性の高い方法として特定される。
- 反復法は行列のスペクトル特性により敏感であることが示される。
- ランダム特徴による解釈を通じて、幅依存性の条件数が議論される。
- 合成行列およびELMベンチマーク上での実験は、安定性が特異値構造によって根本的に支配されることを確認する。
これらの知見は、擬似逆数に基づくELMの安定性を確保するために特異値構造の理解が重要であることを示唆している。