Este artigo analisa a estabilidade numérica das Máquinas de Aprendizado Extremo (ELM) sob uma perspectiva espectral, focando em como o condicionamento da matriz da camada oculta afeta a confiabilidade do treinamento. Os autores demonstram que o menor valor singular determina a amplificação de perturbações nos pesos de saída, enquanto o número de condição quantifica a instabilidade da camada oculta.
- O cálculo de pseudoinversa baseado em SVD é identificado como o método mais confiável sob mau condicionamento em comparação com métodos iterativos de hiperpotência.
- Métodos iterativos são mostrados como mais sensíveis às propriedades espectrais da matriz.
- O condicionamento dependente da largura é discutido através de uma interpretação de recursos aleatórios.
- Experimentos em matrizes sintéticas e benchmarks de ELM confirmam que a estabilidade é fundamentalmente governada pela estrutura dos valores singulares.
Os achados sugerem que compreender a estrutura dos valores singulares é crítico para garantir a estabilidade das ELMs baseadas em pseudoinversa.