增量随机权重网络可解释构造算法

训练快且结构紧凑

通过隐含层参数与网络残差的空间几何关系显式控制收敛过程，首次让IRWNN的构造过程具备可解释性，并给出低复杂度版本ICA+，兼顾可解释性与大数据处理能力。

南京 · 75372750 · 袁冠 · 周平

IEEE Transactions on Industrial Informatics 2024

技术优势

能看清收敛

通过空间几何分析，可直观看到每个隐含层参数如何影响网络残差收敛，从而指导参数选择。

大数据跑得动

低复杂度变体ICA+大幅降低计算量，可处理大数据复杂任务而不牺牲可解释性。

逼近能力有保证

理论上证明了ICA与ICA+具有通用逼近性质，可逼近任意连续函数。

应用场景

• 工业大数据快速建模：快速构建可解释模型，替代调参困难的黑箱网络。
• 边缘端轻量级学习：低复杂度版本可在资源受限设备上在线增量学习。
• 机器人自适应控制：紧凑网络可实时更新控制策略，适应动态变化。
• 动态系统建模：可解释构造有助于理解系统内部关系，建立可信模型。