精选理由
这项研究为处理大规模数据的神经网络训练提供了并行化新思路，做机器学习和数据挖掘的开发者可以关注其如何平衡精度与效率。
该研究提出两种新方法：多列RBF神经网络结合PSO（MC-PSO）和结合自适应PSO（MC-APSO），旨在解决传统RBF神经网络在大数据集上的可扩展性问题。传统梯度下降和PSO方法在处理大数据时面临核计算过多和隐藏层结构过大的挑战。新方法通过并行部署多个小型RBF网络，每个网络独立训练于数据子集，仅选择与测试实例邻近的网络参与输出，从而提升准确率和速度。实验表明，MC-PSO和MC-APSO在多个基准数据集上优于现有方法，训练和测试时间也更快。
AI 翻译 · 中文
该研究提出两种新方法：多列RBF神经网络结合PSO（MC-PSO）和结合自适应PSO（MC-APSO），旨在解决传统RBF神经网络在大数据集上的可扩展性问题。传统梯度下降和PSO方法在处理大数据时面临核计算过多和隐藏层结构过大的挑战。新方法通过并行部署多个小型RBF网络，每个网络独立训练于数据子集，仅选择与测试实例邻近的网络参与输出，从而提升准确率和速度。实验表明，MC-PSO和MC-APSO在多个基准数据集上优于现有方法，训练和测试时间也更快。
The radial basis function neural network (RBFN) trained with a gradient descending algorithm provides an effective fully connected structure in both shallow and deep networks. The error correction (ErrCor), a state-of-th…