Proceedings of ELM 2021: Theory, Algorithms and Applications

این کتاب حاوی مقالاتی از کنفرانس بین‌المللی ماشین یادگیری افراطی 2021 است که به صورت مجازی در 15 تا 16 دسامبر 2021 برگزار شد. هدف ماشین‌های یادگیری افراطی (ELM) فعال کردن یادگیری فراگیر و هوش فراگیر است. همانطور که توسط نظریه های ELM حمایت می شود، دیدن همگرایی یادگیری ماشینی و یادگیری بیولوژیکی از دیدگاه بلندمدت هیجان انگیز است. ELM ممکن است یکی از «ذرات یادگیری» اساسی باشد که شکاف‌های بین یادگیری ماشین و یادگیری بیولوژیکی را پر می‌کند (که عملکردهای فعال‌سازی حتی ناشناخته هستند). ELM مجموعه ای از تکنیک های یادگیری (ماشین و بیولوژیکی) را نشان می دهد که در آن نورون های پنهان نیازی به تنظیم ندارند: از اجداد خود به ارث رسیده اند یا به طور تصادفی تولید می شوند. نظریه‌های یادگیری ELM نشان می‌دهند که الگوریتم‌های یادگیری مؤثر را می‌توان بر اساس نورون‌های پنهان (نرون‌های بیولوژیکی، نورون‌های مصنوعی، موجک‌ها، سری فوریه و غیره) که به‌طور تصادفی تولید می‌شوند، استخراج کرد، تا زمانی که آنها به صورت تکه‌ای پیوسته غیرخطی، مستقل از داده‌های آموزشی و محیط‌های کاربردی باشند. به طور فزاینده ای، شواهد علوم اعصاب نشان می دهد که اصول مشابهی در سیستم های یادگیری بیولوژیکی اعمال می شود. نظریه‌ها و الگوریتم‌های ELM استدلال می‌کنند که «نرون‌های پنهان تصادفی» جنبه‌ای ضروری از مکانیسم‌های یادگیری بیولوژیکی و همچنین این حس شهودی را به تصویر می‌کشند که کارایی یادگیری بیولوژیکی نیازی به تکیه بر قدرت محاسباتی نورون‌ها ندارد. بنابراین، نظریه‌های ELM به دلایل احتمالی اینکه چرا مغز از رایانه‌های فعلی باهوش‌تر و مؤثرتر است، اشاره می‌کنند.

This book contains papers from the International Conference on Extreme Learning Machine 2021, which was held in virtual on December 15–16, 2021. Extreme learning machines (ELM) aims to enable pervasive learning and pervasive intelligence. As advocated by ELM theories, it is exciting to see the convergence of machine learning and biological learning from the long-term point of view. ELM may be one of the fundamental `learning particles’ filling the gaps between machine learning and biological learning (of which activation functions are even unknown). ELM represents a suite of (machine and biological) learning techniques in which hidden neurons need not be tuned: inherited from their ancestors or randomly generated. ELM learning theories show that effective learning algorithms can be derived based on randomly generated hidden neurons (biological neurons, artificial neurons, wavelets, Fourier series, etc.) as long as they are nonlinear piecewise continuous, independent of training data and application environments. Increasingly, evidence from neuroscience suggests that similar principles apply in biological learning systems. ELM theories and algorithms argue that “random hidden neurons” capture an essential aspect of biological learning mechanisms as well as the intuitive sense that the efficiency of biological learning need not rely on computing power of neurons. ELM theories thus hint at possible reasons why the brain is more intelligent and effective than current computers.

This book covers theories, algorithms, and applications of ELM. It gives readers a glance of the most recent advances of ELM.