arXiv cs.AI· Truong X. Tran, Ramazan S. Aygun·· 3 天前AI 评分22
WisdomNet：实现零误分类的可信机器学习架构
WisdomNet: trustable machine learning toward error-free classification
AI 导读
研究者提出 WisdomNet 神经网络架构，通过引入共轭神经元判断网络能否正确分类，使分类错误率降至 0%，无法确定的数据以约 10% 以内的比例标记为"拒绝"。该架构可应用于多层感知机、卷积神经网络和深度网络等已有模型，在多个数据集上完成验证。
正文 · AI 翻译
摘要：误分类是许多机器学习应用中的一个关键问题。由于即使是准确率很高（例如 > 95%）的分类器模型仍然会引入一些误分类错误，因此可能无法依赖分类器的输出。在本文中，我们引入了可信学习，它促使学习模型只产生真实输出，从而避免误分类。当模型无法准确判断输出时，如果被迫进行分类，学习模型应表明可能存在误分类错误，因此，它应拒绝做出决定或将其交由人类专家处理。因此，我们开发了一种可信学习的方法，并将其应用于人工神经网络，并表明可以开发出误分类错误率为 0% 的分类器。我们提出了一种名为 WisdomNet 的新型神经网络架构，它通过引入一个名为共轭神经元的额外神经元来指示网络是否能够正确分类数据，从而提供零预测误差。WisdomNet 架构可以应用于任何先前构建的模型，并且我们在不同数据集上使用多种网络架构（如多层感知机、卷积神经网络和深度网络）对 WisdomNet 进行了评估。结果表明，WisdomNet 能够将分类错误率降至 0%，同时将难以分类的数据标记为“拒绝”，其比例低至约 10% 以内。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15299 [cs.LG] |
| （或 arXiv:2610.15299v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15299 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 期刊 参考： | Neural Computing & Applications, vol. 33, pp. 2719-2734, 2021 |
| 相关 DOI： | https://doi.org/10.1007/s00521-020-05147-4
链接到相关资源的 DOI |
提交历史
来自：Truong Tran [查看电子邮件]
[v1]
2026年10月11日星期日 03:07:31 UTC（3,070 KB）
来源：arXiv cs.AI · arxiv.org