IEEETII基于随机权重网络的多目标增量建模
本文提出了一种基于图片-正则化的多目标IRWN来解决多目标过程建模问题。在常规IRWN中引入特征层，以提高特征提取能力。此外，采用了一个集成图片范数正则化的目标函数来捕捉目标之间的潜在关系。此外，通过Greville方法，构建了一个全局质量约束，并用于选择有效的随机参数，以同时提高性能并确保所提出方法的收敛性。最后，在六个基准数据集和真实的多目标建模过程中测试了所提出方法的泛化性能。实验结果表明，所建立的模型非常适合多目标应用。
虽然MTIRWN可以有效地处理多目标建模问题，但仍需要考虑一些局限性。1）随着概念漂移问题的出现，MTIRWNs的准确性和鲁棒性肯定会受到影响。在未来，将进一步探索考虑概念漂移的鲁棒和自适应增量学习。2） 由于ADMM和特征层的结合，MTIRWN的构建需要花费更多的时间。在未来的工作中，将采用基于GPU的优化方法，并探索有限元纯层参数确定方法，以降低计算成本。3） 在未来，我们将考虑大量隐藏节点的建模误差缓慢下降的现象。并且，我们希望将所提出的方法与建模误差的加速减小方法相结合，建立一个隐藏节点较少的强大多目标学习模型。
