가볍고 빠른 학습 속도로 주목받았던 RVFL(Random Vector Functional Link) 신경망이 실제 환경의 복잡한 데이터 문제에 부딪히며 한계를 드러냈습니다. 기존 RVFL 모델은 무작위 가중치를 가진 은닉층과 직접적인 입출력 연결을 통해 효율적인 학습과 뛰어난 일반화 성능을 제공했지만, 노이즈가 섞인 레이블, 이상치(outliers), 그리고 불균형한 데이터에는 매우 민감하게 반응하여 성능 저하를 겪었습니다. 이러한 문제점은 RVFL 모델이 실제 산업 및 연구 분야에서 폭넓게 활용되는 데 걸림돌이 되어왔습니다.
최근 발표된 논문에서 연구진은 이러한 RVFL의 약점을 보완하기 위해 KRPRVFL(Kernel Risk-sensitive Mean p-power based RVFL)이라는 새로운 모델을 제안했습니다. KRPRVFL은 RVFL의 계산 효율성은 유지하면서, KRP(Kernel Risk-sensitive Mean p-power) 기준의 견고성(robustness)을 통합한 것이 특징입니다. 기존 RVFL이 사용하던 최소 제곱(least-squares) 목적 함수를 KRP 기반 손실 함수로 대체함으로써, 학습 과정에서 손상되거나 신뢰할 수 없는 샘플의 영향을 적응적으로 줄여 안정성과 일반화 성능을 크게 향상시켰습니다. 또한, 모델 구성 요소 간의 적응적 상호작용을 가능하게 하는 협력 학습(collaborative learning) 메커니즘을 도입하여 복잡하고 노이즈가 많은 환경에서도 견고성을 더욱 강화했습니다. 이 프레임워크는 커널 기반 특징 매핑(kernel-induced feature mapping)을 활용하여 명시적인 은닉층 선택 없이도 비선형 관계를 포착하며 효율성과 확장성을 모두 확보했습니다.
UCI 및 KEEL 벤치마크 데이터셋에 대한 광범위한 실험 결과는 KRPRVFL이 정확도, 견고성, 통계적 유의성 측면에서 기존 베이스라인 모델들을 일관되게 능가함을 보여주었습니다. 이는 KRPRVFL이 도전적인 분류 작업에서 빠르고 확장 가능하며 신뢰할 수 있는 솔루션으로서 효과적임을 입증합니다. 이 연구는 RVFL 네트워크의 실용적 활용 가능성을 크게 높이며, 노이즈가 많은 실제 데이터 환경에서 머신러닝 모델의 신뢰성을 확보하는 데 중요한 진전을 이루었다는 점에서 의미가 큽니다.