结构化特征生成推进广度学习：2025年深度学习领域的重要突破

📖 原文论文：Advancing Broad Learning Through Structured
FeatureGeneration
🔗 论文地址：https://doi.org/10.1016/j.eswa.2025.129948
✍️ 作者：MarioMallea,ÀngelaNebot,FranciscoMugica
🎉 发布时间：2025年10月
🎯 关键词：广度学习系统、随机神经网络、特征生成、结构化学习、高效计算

---

一、研究背景与意义

深度神经网络（DNNs）在大数据场景下表现出色，但在数据稀缺场景中面临严重挑战，包括过拟合、高计算成本和训练时间长等问题。这使得DNNs在数据收集昂贵或不可行的实际应用中受到限制。

广度学习系统（BLS） 作为一种高效的替代方案应运而生。与深度网络不同，BLS构建宽而浅的网络结构，通过随机特征映射和线性优化实现高效学习。然而，传统BLS依赖于独立同分布（i.i.d.）的随机特征生成，这种方法虽然计算高效，但容易产生冗余和次优的特征表示。

论文提出的结构化广度学习系统（SBLS） 通过引入结构化基函数，重新定义了特征生成方式，在保持BLS高效性的同时，显著提升了性能、鲁棒性和可解释性。

二、论文整体结构与主要贡献

论文采用严谨的学术结构：理论基础 → 方法设计 → 理论分析 → 实验验证 → 应用展望。

图1：论文组织结构图

主要贡献可总结为四点：

方法创新：首次提出结构化广度学习系统，用设计的基函数替代随机特征生成

理论