Scikit-ELM: An Extreme Learning Machine Toolbox for Dynamic and Scalable Learning

Anton Akusok*, Leonardo Espinosa Leal, Kaj-Mikael Björk, Amaury Lendasse

*Motsvarande författare för detta arbete

Forskningsoutput: Kapitel i bok/rapport/konferenshandlingKonferensbidragVetenskapligPeer review

Sammanfattning

This paper presents a novel library for Extreme Learning Machines (ELM) called Scikit-ELM (https://github.com/akusok/scikit-elm, https://scikit-elm.readthedocs.io). Usability and flexibility of the approach are the main focus points in this work, achieved primarily through a tight integration with Scikit-Learn, a de facto industry standard library in Machine Learning outside Deep Learning. Methodological advances enable great flexibility in dynamic addition of new classes to a trained model, or by allowing a model to forget previously learned data.
OriginalspråkEngelska
Titel på gästpublikationProceedings of ELM2019
RedaktörerJiuwen Cao, Chi Man Vong, Yoan Miche, Amaury Lendasse
UtgivningsortCham
FörlagSpringer
Utgivningsdatum2021
Sidor69-78
ISBN (tryckt)978-3-030-58988-2
ISBN (elektroniskt)978-3-030-58989-9
DOI
StatusPublicerad - 2021
MoE-publikationstypA4 Artikel i en konferenspublikation

Publikationsserier

NamnProceedings in Adaptation, Learning and Optimization
Volym14
ISSN (tryckt)2363-6084
ISSN (elektroniskt)2363-6092

Nyckelord

  • 113 Data- och informationsvetenskap

Fingeravtryck

Fördjupa i forskningsämnen för ”Scikit-ELM: An Extreme Learning Machine Toolbox for Dynamic and Scalable Learning”. Tillsammans bildar de ett unikt fingeravtryck.

Citera det här