1.3.2 通用機器學習單元

除了作為一種新型前饋神經網絡模型，ELM所積極倡導的學習理論具有通用且普適的特點[17,21]，可整合并解釋很多現有的機器學習模型（如圖1-3所示），并解決一系列常見的機器學習任務，而這與60多年來傳統的學習理論有所不同。

ELM學習理論強調，隱藏層節點可以與數據無關，重要的是要調整從隱藏層節點到輸出層的連接。基于這種策略，常見的數據壓縮、特征學習、聚類、回歸擬合和分類等任務對應的基本學習單元均可由ELM模型實現。此外，ELM理論也為傳統神經網絡提供了理論支持（包括局部感受域和池化策略），而這些理論正是當前深度學習技術的核心。

類似地，在ELM提出以前，嶺回歸理論、線性系統穩定性、矩陣穩定性、Bartlett神經網絡泛化能力理論和支持向量機的邊界最大化理論等被認為是不同的理論，特別是Bartlett神經網絡泛化能力理論在以前很少用于訓練神經網絡。ELM理論顯示，這些之前的理論從機器學習角度看是統一的[22-23]。例如，ELM采用了Bartlett理論，提升其在數據預測過程中的泛化能力[11]。

圖1-3 ELM與其他算法間的關系[17]