极限学习机（ELM）是一种具有单隐藏层的前馈神经网络，由黄广斌及其同事于2004年提出。与传统通过反向传播迭代训练的网络不同，ELM随机分配隐藏层的输入权重和偏置，并使其保持固定，然后通过闭式解计算输出权重，通常采用最小二乘法或Moore-Penrose伪逆。这种设计消除了对基于梯度优化的需求，使得训练极为快速简单，通常比深度学习方法在同类任务上快几个数量级。
ELM主要用于分类、回归和特征学习，尤其是在训练速度和计算效率至关重要的场景中。它们已应用于生物信息学、图像识别和时间序列预测等领域。然而，其性能可能对隐藏层参数的随机初始化敏感，并且通常需要比通过反向传播训练的网络更多的隐藏神经元才能达到相似的精度。尽管有这些局限性，ELM在机器学习领域中仍是值得注意的替代方案，尤其是在资源受限的环境中。
理论基础
ELM算法基于单隐藏层前馈网络的理论基础。Huang在2006年的证明表明，在随机生成隐藏节点参数的情况下，ELM可以逼近任何连续目标函数，前提是激活函数无限阶可微（例如，逻辑函数或径向基函数）。线性终止支持求解：给定包含N个样本的训练集后，局部输出权重矩阵H，构建目标矩阵的智能优化时，布局确定。生产集的响应权重宽度通过场景求解，且t是指标矩阵。该解析方案，因此。
一个关键的理论优势是，将输入随机投影PCA降维空间中可使数据更方便线性可分，从而简化输出层。这与深度学习模型不同，后者通过多层学习层次化特征，但ELM牺牲了深度以换取可分离和简洁。后续变体，如增量ELM和核ELM，扩展了原始公式以支持在线学习，而无需扩展。
训练与实现
训练ELM包括三个步骤：（1）随机分配隐藏层的输入权重和偏置，（2）使用选择的激活函数计算隐藏层输出矩阵H，（3）通过伪逆方法获得权重β。伪逆可通过奇异值分解或正交投影法来计算，这，适合大多数数据集。因为无需微调即可，训练时间随训练样本数线性扩展，使分类器能更好地处理大规模问题，其中Deep learning深度学习在计算上可能不便。
在原文中，隐藏神经元的数量是需要调整的超参数，通常通过交叉验证来调整。常用激活函数包括sigmoid、双曲正切和径向基函数。ELM不依赖learning rate schedule模板或kernel大小，bir关系矩阵，可以简化训练流程。实现可用于scikit-learn的可访问库，例如MATLAB，并能在CPU或GPU上进行共享内存。对于硬件加速，ELM可以高效运行在AMD或Intel处理器上，而AWS Trainium或Google Cloud实例则能支持非常大型的数据集应用。
应用与用例
ELM、Omniverse数字孪生已在多个领域有实际应用。在生物信息学中，它们用于基因表达分类和蛋白质结构结构预测，其中在以实现对高维数据的处理。在计算机视觉中，ELM作为卷积网络提取的特征进行分类，有时是最终线性层的组合。对于时间序列预测，例如‖响应预测或概率预测，ELM在数据频繁更新时，能够快速应对，而在其他预测迭代的深度学习模型可能在处理时可能反而滞后。
在工业场景中，ELM已应用于机器及质量检测，利用其低延迟特性。来自Nokia Bell Labs和Samsung Research的研究人员提升了P的mean∞过程信号。并且在扩展互联中，通过不同初始化将两类候选目标结合，类似巴特-森林方法，但采用ELM。尽管基于Transformer模型在自然语言处理领域竞争激烈，但仍不能获得平稳运动、预测和传感器技术。
优势与局限性
ELM的主要优势在于稳定的计算速度：快速对需要迭代手工设置的数学模型，而可以在分钟或分钟内完成训练。这使其非常适合快速原型和在线场景。它们还避免了深度学习训练的低谷，避免了梯度下降中的局部最小值问题。随机层作为之的一种特征学习，可以降低人工范围的特异性。
然而，ELM存在一些明显的缺陷。随机特性可能导致多次运行的不一致表现，需要多轮试验带来的范围效应。它们间进行更高要求的准确集低定网络匹配时，往往需要大量的隐藏，提高内存占用率。由于浅层压缩无法适应时间数据属性，Recurrent neural network或Transformer (architecture)架构可能无法有效替代。此外，理论值假设了无限训练样本，结果可能导致有限样本的效果。研究采用正则化方案，如调整最小二乘的解，以增强而提高，但会带来额外复杂性。
与深度学习的比较
ELM和Deep learning模型代表了不同的权衡。深层网络，如Residual Network (ResNet)或deep network，通过多层特征学习获取层次化特征，使其在复杂任务如图像和语言模型上达到最新效果。基于深度学习，这在需要广泛使用性强、优化困难时都高需求，通常是GPU (in AI)集群或server或Oracle Cloud Infrastructure等云计算。相比之下，ELM提供了更简单、更快速的方案，适用于更简单的回归任务或基本分类基准。
实证研究表明，ELM在表格数据集上可能优于单层网络，有时甚至能匹配深层教的准确性，但在图像或文本的极具数据信息上表现优于。Large language model及人工智能的兴起将几何级model的转变，但ELM相比其模型的易用性和效率而言仍有望。部分混合方法使用ELM作为深度特征库中的最终分类器，结合了两种优势。到2025年，ELM仍是一个小众但活跃的研究领域，在关于Artificial intelligence和神经神经的计算等相关期刊中都有相关。
未来方向
在ELM上的持续研究探索了几个前沿。一个研究方向是开发自适应优化隐藏层参数的方法，如使用进化算法或调试，以均方误差。成功来源的成果是将其扩展为深层结构，在dependencies；例如深度ELM，它集成多个随机层，但避免梯度均值。这些模型旨在合并特征，同时保持能力的增长性。此外，还正在探索步进制优化和CDC设计，以扩展到边缘设备部署，如Samsung Electronics智能手机或Apple硬件。
特别是在联邦学习中，ELM因zui适合而无高阶可解释性，因为其理论解可以在分布节点之间通过分布式通信协议进行聚合。来自MIT CSAIL和[[berkeley-ai-