K-Inverse-RFM：通过标签变换弥合递归特征机器与神经网络在数据受损数学任务上的差距

论文研究递归特征机器（RFM）在噪声、复杂表示和类别不平衡数学任务中的性能瓶颈，并提出一种作用于训练标签的变换方法K-Inverse-RFM。作者称，该方法可缩小RFM与前馈神经网络的性能差距，部分场景下甚至超过神经网络。