深度随机配置网络(Deep Stochastic Configuration Network,DSCN)是一种增量式随机化学习模型，具有人为干预程度低、学习效率高和泛化能力强等优点。但是，面向噪声数据回归与分析时，传统的DSCN易受到异常值影响，从而降低了模型的泛化性。因此，为提高噪声数据回归精度和鲁棒性，提出了基于M-estimator函数的加权深度随机配置网络(Weighted Deep Stochastic ConfigurationNetworks, WDSCN)。首先，选取Huber和Bisquare 2个常用的M-estimator函数计算样本权重，利用加权最小二乘法和L₂正则化策略替代最小二乘更新WDSCN输出权重，以降低异常值对WDSCN的负面影响；其次，为提高WDSCN模型表征能力，设计了一种随机配置稀疏自编码器(Stochastic Configuration SparseAutoencoder, SC-SAE)，基于DSCN其独有的监督机制随机分配输入参数，采用基于L₁正则化的目标函数，并利用交替方向乘子法(AlternatingDirection Method of Multipliers, ADMM)计算SC-SAE输出权重；然后，为获取有效的特征表示，利用SC-SAE生成特征的随机性和多样性，采取多个SC-SAE进行特征学习并融合，用于WDSCN模型训练；最后，在真实数据集上的实验结果表明，WDSCN-Huber、WDSCN-Bisquare相比于DSCN、SCN以及RSC-KDE、RSC-Huber、RSC-IQR、RSCN-KDE、WBLS-KDE和RBLS-Huber等加权模型具有更高的泛化性能和回归精度。

该论文已被CCF A类中文权威期刊《计算机学报》录用！热烈祝贺！