基于复杂变换的实值表格数据随机网络 RVFL-X
机器学习
2025-10-14 v1 人工智能
摘要
近期神经网络的进展得到了基于复杂数理论洞见的支持,强调复杂数在表示能力方面的优势。然而,其在随机神经网络（RNNs）中的采用受限于缺乏有效的方法将实值表格数据转换为复杂表示。为此,我们提出两种生成实值数据集复杂表示的方法:一种是自然变换,另一种是自编码器驱动方法。基于这些机制,我们提出RVFL-X,一种随机向量功能链接（RVFL）网络的复杂扩展。RVFL-X将复杂变换集成到实值数据集中,同时保持原始RVFL架构的简单性和效率。通过利用输入、权重和激活函数的复杂组件,RVFL-X处理复杂表示并产生实值输出。在80个真实值 UCI 数据集上的全面评估表明,RVFL-X consistently outperforms both the original RVFL and state-of-the-art (SOTA) RNN variants, showcasing its robustness and effectiveness across diverse application domains.
引用
@article{arxiv.2510.06278,
title = {RVFL-X: A Novel Randomized Network Based on Complex Transformed Real-Valued Tabular Datasets},
author = {M. Sajid and Mushir Akhtar and A. Quadir and M. Tanveer},
journal= {arXiv preprint arXiv:2510.06278},
year = {2025}
}