GrafoRVFL: A gradient-free optimization framework for boosting random vector functional link network

Nguyen Van Thieu

doi:10.1016/j.neucom.2025.130898

GrafoRVFL: A gradient-free optimization framework for boosting random vector functional link network

2025-07-12

0

PRE

AI

DOI：10.1016/j.neucom.2025.130898

原文链接

摘要

En 中文

随机向量函数链接（RVFL）网络因其简化的架构和降低的训练复杂度，已被视为一种快速高效的神经网络模型而受到关注。然而，该网络的超参数调整仍然是许多应用中追求性能提升的主要障碍。本研究提出GrafoRVFL，一个采用无梯度算法优化RVFL网络超参数的开源框架。GrafoRVFL是一个适应性系统，有助于提升RVFL模型的性能。它构建在Numpy、Mealpy和Scikit-Learn之上。我们通过比较14种混合无梯度训练的RVFL模型在多种回归和分类数据集上的表现来评估所提出的框架。最佳模型在乳腺癌、波形和魔法望远镜数据集上的分类准确率分别达到96%、92%和85%。对于回归任务，糖尿病、波士顿房价和加州房价数据集上的R分数分别为0.70、0.89和0.80。此外，我们在数字数据集上比较了三种混合RVFL模型与GridSearchCV和RandomizedSearchCV。结果表明，我们的混合模型在显著减少计算时间的同时实现了更好的性能。这表明我们提出的框架可以作为研究人员和从业者寻求解决实际问题的实用且稳健方法的宝贵资源。该库的源代码可在GitHub仓库中公开获取：https://github.com/thieu1995/GrafoRVFL。

Keyword:

Random Vector Functional Link Networks

hyperparameter optimization

gradient-free algorithms

machine learning

open-source framework

GrafoRVFL: A gradient-free optimization framework for boosting random vector functional link network

摘要

期刊

机构

引用论文