通过将 Kolmogorov-Arnold Networks (KANs) 应用于时间序列预测，利用它们的自适应激活函数来增强预测建模能力。证明了在实际卫星流量预测任务中，KANs 相对于传统的多层感知机 (MLPs) 能够以更准确的结果和更少的可学习参数提供更好的性能。此外，还对 KAN-specific 参数的影响进行了深入研究，为自适应预测模型开辟了新的途径，强调了 KANs 作为强大预测分析工具的潜力。

May, 2024

基于 Kolmogorov-Arnold Networks (KANs) 和 Long Short-Term Memory (LSTM) 的启发，我们提出了一种新的神经网络架构，Temporal Kolomogorov-Arnold Networks (TKANs)，通过整合两种网络，TKANs 在具备记忆管理的 Recurring Kolmogorov-Arnold Networks (RKANs) 层中实现了多步时间序列预测，并提供了对复杂序列模式处理的改进，为超前预测领域的进展提供了显著潜力。

May, 2024

Kolmogorov-Arnold Networks (KANs) are proposed as alternatives to Multi-Layer Perceptrons (MLPs), outperforming them in terms of accuracy and interpretability, while possessing faster neural scaling laws; KANs have potential to improve current deep learning models.

Apr, 2024

通过在 Kolmogorov-Arnold 网络结构中引入小波函数，Wav-KAN 提供了一种可解释性和性能得到提升的创新神经网络架构。

May, 2024

我们提出了一种新颖的方法，利用可学习的路径签名和科尔莫哥洛夫 - 阿诺德网络（KANs）来增强多变量函数逼近能力。通过利用可学习的路径签名对 KANs 获得的值加权，我们增强了这些网络的学习能力，从而更全面、灵活地表示顺序和时间数据。通过研究，我们证明了我们的 SigKANs 能够在各种函数逼近挑战中优于传统方法。通过在神经网络中利用路径签名，这种方法为时间序列分析和时间序列预测等领域提供了有趣的性能提升机会。

Jun, 2024

这篇论文提出了卷积科尔莫戈洛夫 - 阿诺德网络（Convolutional KANs），这是标准卷积神经网络（CNN）的一种创新替代方法，我们将科尔莫戈洛夫 - 阿诺德网络（KANs）中的非线性激活函数集成到卷积中，构建出一个新的层。我们在 MNIST 和 Fashion-MNIST 基准测试中对 Convolutional KANs 的性能进行了实证验证，表明这种新方法在准确性方面保持了类似水平，同时只使用了一半的参数。这种参数量的显著减少打开了推进神经网络架构优化的新途径。

Jun, 2024

我们引入了图科尔莫哥洛夫 - 阿诺德网络（GKAN），一种创新的神经网络架构，它扩展了最近提出的科尔莫哥洛夫 - 阿诺德网络（KAN）的原理，用于图结构化数据。通过采用 KAN 的独特特性，尤其是使用可学习的单变量函数而不是固定线性权重，我们为基于图的学习任务开发了一个强大的模型。

Jun, 2024

本文在真实的表格式数据集上进行了 Kolmogorov-Arnold Networks (KANs) 和 Multi-Layer Perceptrons (MLPs) 的基准测试研究，结果显示 KANs 在处理复杂数据时表现出色，但相较于可比较大小的 MLPs，其计算成本较高。

Jun, 2024

Graph neural network 模型 GKAN 通过使用基于样条函数的边缘激活函数，提高了准确性和解释性，在节点分类、链接预测和图分类任务上胜过了最先进的图神经网络模型。此外，GKAN 的设计本身提供了对模型决策过程的清晰见解，消除了事后解释性技术的需求。

Jun, 2024

Kolmogorov-Arnold Networks (KANs) are evaluated for visual modeling in image recognition tasks, comparing their performance and efficiency with conventional models, highlighting their potential and areas for further research.

Jun, 2024