图科尔莫戈洛夫 - 阿诺德网络
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
最近几年,图神经网络 (GNNs) 成为学习节点和图表示的事实上的工具,该论文比较了 KANs 与 MLPs 在图学习任务中的性能,结果表明在分类任务方面两者相当,但在图回归任务上,KANs 具有明显优势。
Jun, 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
大量的应用涉及嵌入在非欧几里得空间中的具有潜在关系的数据。图神经网络 (GNNs) 用于通过捕捉图中的依赖关系来提取特征。尽管具有突破性的性能,但我们认为多层感知器 (MLPs) 和固定激活函数阻碍了特征提取,因为信息丢失。受科尔莫戈洛夫 - 阿诺德网络 (KANs) 的启发,我们首次尝试将 GNN 与 KANs 结合使用。我们放弃了 MLPs 和激活函数,而是使用 KANs 进行特征提取。实验证明了 GraphKAN 的有效性,强调了 KANs 作为强大工具的潜力.
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
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
研究使用具有固定网络拓扑结构的 Kolmogorov-Arnold 网络(KAN)作为传统多层感知器(MLP)架构的高效可解释替代方法,探讨了 KAN 中平滑性的相关性,并提出了在特定函数类中,具有平滑且结构知情的 KAN 可以达到与 MLP 相等的效果,从而减少训练所需的数据,并降低生成虚假预测的风险,从而提高计算生物医学模型的可靠性和性能。
May, 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
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
本文探讨了 Kolmogorov-Arnold Networks 在计算机视觉领域的应用,提出了参数高效的设计和微调算法,并在图像分类和分割任务中取得了最新成果。
Jul, 2024