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

介绍了BSRBF-KAN，一种将B样条和径向基函数（RBF）结合起来用于拟合数据训练输入向量的科尔莫戈洛夫·阿诺德网络（KAN），通过在MNIST数据集上与MLP和其他流行的KAN进行实验，BSRBF-KAN在5次训练中表现出稳定性，并获得了优于其他网络的收敛性，其平均准确率为97.55％，我们希望BSRBF-KAN能够开启许多数学函数组合来设计KAN，我们的资源库可公开访问：https://this-example-URL

Jun, 2024

本研究探索了使用有理函数作为Kolmogorov-Arnold网络的基础函数，并提出了两种不同的方法，基于Pade逼近和有理Jacobi函数作为可训练的基础函数，建立了有理KAN(rKAN)。然后，我们评估了rKAN在各种深度学习和物理推断任务中的性能，以证明其在函数逼近中的实用性和有效性。

Jun, 2024

使用有限基础Kolmogorov-Arnold网络（FBKANs）和域分解方法，可以通过在并行中训练多个小型网络来解决多尺度问题，得到对噪声数据和物理相关训练具有准确结果的科学机器学习方法。

Jun, 2024

本研究解决了Kolmogorov-Arnold网络(KAN)在不同任务中的性能降低问题，提出了一种自适应选择激活模式的可选择激活空间KAN(S-KAN)。实验结果表明，S-KAN在七个函数拟合任务中超过了基线方法，并在四个通用图像分类数据集上优于同等参数水平的多层感知器(MLP)方法，推动了新人工智能范式的数据中心化设计理解。

Aug, 2024

本研究解决了传统Kolmogorov-Arnold网络（KANs）在有限网格和固定B样条系数方面的局限性，提出了无界Kolmogorov-Arnold网络（UKANs）。通过引入系数生成器模型，并结合GPU加速库，显著降低了计算复杂性，实现了大规模学习的批量计算。实验结果表明，UKAN在回归、分类和生成任务中表现优越，具有更高的内存和计算效率。

Aug, 2024

本研究提出了FC-KAN，一种运用常见数学函数组合的科尔莫哥洛夫-阿诺德网络，旨在解决低维数据处理中的功能组合问题。通过实验，FC-KAN在MNIST和Fashion-MNIST数据集上表现优于其他比较的模型，展示了函数组合在未来KAN设计中的潜力。

Sep, 2024

本研究解决了在数据稀缺环境下，多层感知器（MLPs）和 Kolmogorov-Arnold 网络（KANs）之间的有效性差异问题。通过引入具有参数化激活函数的 MLP 设计方法，研究表明在样本量仅为一百左右的情况下，个性化激活函数的 MLP 在预测准确性上显著优于 KAN，提供了关于激活函数选择对神经网络影响的新见解。

Sep, 2024

本研究针对传统变压器中多层感知器层的限制，提出了一种新架构——科尔莫戈洛夫-阿诺德变压器（KAT），通过使用科尔莫戈洛夫-阿诺德网络（KAN）层来提高模型的表现力和性能。研究中提出的三大解决方案有效地克服了在现代硬件上实施KAN时的计算效率和权重初始化挑战，使KAT在性能上显著超越了传统基于MLP的变压器。

Sep, 2024