关于科尔莫哥洛夫-阿诺德网络(KAN)的综合调查
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
这篇简短论文是关于用高斯径向基函数很好地近似Kolmogorov-Arnold网络(KANs)中使用的3阶B样条的快速概念验证。通过这样做,得到了FastKAN,这是一种比KAN更快速的径向基函数网络。
May, 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
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
本研究针对Kolmogorov-Arnold网络(KAN)在传统多层感知机(MLP)面临验证的瓶颈问题,进行了大规模基准数据集上的比较。研究发现,KAN在128个时间序列数据集上的表现可与MLP匹敌,且具有更强的鲁棒性,揭示了KAN及其层在提升模型对抗鲁棒性方面的潜力。
Aug, 2024
本研究解决了Kolmogorov-Arnold网络(KAN)在大规模基准数据集上验证的需求,特别是在时间序列数据领域。通过与传统的多层感知器(MLP)进行比较,研究发现KAN在128个时间序列数据集上的表现可与MLP相媲美,甚至略有提升,同时显示出更强的鲁棒性,具有改进其他模型对抗鲁棒性的潜力。
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
本研究提出了一种新的Kolmogorov-Arnold网络(KAN),用于高维潜在不规则函数的逼近。与多层感知器相比,KAN在准确性方面表现更佳且收敛速度更快。尽管其计算时间超过了最近提出的ReLU-KAN,但其准确性更高。
Oct, 2024