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