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

Kolmogorov-Arnold Networks (KAN) 是MIT团队最近提出的一种划时代的模型，提供了一种具有改变游戏规则潜力的创新方法。本文探讨了KAN在时间序列预测中的应用，并提出了两个变体：T-KAN和MT-KAN。实验证实了这些方法的有效性，证明了它们在时间序列预测任务中显著优于传统方法，不仅提高了预测准确性，还改善了模型的可解释性。

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

我们通过对 MNIST、CIFAR10 和 CIFAR100 数据集进行多次试验，使用批量大小为32，证明了 Kolmogorov-Arnold Network（KAN）在视觉任务中的有效性。研究结果表明，KAN 在 CIFAR10 和 CIFAR100 上优于 MLP-Mixer，但稍逊于最先进的 ResNet-18。本研究揭示了 KAN 在图像分类任务中的潜力，并提出了进一步改进其性能的方向。

Jun, 2024

通过对 Kolmogorov-Arnold 网络（KAN）的全面调查，我们对其理论基础、架构设计、应用场景以及当前研究进展有了深入的了解。KAN 凭借其独特的架构和灵活的激活函数，在处理复杂数据模式和非线性关系方面表现出色，展示了广泛的应用潜力。虽然仍然存在挑战，但 KAN 有望为各个领域的创新解决方案铺平道路，可能彻底改变我们处理复杂计算问题的方式。

Jul, 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

本文探讨了科尔莫哥洛夫-阿诺德网络（KANs）在对抗条件下的鲁棒性，尤其是在图像分类任务中的表现。通过评估KANs对标准白盒对抗攻击的性能，并与传统神经网络架构进行比较，文章揭示了KANs在对抗性情况下的独特脆弱性，为未来在这一新兴领域的研究奠定了基础。

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