新指标评估 Kolmogorov-Arnold 网络面向硬件的推理复杂度

一篇新论文介绍了用于评估 Kolmogorov-Arnold 网络 (KANs) 推理复杂度的面向硬件的指标。这些指标包括实际乘法运算 (RM)、比特运算 (BOP) 以及加法和比特移位次数 (NABS)，旨在实现平台无关性，并有助于早期架构决策。分析涵盖了 B-spline、GRBF、Chebyshev 和 Fourier KANs 等各种 KAN 变体，能够与其他神经网络架构进行比较。 AI

影响 提供了用于比较神经网络硬件效率的新指标，有助于延迟敏感型应用的部署决策。

排序理由 学术论文，介绍了用于评估神经网络复杂度的指标。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Bit Operations
• B-spline
• Chebyshev
• Fourier KANs
• Gaussian Radial Basis Function Neural Network with Correlation Based Feature Selection Applied to Medical Text Categorization
• graphics processing unit
• GRBF
• Kolmogorov-Arnold Networks
• Number of Additions and Bit-Shifts
• Rana Ahmad Bilal Khalid
• Real Multiplications

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →