研究人员为 Kolmogorov-Arnold Networks (KANs) 开发了一种新的曲率惩罚方法，以解决其激活函数中高曲率振荡的问题。该惩罚旨在提高 KANs 的可解释性，同时不牺牲其准确性。所提出的方法推导了一种与基无关的惩罚，并证明了其在创建更平滑激活方面的有效性，有望在科学机器学习中推进预测与洞察之间的平衡。 AI
影响 提高了 KANs 的可解释性，可能增强其在科学机器学习应用中的效用。
排序理由 关于改进机器学习模型架构可解释性的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.02190v1 Announce Type: cross Abstract: Kolmogorov-Arnold networks (KANs) offer a potent combination of accuracy and interpretability, thanks to their compositions of learnable univariate activation functions. However, the activations of well-fitting KANs tend to exhibi…
Kolmogorov-Arnold networks (KANs) offer a potent combination of accuracy and interpretability, thanks to their compositions of learnable univariate activation functions. However, the activations of well-fitting KANs tend to exhibit pathologically high-curvature oscillations, maki…