PulseAugur
中
实时 12:19:53
English(EN) Predicting Functions, Not Features: KANs with Function-Space Joint-Embedding Predictive Learning for Medical Image Segmentation

新的FS-JEPA方法提升了用于医学图像分割的KAN · 跟踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为函数空间联合嵌入预测学习（FS-JEPA）的新方法，以提高Kolmogorov-Arnold网络（KANs）在医学图像分割中的性能。该方法通过在聚合之前预测其行为的结构化签名来训练单个KAN边缘函数，提供了比以前的方法更具信息量的学习目标。在五个基准上的实验表明，FS-JEPA取得了最佳的平均Dice分数，比现有的基于KAN的方法提高了2.25个百分点。 AI

影响 这项研究通过提高KAN在分割任务中的性能，可能带来更准确的医学图像分析。

排序理由 该集群描述了一篇详细介绍一种新颖方法以改进特定类型神经网络在特定应用中性能的新研究论文。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的FS-JEPA方法提升了用于医学图像分割的KAN · 跟踪2个来源

报道来源 [2]

  1. Hugging Face Daily Papers TIER_1 English(EN) ·

    预测函数而非特征：基于函数空间联合嵌入预测学习的KANs用于医学图像分割

    Kolmogorov--Arnold Networks (KANs) introduce explicit functional representations by parameterizing each network edge as a learnable univariate function. However, existing KAN-based segmentation models optimize edge functions only through objectives defined after edge aggregation,…

  2. arXiv cs.CV TIER_1 English(EN) · Yungeng Liu, Xuanzi Fang, Yuge Zhang, Shuqi Ren, Haijin Zeng, Yongyong Chen ·

    预测函数而非特征：基于函数空间联合嵌入预测学习的KANs用于医学图像分割

    arXiv:2608.12050v1 Announce Type: new Abstract: Kolmogorov--Arnold Networks (KANs) introduce explicit functional representations by parameterizing each network edge as a learnable univariate function. However, existing KAN-based segmentation models optimize edge functions only th…

相关实体

相关话题