研究人员开发了几何约束的Kolmogorov-Arnold网络(KANs),通过标量指数'p'学习边缘几何。这种方法允许自适应响应,根据学习到的指数,从尖锐的、阈值状的行为到更平坦的曲线。在50个符号回归任务中,这些几何约束KANs,特别是Banach-KAN变体,在中值NRMSE方面与固定基线方法相当或超越了它们,并在测量噪声和少样本情况下表现出更优越的稳定性。学习到的指数还为目标依赖的几何排序提供了可解释的见解。 AI
影响 引入了一种新颖的神经网络架构方法,有望提高符号回归任务的性能和可解释性。
排序理由 该集群描述了一篇详细介绍神经网络新方法的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
- AI Feynman: A physics-inspired method for symbolic regression
- Banach duality
- Banach-KAN
- Chebyshev
- \ell^p$-KAN
- Kolmogorov-Arnold Networks
- splines
- lasso
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →