受量子启发的QiKAN模型在中子监测器时间序列预测中领先

一篇新研究论文探讨了用于Lomnicky Stit中子监测器时间序列数据预测的各种模型。该研究将简单的季节性基线与LSTM、TCN、N-BEATS和Kolmogorov-Arnold Networks (KAN)等先进的深度学习架构，以及两种受量子启发的变体QiLSTM和QiKAN进行了比较。结果表明，受量子启发的QiKAN模型实现了最低的预测误差，尽管基本的Seasonal Naive模型也表现出竞争力。研究结果表明，具有强大季节性或低维函数先验的模型对于周期性科学信号是有效的。 AI

影响 表明具有强大先验的简约模型可以匹配或优于周期性科学信号的复杂架构。

排序理由 该集群包含一篇详细介绍时间序列预测新研究成果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Kolmogorov-Arnold Networks
• long short-term memory
• N Beats Neural Basis Expansion Analysis For Time Series Forecasting
• QiKAN
• QiLSTM
• Temporal Convolutional Network

• 论文
• 其他

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