PulseAugur
中
实时 20:47:14
English(EN) Adaptive RBF-KAN: A Comparative Evaluation of Dynamic Shape Parameters in Kolmogorov-Arnold Networks

自适应RBF-KAN通过新的核函数和数据驱动的形状参数提高了效率

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为自适应RBF-KAN的Kolmogorov-Arnold网络（KANs）的增强版本，提高了计算效率和灵活性。这种新方法用更广泛的核函数族（包括Matérn和Wendland类型）取代了FastKAN中使用的固定高斯径向基函数。自适应RBF-KAN利用留一法交叉验证对核形状参数进行数据驱动的初始化，并在网络训练期间进一步优化。在基准函数上的评估证明了自适应核选择和形状参数对于各种数据模式的有效性。 AI

影响 引入了一种更高效、更灵活的神经网络架构，可以提高在各种基准函数上的性能。

排序理由 该集群包含一篇arXiv预印本，详细介绍了一种改进某类神经网络的新方法。

在 arXiv stat.ML 阅读 →

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

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Roberto Cavoretto, Alessandra De Rossi, Adeeba Haider, Amir Noorizadegan ·

    自适应RBF-KAN：Kolmogorov-Arnold网络中动态形状参数的比较评估

    arXiv:2605.21534v1 Announce Type: new Abstract: Kolmogorov-Arnold Networks (KANs) approximate multivariate functions using learnable univariate edge functions, typically parameterized by B-spline bases. Although effective, spline-based implementations can be computationally expen…

  2. arXiv stat.ML TIER_1 English(EN) · Amir Noorizadegan ·

    自适应RBF-KAN：Kolmogorov-Arnold网络中动态形状参数的比较评估

    Kolmogorov-Arnold Networks (KANs) approximate multivariate functions using learnable univariate edge functions, typically parameterized by B-spline bases. Although effective, spline-based implementations can be computationally expensive. A modified version of KANs, called FastKAN…

相关实体

相关话题