研究人员探讨了Kolmogorov-Arnold网络(KANs)的通用性,证明了单个非仿射边缘函数与仿射函数结合足以使深度KANs成为通用逼近器。进一步分析表明,对于具有恰好两层隐藏层的KANs,通用性取决于边缘函数的非多项式性质。此外,还引入了一种名为单位分割高斯KAN(PU-GKANs)的新变体,利用高斯基函数,与基于样条的激活函数相比,提高了稳定性和准确性。 AI
影响 关于KAN通用性的新理论发现和一种新颖的PU-GKAN变体可能会带来更稳定、更准确的神经网络架构。
排序理由 2026年4月26日发表了两篇arXiv论文,详细介绍了Kolmogorov-Arnold网络的理论特性和新变体。
- Kolmogorov-Arnold Networks
- Partition-of-Unity Gaussian Kolmogorov-Arnold Networks
- PU-GKANs
- spline activations
- Gaussian basis functions
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →