PulseAugur
中
实时 07:22:10
English(EN) Hierarchical RBF-KAN and RBF-SKAN Architectures for Multidimensional Function Approximation and Random Field Learning

新的RBF-KAN和RBF-SKAN架构解决了多维函数逼近问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了新颖的分层神经网络架构RBF-KAN和RBF-SKAN，旨在逼近复杂的多维函数和学习随机场模型。这些架构利用了Kolmogorov-Arnold网络框架内的径向基函数。理论分析表明，它们具有通用的逼近能力，并有可能缓解确定性函数维度灾难问题，同时还能在Wasserstein-2度量下实现随机场的逼近。实证结果证实了这些基于RBF的网络在实际学习场景中的有效性。 AI

影响 引入了函数逼近和随机场学习的新理论框架，有望提高高维数据分析的效率。

排序理由 介绍新型神经网络架构的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mingtao Xia, Qijing Shen ·

    用于多维函数逼近和随机场学习的分层 RBF-KAN 和 RBF-SKAN 架构

    arXiv:2606.02936v1 Announce Type: new Abstract: In this manuscript, we propose and analyze hierarchical Kolmogorov--Arnold neural network architectures employing radial basis functions as activation functions for approximating deterministic functions and random field models. Spec…

相关实体

相关话题