PulseAugur
中
实时 13:57:01

ShapKAN框架增强KAN的可解释性和压缩性

作者 PulseAugur 编辑部 · [1 个来源] ·

一个名为ShapKAN的新框架已被开发出来，用于解决剪枝Kolmogorov-Arnold Networks (KANs) 的挑战。该方法利用Shapley值以一种对输入坐标偏移不变的方式评估节点的重要性。通过量化每个节点的真实贡献，ShapKAN提供了比传统基于幅度的剪枝技术更可靠的重要性排名。实验表明，ShapKAN能够有效地压缩KAN，同时保持其可解释性和性能，使其更适用于资源受限的应用。 AI

影响 增强了KAN的可解释性和效率，可能使其在资源受限的环境中得到更广泛的应用。

排序理由 该集群描述了一篇介绍改进现有模型的新颖框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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.AI TIER_1 English(EN) · Wangxuan Fan, Ching Wang, Siqi Li, Nan Liu ·

    Shift-Invariant Attribute Scoring for Kolmogorov-Arnold Networks via Shapley Value

    arXiv:2510.01663v2 Announce Type: replace-cross Abstract: For many real-world applications, understanding feature-outcome relationships is as crucial as achieving high predictive accuracy. While traditional neural networks excel at prediction, their black-box nature obscures unde…

相关实体

相关话题