Kolmogorov--Arnold Networks
PulseAugur coverage of Kolmogorov--Arnold Networks — every cluster mentioning Kolmogorov--Arnold Networks across labs, papers, and developer communities, ranked by signal.
- instance of Manchester Literary and Philosophical Society 90%
- instance of B-spline 90%
- competes with multilayer perceptron 70%
- used by multilayer perceptron 70%
- competes with Multi-Layer Perceptrons 70%
- instance of Kolmogorov-Arnold representation theorem 70%
- located in Kansas 50%
- uses Multi-Layer Perceptrons 50%
- used by Multi-Layer Perceptrons 50%
13 天有情绪数据
-
将量子电路集成到神经网络中以提高效率
研究人员引入了一个名为量子变分激活函数（QVAFs）的新框架，该框架利用参数化量子电路作为神经网络中可学习的激活函数。一个具体的实现DARUAN，在集成到Kolmogorov-Arnold网络（KANs）时，展示了指数级的参数减少和更高的表达能力，从而创建了受量子启发的KANs（QKANs）。这些QKANs提供了更高的参数效率和泛化能力，而混合架构（HQKANs）则旨在实现可扩展性，并有可能取代大型模型中的传统MLP。实验在函数回归、…
-
Kolmogorov-Arnold定理的量子类似物已为酉映射建立
研究人员建立了Kolmogorov-Arnold表示定理的两个量子类似物，该定理处理连续多元函数的分解。这些新定理适用于连续酉值映射，特别是处理反厄米值映射，并由于量子算子的非交换性质为其提供了因子化版本。研究结果表明，这些局部表示定理不能全局扩展到整个酉群。
-
新AI框架自动化发现可解释材料模型
研究人员开发了一种名为非弹性本构Kolmogorov-Arnold网络（iCKANs）的新型人工神经网络架构，旨在自动化可解释材料模型的发现。该框架可以将材料测试数据转化为符号本构定律，以闭合数学形式捕捉弹性和非弹性行为。iCKANs架构已证明其能够准确模拟VHB 4910和VHB 4905等聚合物复杂的粘弹性特性，同时保持物理可解释性并能够纳入其他材料信息，如温度依赖性行为。
-
LSTM在金融时间序列预测中优于基线KAN
一项近期研究比较了Kolmogorov-Arnold网络（KAN）和长短期记忆（LSTM）网络在金融时间序列预测中的应用，发现LSTM在预测准确性方面显著优于基线KAN。尽管KAN提供了理论上的可解释性，但其标准形式在处理序列数据方面不如LSTM有效。该研究为KAN在此类数据上的性能设定了一个基线，并建议进一步研究专门的时间序列KAN变体。
-
新的 SKGFusionKAN 方法使用 GNN 和 KAN 增强物联网网络入侵检测
研究人员开发了一种名为 SKGFusionKAN 的新方法，以改进物联网（IoT）网络中的入侵检测。该方法结合了图神经网络（GNN），特别是 GraphSage，以及 Kolmogorov-Arnold 网络（KAN），以更好地处理物联网环境的动态和异构特性。该系统使用多尺度选择性核注意力机制和门控融合过程来有效提取节点和边缘特征，在多个基准测试中优于现有方法。
-
新的GRS-KAN架构整合了几何学以提高神经网络的准确性
研究人员推出了一种名为几何感知R结构化Kolmogorov-Arnold网络（GRS-KAN）的新型神经网络架构。这种混合模型将R函数整合到现有的Kolmogorov-Arnold网络（KAN）框架中，以更好地表示几何和逻辑约束。通过整合可微分逻辑运算，如R-conjunctions和R-disjunctions，GRS-KAN可以在可训练系统中显式地建模不连续性和边界。实验表明，这种几何编码显著提高了预测准确性和边界定位能力，与标准…
-
新的scKDGM框架增强了单细胞RNA测序聚类
研究人员开发了scKDGM，一种用于单细胞RNA测序（scRNA-seq）聚类的新型框架，该框架解决了高维度和噪声等挑战。该方法采用基于KAN的编码器和动态图构建方法来改进表达表示和细胞图优化。在多个数据集上的实验表明，scKDGM在识别细胞类型方面优于现有方法。
-
新型AKANs为低功耗柔性电子产品节省55%的面积
研究人员通过软硬件协同优化开发了模拟Kolmogorov-Arnold网络（AKANs），以高效逼近柔性电子低功耗应用中的复杂函数。该方法结合了电路级误差建模和剪枝技术，以减小面积和功耗，在面积上节省高达55%，在功耗上节省50%。AKAN框架为可穿戴设备和物联网传感器中的片上处理提供了强大且可泛化的解决方案。
-
KAN在空气动力学研究中表现与MLP和GNN相当，有时略逊一筹 · 追踪3个来源
一篇新的研究论文将Kolmogorov Arnold网络 (KAN) 与多层感知器 (MLP) 和图神经网络 (GNN) 在空气动力学预测任务上的性能进行了比较。虽然KAN表现出良好的性能和较低的复杂度，但其有效性与MLP相当或略逊一筹，而GNN尽管训练时间更长，但取得了最佳结果。研究还指出，KAN可能会出现训练不稳定的情况，并且需要仔细进行超参数优化。
-
新AI模型利用脑电图数据增强轻度认知障碍检测能力
研究人员开发了一种新的可解释概念引导多项式表格Kolmogorov-Arnold网络（CPTabKAN），用于利用脑电图（EEG）数据检测轻度认知障碍（MCI）。这种新颖的方法将EEG衍生的特征映射到概念表示，并进行扩展以揭示交互作用，然后使用TabKAN分类器进行非线性边界学习。在骨质疏松性骨折研究队列上进行的评估显示，CPTabKAN的加权F1分数达到了0.9038，优于GradientBoosting，并证明了概念结构化、交互感…
-
新指标评估 Kolmogorov-Arnold 网络面向硬件的推理复杂度
一篇新论文介绍了用于评估 Kolmogorov-Arnold 网络 (KANs) 推理复杂度的面向硬件的指标。这些指标包括实际乘法运算 (RM)、比特运算 (BOP) 以及加法和比特移位次数 (NABS)，旨在实现平台无关性，并有助于早期架构决策。分析涵盖了 B-spline、GRBF、Chebyshev 和 Fourier KANs 等各种 KAN 变体，能够与其他神经网络架构进行比较。
-
低功耗模拟神经网络使用可训练非线性连接
研究人员开发了低功耗模拟神经网络，它们利用受Kolmogorov-Arnold网络启发的、可训练的非线性连接。这些网络直接利用模拟器件物理进行计算，将可训练的非线性函数作为模拟带通滤波器放置在每个连接上。虽然它们对于涉及平滑、连续值（如机器人运动学和控制）的任务有效，但它们不提供分类任务的参数效率。这些网络已成功转移到硬件上，并具有量化的保真度，预计功耗非常低。
-
新的SKANs提供KANs的参数高效替代方案
研究人员引入了结构化Kolmogorov-Arnold卷积（SKANs），作为现有卷积Kolmogorov-Arnold网络（KANs）的一种更参数高效的替代方案。新方法将可学习函数从单个核条目重新定位到卷积的整体结构，作用于像素值或滤波器形状。实验表明，SKAN变体，特别是RF-KAN和SV-KAN，在CIFAR-10和CIFAR-100数据集上取得了具有竞争力的准确率，并且参数数量远少于传统的KANs。
-
新的LoadKAN框架结合KAN和注意力机制，用于可解释的电力负荷预测
研究人员开发了LoadKAN，一个用于电力负荷预测的新型框架，它将特征隔离的时间注意力机制与Kolmogorov-Arnold网络（KAN）相结合。这种混合方法旨在提高预测准确性，同时保持可解释性，这是传统深度学习模型普遍面临的挑战。LoadKAN的注意力机制独立提取输入特征的时间动态，然后由KAN模块处理以进行可解释的预测。在U.S.电力市场数据上进行评估，LoadKAN在与最先进的黑盒模型相比时表现出竞争力，并提供了关于出行模式与…
-
提出Kolmogorov-Arnold网络用于透明脑电图癫痫检测
一篇新的arXiv论文回顾了传统深度学习模型在脑电图（EEG）癫痫检测中的局限性，强调了可解释性、数据需求和计算成本等方面的问题。该论文提出Kolmogorov-Arnold网络（KANs）作为一种有前景的替代方案，认为KANs可以提供更高的参数效率、固有的透明度以增强临床信任，并在有限数据下获得更好的性能。这一转变可能促成下一代、患者特异性、透明化的临床脑电图监测系统。
-
新的GRNGC框架增强了复杂工业过程中的因果发现能力
研究人员开发了一个新的基于梯度的因果发现框架，名为GRNGC，旨在克服现有基于神经网络的Granger因果模型中的局限性。GRNGC通过使用单一时间序列预测模型而非分量模型来降低计算成本，并通过将L1正则化应用于模型输入和输出之间的梯度来增强对复杂交互的捕捉能力。这个灵活的框架可以与KAN、MLP和LSTM等各种架构实现，并在多个基准数据集（包括DREAM和CausalTime）以及真实世界的基因调控网络数据集上展示了卓越的性能和降低的开销。
-
新的Kolmogorov-Arnold网络变体探索Clifford代数和单调性
研究人员引入了Clifford Kolmogorov-Arnold网络（ClKANs），这是一种专为任意Clifford代数空间内的函数逼近而设计的新型架构。这种新架构采用了随机准蒙特卡洛网格生成来管理高维代数的计算复杂性，并为可变域输入引入了专门的批归一化技术。ClKANs在科学发现和工程领域展现出潜力，并在合成和受物理学启发的任务中得到了初步验证。 另外，一个名为单调Kolmogorov-Arnold网络（MKAN）的新变体已被…
-
新的KAN框架和变体提高了研究和效率
研究人员开发了KANLib，一个旨在通过整合现有实现（如PyKAN、EfficientKAN和FastKAN）的特性来简化Kolmogorov-Arnold网络（KANs）研究的新框架。同时，引入了一个名为MKAN的新变体，它通过B样条系数的指数重新参数化，理论上保证了KANs的单调性。此外，PH-KAN为使用KANs进行非线性系统识别提供了一种保留结构的方法，提高了可解释性。最后，QuantKAN为KANs的量化提供了一个统一的…
-
ShapKAN框架增强KAN的可解释性和压缩性
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。
-
混合KAN-MLP模型提高了人类活动识别的准确性
研究人员开发了一种混合神经网络架构KAN-MLP-Mixer，它将Kolmogorov-Arnold网络（KANs）的精确性与多层感知器（MLPs）的噪声鲁棒性和效率相结合。该方法战略性地整合了KAN模块用于输入嵌入和分类，同时利用MLPs进行中间特征混合。在八个公共数据集上进行测试，KAN-MLP模型在宏F1分数上比纯MLP模型平均提高了5.33%，显著优于独立的KAN和MLP基线。