查看“WikiEdge:ArXiv-2404.19756/methods”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2404.19756/methods|action=edit}} 编辑]</div>
这篇论文的工作部分详细介绍了如何开发和评估提出的[[Kolmogorov-Arnold Networks]] (KANs) 作为[[多层感知器]] (MLPs) 的替代品。以下是这部分的主要内容：
# '''理论启发'''：
#* 论文从[[Kolmogorov-Arnold 表示定理]]中获得启发，提出了KANs，这是一种新型的神经网络，其特点是在网络的边缘（而非节点）上放置可学习的激活函数。
# '''网络架构'''：
#* KANs的架构被设计为具有完全连接的结构，其中每个权重参数被一个作为样条的一元函数所替代，从而实现了激活函数的可学习性。
# '''模型简化与解释性'''：
#* 论文提出了网络简化技术，包括稀疏化、可视化和剪枝，以提高KANs的解释性，使其能够与人类用户直观地交互。
# '''准确性与神经缩放律'''：
#* 通过理论分析和实证实验，论文展示了KANs在小规模[[AI]]+[[科学]]任务上相较于MLPs在准确性和解释性方面的优势，并且KANs拥有比MLPs更快的神经缩放律。
# '''科学发现中的应用'''：
#* 论文通过数学和物理学中的两个例子，展示了KANs作为科学家的“合作伙伴”在（重新）发现数学和物理定律方面的潜力。
# '''代码实现'''：
#* 论文提供了实现KANs的代码，可通过[[GitHub]]访问，并可通过pip安装[[pykan]]包。