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

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2404.19756/summary|action=edit}} 编辑]</div>
这篇论文提出了一种新型的神经网络——[[Kolmogorov-Arnold Networks]]（KANs），作为[[多层感知器]]（MLPs）的有力替代。KANs的核心创新在于将激活函数从节点（“神经元”）转移到边（“权重”），并且每个权重参数被一个可学习的一元函数替代，该函数以样条函数的形式参数化。论文展示了KANs在小规模人工智能与科学任务中，在准确性和可解释性方面优于MLPs。在准确性方面，较小的KANs在函数拟合任务中可以达到与较大的MLPs相当甚至更好的准确度。从理论和实证角度，KANs拥有比MLPs更快的神经扩展法则。在可解释性方面，KANs可以直观地可视化，并且能够轻松与人类用户交互。通过数学和物理学中的两个例子，展示了KANs作为科学家的“合作者”，帮助（重新）发现数学和物理定律的潜力。总体而言，KANs作为MLPs的替代品，为进一步改进当今严重依赖MLPs的深度学习模型提供了机会。