面向概率时间序列预测的 Kolmogorof-Arnold 网络入门
机器学习
2025-10-21 v1 人工智能
信号处理
摘要
本工作介绍了概率 Kolmogorof-Arnold 网络（P-KAN），这是一种面向时间序列预测的新型概率 Kolmogorof-Arnold 网络（KANs）的扩展。通过将标量权重替换为基于样条函数的函数连接，并直接参数化预测分布，P-KANs 能够以富有表现力且参数效率高的方式捕捉非线性和重尾动力学。我们在卫星流量预测任务上评估了 P-KANs，其中不确定性感知的预测使我们能够实现资源分配的动态阈值化。结果表明，P-KANs 在准确率和校准度方面 consistently 优于多层感知机（MLP）基线，在效率-风险权衡方面实现卓越表现，同时使用显著更少的参数。我们基于两种分布构建 P-KANs，即高斯分布和 Student-t 分布。高斯变体提供稳健、保守的预测，适用于安全关键场景；而 Student-t 变体产生更锐利的分布，在需求稳定时提高效率。这些发现确立了 P-KANs 作为概率预测框架的强大能力，其直接适用于卫星通信等资源受限领域。
引用
@article{arxiv.2510.16940,
title = {A Primer on Kolmogorov-Arnold Networks (KANs) for Probabilistic Time Series Forecasting},
author = {Cristian J. Vaca-Rubio and Roberto Pereira and Luis Blanco and Engin Zeydan and Màrius Caus},
journal= {arXiv preprint arXiv:2510.16940},
year = {2025}
}