自相关在 KAN 时间序列预测中的谱偏差再现
机器学习
2026-04-28 v1 人工智能
摘要
现有理论表明，Kolmogorov-Arnold 网络（KANs）可在假设输入在统计上独立的情况下克服神经网络中常见的谱偏差。然而，该假设在时间序列预测（TSF）中不成立，因输入是带有强时间自相关性的滞后观测。通过理论分析和实证验证，我们发现了一个意外结果：时间自相关在 KANs 中再现了谱偏差，且随自相关程度的增加，偏差变得更为显著。这表明在输入强自相关时，标准 KANs 在 TSF 中可能面临严重困难。为解决此问题，我们引入离散余弦变换（DCT）以减少网络输入之间的相关性。如预期，实验结果表明，DCT 预处理在 TSF 中显著减少了观察到的低频偏好。这一结果也支撑了 KANs 在 TSF 任务中的谱偏差确实由输入变量之间的自相关引起的论点。
引用
@article{arxiv.2604.23518,
title = {Autocorrelation Reintroduces Spectral Bias in KANs for Time Series Forecasting},
author = {Chen Zeng and Jiahui Wang and Qiao Wang},
journal= {arXiv preprint arXiv:2604.23518},
year = {2026}
}