贝叶斯 Kolmogorov Arnold 网络（Bayesian_KANs）：提高准确性和可解释性的概率方法
机器学习
2024-08-07 v1 人工智能
摘要
由于其强大的预测能力，深度学习已成为许多行业，包括医疗保健领域的重要工具。然而，传统深度学习模型经常缺乏可解释性，且未能考虑预测不确定性这两个临床决策中至关重要的组成部分。为此，本研究提出一种新型框架，称为贝叶斯 Kolmogorov Arnold 网络 (BKANs)，其结合了 Kolmogorov Arnold 网络的表达能力与贝叶斯推断。我们在两个医学数据集上应用 BKANs，这两个数据集是评估医疗诊断中机器学习模型的广泛使用基准：Pima 印度人糖尿病数据集和 Cleveland 心脏病数据集。该方法提供了关于预测置信度和决策边界的有用见解，并在预测准确性方面优于传统深度学习模型。此外，BKANs 能够表示 aleatoric 与 epistemic 不确定性，确保医生获得更稳固可信的决策支持。我们的贝叶斯策略改善了模型的可解释性，显著降低了过拟合，这在小规模和不平衡的医学数据集中尤为重要。我们提出了将 BKANs 进一步应用于更复杂的多模态数据集的可能扩展方案，并强调了这些发现对未来构建可靠医疗 AI 系统的重要性。这一工作为在透明可靠方面至关重要的关键领域深入学习模型部署开辟了新路径。
引用
@article{arxiv.2408.02706,
title = {Bayesian Kolmogorov Arnold Networks (Bayesian_KANs): A Probabilistic Approach to Enhance Accuracy and Interpretability},
author = {Masoud Muhammed Hassan},
journal= {arXiv preprint arXiv:2408.02706},
year = {2024}
}