Conformalized-KANs: 科学机器学习中 Kolmogorov-Arnold 网络 (KANs) 的保守化不确定性量化
机器学习
2025-04-22 v1
摘要
本文探讨了 Kolmogorov-Arnold 网络 (KANs) 上不确定性量化 (UQ) 方法。我们采用集成方法对 KANs 进行预测，以获得启发式的 UQ 测度，增强了在建模复杂函数方面的可解释性和鲁棒性。基于此，我们引入 Conformalized-KANs，将保守预测（一种分布自由的 UQ 技术）与 KAN 集成相结合，以生成具有保证覆盖率的校准预测区间。进行了大量数值实验以评估这些方法的有效性，重点关注在 various hyperparameter 设置下预测区间的鲁棒性和准确性。我们表明，保守 KANs 的预测可以应用于 KANs 的最新扩展，包括有限基 KANs (FBKANs) 和多模态 KANs (MFKANs)。结果表明，我们的方法有潜力提高 KANs 在科学机器学习中的可靠性和适用性。
引用
@article{arxiv.2504.15240,
title = {Conformalized-KANs: Uncertainty Quantification with Coverage Guarantees for Kolmogorov-Arnold Networks (KANs) in Scientific Machine Learning},
author = {Amirhossein Mollaali and Christian Bolivar Moya and Amanda A. Howard and Alexander Heinlein and Panos Stinis and Guang Lin},
journal= {arXiv preprint arXiv:2504.15240},
year = {2025}
}
备注
17 pages, 8 figures,