探索Kolmogorov-Arnold网络用于可解释的时间序列分类
机器学习
2025-11-04 v3
摘要
时间序列分类是支持多种领域决策过程的关键步骤，深度神经模型在此方面展现出前景。尽管深度学习取得了显著进展，但复杂架构的工作原理及其为何如此发挥作用的理论理解仍有限，促使亟需更具可解释性的模型。最近，Kolmogorov-Arnold网络（KANs）被提出作为深度学习的更具可解释性的替代方案。尽管KAN相关研究正迫速增长，但迄今为止，针对时间序列分类的KAN架构研究仍有限。本文旨在利用UCR基准档案库中117个数据集，对KAN架构进行全面且稳健的用于时间序列分类的探索。具体而言，我们研究：①面向回归任务设计的参考架构在分类任务中的可移植性，②识别在117个数据集上最佳泛化的超参数与实现配置，③相关复杂度权衡，④评估KANs的可解释性。我们的结果表明：①Efficient KAN在性能和训练时间方面均优于MLP，凸显其适用于分类任务的潜力。②在较低学习率下，Efficient KAN在网格大小、深度和层配置方面均表现出优于原始KAN的更好稳定性。③KAN在精度上与HIVE-COTE2、InceptionTime等最新模型相当，同时保持更小的网络规模和更快的训练速度，凸显其在性能与透明度之间良好平衡。④通过SHAP分析，我们确认了KAN模型的可解释性，强化了其透明决策能力。
引用
@article{arxiv.2411.14904,
title = {Exploring Kolmogorov-Arnold Networks for Interpretable Time Series Classification},
author = {Irina Barašin and Blaž Bertalanič and Mihael Mohorčič and Carolina Fortuna},
journal= {arXiv preprint arXiv:2411.14904},
year = {2025}
}