通过纠错输出码提升柯尔莫哥洛夫-阿诺德网络的泛化能力
机器学习
2025-09-18 v2 计算机视觉与模式识别
图像与视频处理
信号处理
摘要
柯尔莫哥洛夫-阿诺德网络（KAN）利用单变量样条组合实现通用函数逼近，无需非线性激活函数。在本工作中，我们将纠错输出码（ECOC）集成到KAN框架中，将多类分类任务转化为多个二分类任务，并通过汉明距离解码提高鲁棒性。我们提出的集成ECOC的KAN框架在一个具有挑战性的血细胞分类数据集上优于普通KAN，在多种超参数设置下均取得了更高的准确率。消融研究进一步证实，ECOC在FastKAN和FasterKAN变体上均能持续提升性能。这些结果表明，ECOC的集成显著增强了KAN在关键医疗人工智能应用中的泛化能力。据我们所知，这是首次将ECOC与KAN结合用于提升多类医学图像分类性能的工作。
引用
@article{arxiv.2505.05798,
title = {Improving Generalizability of Kolmogorov-Arnold Networks via Error-Correcting Output Codes},
author = {Youngjoon Lee and Jinu Gong and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2505.05798},
year = {2025}
}
备注
Accepted to IEEE BioCAS 2025