KANMixer：面向长期时间序列预测的最小化KAN结构混合器
机器学习
2026-04-23 v2
摘要
长期时间序列预测（LTSF）支撑着从能源管理到气象预测的诸多关键应用，但实现可靠的多步-ahead 准确性仍然具有挑战性。现有 LTSF 方法以 MLP 和 Transformer 为主，或依赖简单线性映射，或引入日益复杂的人工归纳偏置，因而亟需一种更具表达力和原则性的非线性核心。因此，我们探讨了Kolmogorov-Arnold Networks（KANs）——一种具有自适应基函数、能对非线性进行细粒度调制的最新模型——是否能提升 LTSF 性能，以及在何种设计选择下最为有效。具体而言，我们提出KANMixer，一个最小化的KAN结构架构，包含多尺度池化前端、KAN 结构的时序混合主干和预测头。通过规避重型辅助模块，KANMixer 实现了对KAN 组件在LTSF 中的清晰评估。在28个基准-时间跨度设置中对比9个基线方法，KANMixer在16种情况下实现最佳均方根误差（MSE），在11种情况下实现最佳平均绝对误差（MAE）。此外，对三个代表性数据集进行的大量消融实验表明，KAN的有效性高度依赖于边缘函数的选择；B 样条基函数在Fourier和Wavelet备选方案中表现更佳；预测头对提升贡献最大；适度的深度优于更深且不稳定的堆叠；分解先验对MLP有益但对KAN有害。除为将KAN集成到LTSF提供实用指导外，这些结果揭示了结构先验与主干非线性之间潜在的未探索依赖关系：那些有益于MLP的设计选择可能损害KAN。
引用
@article{arxiv.2508.01575,
title = {KANMixer: a minimal KAN-centered mixer for long-term time series forecasting},
author = {Lingyu Jiang and Dengzhe Hou and Yuping Wang and Yao Su and Shuo Xing and Wenjing Chen and Xin Zhang and Zhengzhong Tu and Ziming Zhang and Fangzhou Lin and Michael Zielewski and Kazunori D Yamada},
journal= {arXiv preprint arXiv:2508.01575},
year = {2026}
}
备注
11 pages, 3 figures, 5 tables