Kolmogorov-Arnold 网络自编码器

Mohammadamin Moradi; Shirin Panahi; Erik Bollt; Ying-Cheng Lai

Kolmogorov-Arnold 网络自编码器

机器学习 2024-10-04 v1 人工智能计算机视觉与模式识别

作者: Mohammadamin Moradi , Shirin Panahi , Erik Bollt , Ying-Cheng Lai

摘要

深度学习模型已在多个领域取得革命性进展，其中多层感知器 (MLP) 是数据回归和图像分类等任务的核心。在此基础上，最近的研究引入了 Kolmogorov-Arnold 网络 (KANs) 作为 MLP 的有前景的替代方案，利用置于边缘而非节点上的激活函数，这种结构转变使 KANs 与 Kolmogorov-Arnold 表示定理紧密相关， potentially 提升模型的准确性和可解释性。在本研究中，我们探讨了 KANs 在数据表示通过自编码器中的应用效能，将其性能与传统卷积神经网络 (CNN) 在 MNIST、SVHN 和 CIFAR-10 数据集上进行比较。我们的结果表明，基于 KANs 的自编码器在重建准确性方面实现了具竞争力的性能，从而暗示其作为数据分析工具的可行性。

引用

@article{arxiv.2410.02077,
  title  = {Kolmogorov-Arnold Network Autoencoders},
  author = {Mohammadamin Moradi and Shirin Panahi and Erik Bollt and Ying-Cheng Lai},
  journal= {arXiv preprint arXiv:2410.02077},
  year   = {2024}
}

备注

12 pages, 5 figures, 1 table

Kolmogorov-Arnold 网络自编码器

摘要

引用

备注

相关论文