用于时间序列的Kolmogorov-Arnold网络：桥接预测能力与可解释性
机器学习
2024-06-05 v1 人工智能
摘要
Kolmogorov-Arnold网络(KAN)是MIT团队最近提出的开创性模型，代表了一种可能成为该领域游戏规则改变者的革命性方法。这一创新概念迅速引起了AI界的全球兴趣。受Kolmogorov-Arnold表示定理的启发，KAN使用样条参数化的单变量函数代替传统线性权重，使其能够动态学习激活模式并显著增强可解释性。本文探索了KAN在时间序列预测中的应用，并提出了两个变体：T-KAN和MT-KAN。T-KAN旨在检测时间序列中的概念漂移，并可以通过符号回归解释预测与先前时间步之间的非线性关系，使其在动态变化环境中高度可解释。MT-KAN则通过有效发现和利用多变量时间序列中变量间的复杂关系来提高预测性能。实验验证了这些方法的有效性，表明T-KAN和MT-KAN在时间序列预测任务中显著优于传统方法，不仅提高了预测精度，还改善了模型可解释性。这项研究为自适应预测模型开辟了新途径，突显了KAN作为预测分析中强大且可解释工具的潜力。
引用
@article{arxiv.2406.02496,
title = {Kolmogorov-Arnold Networks for Time Series: Bridging Predictive Power and Interpretability},
author = {Kunpeng Xu and Lifei Chen and Shengrui Wang},
journal= {arXiv preprint arXiv:2406.02496},
year = {2024}
}