用于时间序列分类和鲁棒性分析的柯尔莫哥洛夫-阿诺德网络（KAN）
机器学习
2024-09-12 v3 人工智能
摘要
柯尔莫哥洛夫-阿诺德网络（KAN）作为传统多层感知器（MLP）的一种有前景的替代方案，最近引起了广泛关注。尽管其理论吸引力，KAN 需要在大规模基准数据集上进行验证。近年来日益普及的时间序列数据，尤其是单变量时间序列，天然适合验证 KAN。因此，我们在 KAN、MLP 和混合结构之间进行了公平的比较。结果表明，在 128 个时间序列数据集上，KAN 可以实现与 MLP 相当甚至略优的性能。我们还对 KAN 进行了消融研究，揭示其输出主要由基础组件而非 B 样条函数决定。此外，我们评估了这些模型的鲁棒性，发现 KAN 和混合结构 MLP_KAN 表现出显著的鲁棒性优势，这归因于它们较低的 Lipschitz 常数。这表明 KAN 和 KAN 层具有成为鲁棒模型或提高其他模型对抗鲁棒性的强大潜力。
引用
@article{arxiv.2408.07314,
title = {Kolmogorov-Arnold Networks (KAN) for Time Series Classification and Robust Analysis},
author = {Chang Dong and Liangwei Zheng and Weitong Chen},
journal= {arXiv preprint arXiv:2408.07314},
year = {2024}
}
备注
14 pages, 8 figs