TabKAN：基于 Kolmogorov-Arnold Network 的表格数据分析
机器学习
2025-12-10 v3
摘要
表格数据分析呈现出独特挑战，源于异构特征类型、缺失值以及复杂特征相互作用。虽然梯度提升等传统机器学习方法常常优于深度学习，但最近在神经网络架构方面的进展为替代方案提供了前景。本研究引入 TabKAN，一个基于 Kolmogorov-Arnold 网络(KANs) 的表格数据建模框架。与传统深度学习模型不同，KANs 使用边缘上的可学习激活函数，这提高了可解释性和训练效率。TabKAN 包含针对表格分析设计的模块化 KAN 架构，并提出了用于跨域知识迁移的迁移学习框架。此外，我们开发了一种针对模型的可解释性方法，减少对事后解释的依赖。广泛的实验表明，TabKAN 在监督学习方面实现了优异性能，并在二进制和多类分类任务中显著优于经典和基于 Transformer 的模型。结果表明，KAN 基于架构有望弥合传统机器学习与深度学习在结构化数据上的差距。
引用
@article{arxiv.2504.06559,
title = {TabKAN: Advancing Tabular Data Analysis using Kolmogorov-Arnold Network},
author = {Ali Eslamian and Alireza Afzal Aghaei and Qiang Cheng},
journal= {arXiv preprint arXiv:2504.06559},
year = {2025}
}
备注
49 pages