基于贝叶斯高阶ReLU KAN 的不确定性量化

我们提出了首个针对Kolmogorov-Arnold Networks（KAN）的方法，专注于(更高阶)ReLUKAN，以提高计算效率，给定贝叶斯方法的计算需求。我们提出的方法具有普适性，能够提供epistemic不确定性和aleatoric不确定性的访问，同时能够推广到其他各种基函数。我们通过一系列闭合测试验证了该方法，包括简单的一维函数以及Stochastic部分微分方程（SPDE）的应用。指涕后者，我们展示了该方法正确识别通过包含随机项所引入的功能依赖性。支持本工作的代码可在 https://github.com/wmdataphys/Bayesian-HR-KAN 查看。