X-KAN：基于演化规则机器学习优化局部Kolmogorov-Arnold网络
机器学习
2025-12-16 v1 人工智能
神经与进化计算
符号计算
摘要
函数逼近是众多领域中的关键任务。然而，现有的神经网络方法因依赖覆盖整个问题空间的单一全局模型，难以处理局部复杂或不连续函数。我们提出了X-KAN，该方法通过称为XCSF的演化规则机器学习框架来优化多个局部Kolmogorov-Arnold网络（KANs）。X-KAN将KAN的高表达能力与XCSF的自适应分区能力相结合，通过将局部KAN模型实现为规则后件，并通过规则前件定义局部区域来实现。我们的实验结果在人工测试函数和真实数据集上表明，X-KAN在逼近精度方面显著优于包括XCSF、多层感知器和KAN在内的常规方法。值得注意的是，X-KAN能够有效处理那些对常规KAN而言具有挑战性的局部复杂或不连续结构，且仅需一套紧凑的规则（平均为7.2±2.3条规则）。这些结果验证了在XCSF中使用KAN作为局部模型的有效性，该方法基于准确性和通用性评估规则适配度。我们的X-KAN实现已公开于https://github.com/YNU-NakataLab/X-KAN。
引用
@article{arxiv.2505.14273,
title = {X-KAN: Optimizing Local Kolmogorov-Arnold Networks via Evolutionary Rule-Based Machine Learning},
author = {Hiroki Shiraishi and Hisao Ishibuchi and Masaya Nakata},
journal= {arXiv preprint arXiv:2505.14273},
year = {2025}
}
备注
Accepted by the 34th International Joint Conference on Artificial Intelligence (IJCAI 2025)