Kolmogorov-Arnold Netværk
Kolmogorov-Arnold Netværk (KAN) er en neural netværksarkitektur introduceret af Liu et al. i 2024, som erstatter lineære transformationer med lærte univariate funktioner på kanter. Inspireret af Kolmogorov-Arnold-repræsentationsteoremet opnår KAN overlegen funktionsapproksimation med færre parametre end traditionelle MLP'er, hvilket giver potentielle effektivitetsgevinster og forbedret fortolkelighed.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Liu, Z., Wang, Y., Vaidya, S., Ruehle, F., Halverson, J., Soljačić, M., Hou, T. Y., & Tegmark, M. (2024). KAN: Kolmogorov-Arnold Networks. arXiv preprint arXiv:2404.19756. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). KAN: Kolmogorov-Arnold Networks. ScholarGate. https://scholargate.app/da/deep-learning/kolmogorov-arnold-networks
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Mamba (State Space Model)Dyb læring↔ sammenlign
- Maskerede AutoencodersDyb læring↔ sammenlign
- Neural Radiance Fields (NeRF)Dyb læring↔ sammenlign
- Vision TransformerDyb læring↔ sammenlign
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →