Kolmogorov-Arnold-Netze
Kolmogorov-Arnold-Netze (KAN) ist eine von Liu et al. im Jahr 2024 eingeführte neuronale Netzwerkarchitektur, die lineare Transformationen durch gelernte univariate Funktionen auf Kanten ersetzt. Inspiriert vom Kolmogorov-Arnold-Darstellungssatz erreicht KAN eine überlegene Funktionsapproximation mit weniger Parametern als herkömmliche MLPs, was potenzielle Effizienzgewinne und eine verbesserte Interpretierbarkeit bietet.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). KAN: Kolmogorov-Arnold Networks. ScholarGate. https://scholargate.app/de/deep-learning/kolmogorov-arnold-networks
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Mamba (State Space Model)Deep Learning↔ vergleichen
- Masked AutoencodersDeep Learning↔ vergleichen
- Neural Radiance Fields (NeRF)Deep Learning↔ vergleichen
- Vision TransformerDeep Learning↔ vergleichen
Similar methods
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →