شبکههای کولموگروف-آرنولد
شبکههای کولموگروف-آرنولد (KAN) یک معماری شبکه عصبی است که توسط لیو و همکاران در سال ۲۰۲۴ معرفی شد و تبدیلهای خطی را با توابع تکمتغیره آموختهشده بر روی یالها جایگزین میکند. KAN با الهام از قضیه نمایش کولموگروف-آرنولد، تقریب تابع برتر را با پارامترهای کمتر نسبت به MLPهای سنتی به دست میآورد و بازدهی بالقوه و تفسیرپذیری بهبود یافتهای را ارائه میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). KAN: Kolmogorov-Arnold Networks. ScholarGate. https://scholargate.app/fa/deep-learning/kolmogorov-arnold-networks
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- مامبا (مدل فضای حالت)یادگیری عمیق↔ مقایسه
- خودرمزگذارِ پوشیده (Masked Autoencoders)یادگیری عمیق↔ مقایسه
- میدانهای تابش عصبی (NeRF)یادگیری عمیق↔ مقایسه
- ترنسفورمر بینایییادگیری عمیق↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →