Kolmogorov-Arnold-nettverk
Kolmogorov-Arnold Networks (KAN) er en nevral nettverksarkitektur introdusert av Liu et al. i 2024 som erstatter lineære transformasjoner med lærte univariate funksjoner på kanter. Inspirert av Kolmogorov-Arnold-representasjonsteoremet, oppnår KAN overlegen funksjonsapproksimasjon med færre parametere enn tradisjonelle MLP-er, og tilbyr potensielle effektivitetsgevinster og forbedret tolkbarhet.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). KAN: Kolmogorov-Arnold Networks. ScholarGate. https://scholargate.app/no/deep-learning/kolmogorov-arnold-networks
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Mamba (tilstandsromsmodell)Dyp læring↔ compare
- Maskerte autoenkodereDyp læring↔ compare
- Neural Radiance Fields (NeRF)Dyp læring↔ compare
- Vision TransformerDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →