Kolmogorov-Arnold-nätverk
Kolmogorov-Arnold-nätverk (KAN) är en neural nätverksarkitektur som introducerades av Liu et al. år 2024 och som ersätter linjära transformationer med inlärda univariata funktioner på kanter. Inspirerad av Kolmogorov-Arnold-representationsteoremet uppnår KAN överlägsen funktionsapproximation med färre parametrar än traditionella MLP:er, vilket ger potentiella effektivitetsvinster och förbättrad tolkningsbarhet.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). KAN: Kolmogorov-Arnold Networks. ScholarGate. https://scholargate.app/sv/deep-learning/kolmogorov-arnold-networks
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Mamba (tillståndsrumsmodell)Djupinlärning↔ jämför
- Maskerade autoenkodrarDjupinlärning↔ jämför
- Neural Radiance Fields (NeRF)Djupinlärning↔ jämför
- Vision TransformerDjupinlärning↔ jämför
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →