跳到主要内容
检索

# Kolmogorov-Arnold网络

3 篇关联报道

订阅更新
  1. arXiv

    KAN 求解自由边界 PDE:在线性椭圆障碍、p-Laplacian 障碍与一相 Stefan 问题上取得低相对 L2 与 L∞ 误差,并准确刻画接触区与移动界面

    该工作把 Kolmogorov-Arnold 网络(KAN)嵌入物理信息框架,用残差型损失统一处理障碍约束、PDE 不等式、互补条件与边界条件,在线性椭圆障碍问题、非线性 p-Laplacian 障碍问题和时间相关一相 Stefan 问题上与 PINN 及残差网络基线对比,数值实验显示 KAN 取得较低相对 L2 与 L∞ 误差,并能准确分辨接触区与移动界面。

  2. arXiv

    Higher-Order-KANDy 无需候选库即可从含噪数据中恢复高阶动力学方程,在 7.5% 噪声下仍选出精确活跃项集

    作者提出 Higher-Order-KANDy,用延迟与导数(jet)嵌入配合按导数阶排列的 KANDy 层堆叠,把延迟到 jet 的映射学成 Kolmogorov-Arnold 网络,从而在无候选库条件下原生处理高阶系统;在合成基准上,它能在粗采样与噪声下恢复方程,并在噪声升至 7.5% 时于每个随机种子都选出精确活跃项集,而 oracle 弱形式回归在该噪声水平会出现伪项,尽管 oracle 的系数估计更准确。

  3. arXiv

    KANResDiff 用 KAN 样条时间编码与局部薛定谔桥做残差扩散,在 LIDC 与 ISIC3 上把 GED 最多降低 18.8%、HM-IoU32 最多提升 7.7%

    该工作提出 KANResDiff,用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割:以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性,并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验,在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果,GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%,同时 MDM 保持有竞争力的水平。

已读完全部报道