Kolmogorov-Arnold Networks (KANs) for Time Series Analysis

要約

この論文では、コルモゴロフ・アーノルド・ネットワーク (KAN) の適応活性化機能を活用して予測モデリングを強化した、時系列予測への新しいアプリケーションを紹介します。
コルモゴロフ-アーノルドの表現定理に触発された KAN は、従来の線形重みをスプラインパラメータ化された一変量関数に置き換えて、活性化パターンを動的に学習できるようにします。
我々は、KAN が現実世界の衛星トラフィック予測タスクにおいて従来の多層パーセプトロン (MLP) よりも優れたパフォーマンスを発揮し、学習可能なパラメーターの数が大幅に少なくてもより正確な結果を提供することを実証します。
また、パフォーマンスに与える KAN 固有のパラメーターのアブレーション研究も提供します。
提案されたアプローチは、適応予測モデルに新たな道を開き、予測分析における強力なツールとしての KAN の可能性を強調します。

要約(オリジナル)

This paper introduces a novel application of Kolmogorov-Arnold Networks (KANs) to time series forecasting, leveraging their adaptive activation functions for enhanced predictive modeling. Inspired by the Kolmogorov-Arnold representation theorem, KANs replace traditional linear weights with spline-parametrized univariate functions, allowing them to learn activation patterns dynamically. We demonstrate that KANs outperforms conventional Multi-Layer Perceptrons (MLPs) in a real-world satellite traffic forecasting task, providing more accurate results with considerably fewer number of learnable parameters. We also provide an ablation study of KAN-specific parameters impact on performance. The proposed approach opens new avenues for adaptive forecasting models, emphasizing the potential of KANs as a powerful tool in predictive analytics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google