算法进阶 | KAN2.0：AI+Science的统一新范式-CSDN博客

本文链接：https://blog.csdn.net/csdn_xmj/article/details/142630481

本文来源公众号“算法进阶”，仅用于学术分享，侵权删，干货满满。

神经网络目前是人工智能中最强大的工具。当它们应用于更大的数据集时，没有什么可与之抗衡。Perimeter Institute for Theoretical Physics 的研究员 Sebastian Wetzel（opens a new tab）说。

然而，一直以来，神经网络一直处于劣势。当今许多成功网络的基本构建块被称为多层感知器（MLP）。但是，尽管取得了一系列成功，人类还是无法理解建立在这些 MLP 上的网络是如何得出结论的，或者是否可能有一些基本原理可以解释这些结果。神经网络所执行的惊人壮举，就像魔术师的壮举一样，被保密，隐藏在通常所说的黑匣子后面。

长期以来，AI 研究人员一直想知道，是否有可能让不同类型的网络以更透明的方式提供同样可靠的结果。

2024 年 4 月的一项研究（opens a new tab）引入了一种替代神经网络设计，称为 Kolmogorov-Arnold 网络（KAN），它更加透明，但也可以完成常规神经网络解决某类问题的几乎所有工作。它基于 20 世纪中叶的一个数学思想，该思想已被重新发现并重新配置，以便在深度学习时代进行部署。

虽然这项创新才刚刚推出几个月，但新设计已经引起了研究和编码社区的广泛兴趣。“KAN 的可解释性更强，对于科学应用可能特别有用，因为它们可以从数据中提取科学规则，”约翰霍普金斯大学的计算机科学家 Alan Yuille（opens a new tab）说。“[它们] 是无处不在的 MLP 的令人兴奋的新颖替代品。”研究人员已经在学习充分利用他们新发现的能力。