前沿创新 | KAN模型及其组合模型回归预测应用,Python预测回归全家桶更新

声明:文章是从本人公众号中复制而来,因此,想最新最快了解各类算法的家人,可关注我的VX公众号:python算法小当家,不定期会有很多免费代码分享~

前沿创新 | KAN模型及其组合模型回归预测应用,Python预测回归全家桶更新

KAN一种全新的神经网络架构,与传统的 MLP 架构截然不同,且能用更少的参数在数学、物理问题上取得更高精度。本期将推出KAN及其组合模型(TCN-KAN、LSTM-KAN、Transformer-KAN、ResNet-KAN等等等)实现回归预测。KAN是2024年的最新研究成果,一经问世便受到众多关注,当前引用还比较少,早用早发文!!!


代码及参考文献获取见文末

KAN原理介绍


KAN网络架构是近期非常热门的一个模型,受到Kolmogorov-Arnold 定理的启发,任何连续的多变量函数 (f(x)) 都可以表示为一系列一维函数的组合。公式如下:

f ( x ) = ∑ q = 1 2 n + 1 Φ q ( ∑ p = 1 n φ q p ( x p ) ) f(x) = \sum_{q=1}^{2n+1} \Phi_q \left(\sum_{p=1}^{n} \varphi_{qp}(x_p) \right) f(x)=q=12n+1Φq(p=1nφqp(xp))

  • φ q p \varphi_{qp} φqp Φ q \Phi_q Φq 是一维的可学习函数。
  • 外层函数 Φ q \Phi_q Φq 作用于内层函数 φ q p \varphi_{qp} φqp 的求和结果上。

这种表示形式允许 KAN 网络通过学习这些一维函数来逼近复杂的多变量函数,实现更灵活和强大的函数逼近能力。

MLP VS KAN

激活函数位置和类型:

  • MLP中的激活函数是固定的,并且位于节点上。
  • KAN中的激活函数是可学习的,并且位于边上。

模型结构:

  • MLP依靠多层线性变换和固定的非线性激活函数来逼近函数。
  • KAN通过可学习的非线性变换和节点上的求和操作来表示函数。
    这种比较展示了MLP和KAN在结构和功能上的关键差异,表明KAN通过更灵活和可学习的激活函数,提供了一种更强大的函数表示能力。

实验展示

本期推出KAN、KAN组合网络共10个模型,将会同步更新到Python回归预测全家桶中。下面进行展示部分模型的实验结果,输入数据为共享单车数据集。

1、KAN

2、LSTM-KAN

3、BiLSTM-KAN

4、BiGRU-KAN

5、Attention-KAN

6、Transformer-KAN

代码获取

代码获取

关注VX公众号 Python算法小当家 回复关键词 KAN

  • 28
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值