时序预测准确性大幅提升！KAN成为研究新热点？

在时间序列分析领域，KAN（Kolmogorov-Arnold Network）的应用正逐渐成为研究的热门方向。KAN凭借其强大的函数拟合能力和出色的可解释性，能够高效捕捉时间序列中的复杂关系与非线性模式。

最近，基于KAN的时间序列预测模型RMoK在真实世界的数据集上取得了显著的性能提升，不仅预测准确性大幅提高，模型的稳定性也得到了显著增强。

为了帮助大家更好地了解这一前沿方向，我整理了一些【KAN+时间序列】的研究论文，全部论文PDF版，工中号【沃的顶会】回复 KAN时序 即可领取。

KAN-AD：Time Series Anomaly Detection with Kolmogorov-Arnold Networks

文章解析

本文提出了一种基于Kolmogorov-Arnold网络（KAN）的时间序列异常检测方法KAN-AD。

该方法通过引入Fourier级数来强调全局时间模式，从而减轻局部峰值和下降的影响，提高了异常检测的准确性和效率。

实验结果表明，KAN-AD相比现有最先进方法，准确率提高了15%，推理速度提升了55倍。

创新点

1.首次将Kolmogorov-Arnold表示定理引入时间序列异常检测领域，通过重新定义问题提高了检测准确率并显著降低了模型复杂度。

2.一种新型的时间序列异常检测方法，通过精心设计的单变量函数不仅提高了检测准确率&