ترجمه فارسی مقاله KAN v.s. MLP برای آموزش تقویتی آفلاین

چکیده

Kolmogorov-Arnold Networks (KAN) is an emerging neural network architecture in machine learning. It has greatly interested the research community about whether KAN can be a promising alternative of the commonly used Multi-Layer Perceptions (MLP). Experiments in various fields demonstrated that KAN-based machine learning can achieve comparable if not better performance than MLP-based methods, but with much smaller parameter scales and are more explainable. In this paper, we explore the incorporation of KAN into the actor and critic networks for offline reinforcement learning (RL). We evaluated the performance, parameter scales, and training efficiency of various KAN and MLP based conservative Q-learning (CQL) on the the classical D4RL benchmark for offline RL. Our study demonstrates that KAN can achieve performance close to the commonly used MLP with significantly fewer parameters. This provides us an option to choose the base networks according to the requirements of the offline RL tasks.

چکیده به فارسی (ترجمه ماشینی)

شبکه های Kolmogorov-Arnold (KAN) یک معماری در حال ظهور شبکه عصبی در یادگیری ماشین است.این جامعه تحقیقاتی را بسیار علاقه مند کرده است که آیا KAN می تواند یک جایگزین امیدوار کننده از ادراکات چند لایه متداول (MLP) باشد.آزمایشات در زمینه های مختلف نشان داد که یادگیری ماشین مبتنی بر KAN می تواند عملکرد قابل مقایسه ای اگر نه بهتر از روشهای مبتنی بر MLP ، اما با مقیاس پارامتر بسیار کوچکتر و قابل توضیح تر به دست آورد.در این مقاله ، ما به بررسی ترکیب KAN در بازیگر و شبکه های منتقد برای یادگیری تقویت آفلاین (RL) می پردازیم.ما عملکرد ، مقیاس پارامتر و راندمان آموزش انواع مختلف KAN و MLP مبتنی بر-محافظه کارانه (CQL) را در معیار کلاسیک D4RL برای RL آفلاین ارزیابی کردیم.مطالعه ما نشان می دهد که KAN می تواند به عملکرد نزدیک به MLP متداول با پارامترهای قابل توجهی کمتر دست یابد.این گزینه ای را برای انتخاب شبکه های پایه با توجه به الزامات وظایف RL آفلاین فراهم می کند.