ترجمه فارسی مقاله شبکه های Kolmogorov-Arnold (KAN) برای طبقه بندی سری زمانی و تجزیه و تحلیل قوی

چکیده

Kolmogorov-Arnold Networks (KAN) has recently attracted significant attention as a promising alternative to traditional Multi-Layer Perceptrons (MLP). Despite their theoretical appeal, KAN require validation on large-scale benchmark datasets. Time series data, which has become increasingly prevalent in recent years, especially univariate time series are naturally suited for validating KAN. Therefore, we conducted a fair comparison among KAN, MLP, and mixed structures. The results indicate that KAN can achieve performance comparable to, or even slightly better than, MLP across 128 time series datasets. We also performed an ablation study on KAN, revealing that the output is primarily determined by the base component instead of b-spline function. Furthermore, we assessed the robustness of these models and found that KAN and the hybrid structure MLP\_KAN exhibit significant robustness advantages, attributed to their lower Lipschitz constants. This suggests that KAN and KAN layers hold strong potential to be robust models or to improve the adversarial robustness of other models.

چکیده به فارسی (ترجمه ماشینی)

شبکه های Kolmogorov-Arnold (KAN) اخیراً به عنوان یک جایگزین امیدوارکننده برای درک چند لایه سنتی (MLP) مورد توجه قابل توجهی قرار گرفته است.علی رغم جذابیت نظری آنها ، کان نیاز به اعتبارسنجی در مجموعه داده های معیار در مقیاس بزرگ دارد.داده های سری زمانی ، که در سالهای اخیر به طور فزاینده ای رواج یافته است ، به ویژه سری زمانی یک متغیره به طور طبیعی برای اعتبارسنجی Kan مناسب است.بنابراین ، ما یک مقایسه عادلانه بین KAN ، MLP و ساختارهای مختلط انجام دادیم.نتایج حاکی از آن است که KAN می تواند به عملکرد قابل مقایسه با MLP در 128 مجموعه داده سری زمانی برسد.ما همچنین یک مطالعه فرسایش در مورد KAN انجام دادیم و نشان داد که خروجی در درجه اول توسط مؤلفه پایه به جای عملکرد B-spline تعیین می شود.علاوه بر این ، ما استحکام این مدلها را ارزیابی کردیم و دریافتیم که KAN و ساختار ترکیبی MLP \ _KAN مزایای استحکام قابل توجهی دارند ، که به ثابت های پایین لیپشیتز آنها نسبت داده می شود.این نشان می دهد که لایه های KAN و KAN پتانسیل قوی برای مدل های قوی یا بهبود استحکام مخالف مدل های دیگر دارند.