ترجمه فارسی مقاله MonoKAN: شبکه معتبر یکنواخت Kolmogorov-Arnold

چکیده

Artificial Neural Networks (ANNs) have significantly advanced various fields by effectively recognizing patterns and solving complex problems. Despite these advancements, their interpretability remains a critical challenge, especially in applications where transparency and accountability are essential. To address this, explainable AI (XAI) has made progress in demystifying ANNs, yet interpretability alone is often insufficient. In certain applications, model predictions must align with expert-imposed requirements, sometimes exemplified by partial monotonicity constraints. While monotonic approaches are found in the literature for traditional Multi-layer Perceptrons (MLPs), they still face difficulties in achieving both interpretability and certified partial monotonicity. Recently, the Kolmogorov-Arnold Network (KAN) architecture, based on learnable activation functions parametrized as splines, has been proposed as a more interpretable alternative to MLPs. Building on this, we introduce a novel ANN architecture called MonoKAN, which is based on the KAN architecture and achieves certified partial monotonicity while enhancing interpretability. To achieve this, we employ cubic Hermite splines, which guarantee monotonicity through a set of straightforward conditions. Additionally, by using positive weights in the linear combinations of these splines, we ensure that the network preserves the monotonic relationships between input and output. Our experiments demonstrate that MonoKAN not only enhances interpretability but also improves predictive performance across the majority of benchmarks, outperforming state-of-the-art monotonic MLP approaches.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی مصنوعی (ANNS) با شناخت مؤثر الگوهای و حل مشکلات پیچیده ، زمینه های مختلف را به طور قابل توجهی پیشرفت کرده اند.با وجود این پیشرفت ها ، تفسیر آنها همچنان یک چالش مهم است ، به ویژه در برنامه هایی که شفافیت و پاسخگویی ضروری است.برای پرداختن به این موضوع ، AI قابل توضیح (XAI) پیشرفت در تغییر شکل ANN ها را داشته است ، اما تفسیر به تنهایی اغلب کافی نیست.در برخی از برنامه های خاص ، پیش بینی های مدل باید با الزامات تحمیل شده تخصصی ، که گاهی اوقات توسط محدودیت های جزئی یکنواختی نشان داده می شود ، هماهنگ باشد.در حالی که رویکردهای یکنواخت در ادبیات برای درک چند لایه سنتی (MLP) یافت می شود ، اما هنوز هم در دستیابی به تفسیر و یکنواختی جزئی معتبر با مشکل روبرو هستند.به تازگی ، معماری شبکه Kolmogorov-Arnold (KAN) ، بر اساس توابع فعال سازی یادگیری که به عنوان اسپلین ها پارامتری می شوند ، به عنوان یک جایگزین قابل تفسیر تر برای MLP ها پیشنهاد شده است.با تکیه بر این ، ما یک معماری رمان Ann به نام Monokan را معرفی می کنیم که مبتنی بر معماری KAN است و ضمن تقویت تفسیر ، یکنواختی جزئی را به دست می آورد.برای دستیابی به این هدف ، ما از اسپلین های هرمیت مکعب استفاده می کنیم ، که یکنواختی را از طریق مجموعه ای از شرایط ساده تضمین می کند.علاوه بر این ، با استفاده از وزن های مثبت در ترکیب های خطی این اسپلین ها ، ما اطمینان می دهیم که شبکه روابط یکنواخت بین ورودی و خروجی را حفظ می کند.آزمایشات ما نشان می دهد که مونوکان نه تنها تفسیر را تقویت می کند بلکه عملکرد پیش بینی کننده را در اکثر معیارها بهبود می بخشد ، و از رویکردهای پیشرفته MLP یکنواخت استفاده می کند.