ترجمه فارسی مقاله فضای فعال سازی شبکه های Kolmogorov-Arnold قابل انتخاب

چکیده

The multilayer perceptron (MLP), a fundamental paradigm in current artificial intelligence, is widely applied in fields such as computer vision and natural language processing. However, the recently proposed Kolmogorov-Arnold Network (KAN), based on nonlinear additive connections, has been proven to achieve performance comparable to MLPs with significantly fewer parameters. Despite this potential, the use of a single activation function space results in reduced performance of KAN and related works across different tasks. To address this issue, we propose an activation space Selectable KAN (S-KAN). S-KAN employs an adaptive strategy to choose the possible activation mode for data at each feedforward KAN node. Our approach outperforms baseline methods in seven representative function fitting tasks and significantly surpasses MLP methods with the same level of parameters. Furthermore, we extend the structure of S-KAN and propose an activation space selectable Convolutional KAN (S-ConvKAN), which achieves leading results on four general image classification datasets. Our method mitigates the performance variability of the original KAN across different tasks and demonstrates through extensive experiments that feedforward KANs with selectable activations can achieve or even exceed the performance of MLP-based methods. This work contributes to the understanding of the data-centric design of new AI paradigms and provides a foundational reference for innovations in KAN-based network architectures.

چکیده به فارسی (ترجمه ماشینی)

Perceptron MultiLayer (MLP) ، یک الگوی اساسی در هوش مصنوعی فعلی ، به طور گسترده ای در زمینه هایی مانند دید رایانه و پردازش زبان طبیعی استفاده می شود.با این حال ، شبکه Kolmogorov-Arnold که اخیراً پیشنهاد شده است ، بر اساس اتصالات افزودنی غیرخطی ، برای دستیابی به عملکرد قابل مقایسه با MLP ها با پارامترهای قابل توجهی کمتر پیشنهاد شده است.با وجود این پتانسیل ، استفاده از یک فضای عملکرد فعال سازی واحد منجر به کاهش عملکرد KAN و آثار مرتبط با آن در کارهای مختلف می شود.برای پرداختن به این مسئله ، ما یک فضای فعال سازی قابل انتخاب Kan (S-Kan) را پیشنهاد می کنیم.S-Kan از یک استراتژی سازگار برای انتخاب حالت فعال سازی احتمالی برای داده ها در هر گره Kan Feedforward استفاده می کند.رویکرد ما از روشهای پایه در هفت کار متناسب با عملکرد عملکرد بهتر عمل می کند و به طور قابل توجهی از روشهای MLP با همان سطح پارامترها پیشی می گیرد.علاوه بر این ، ما ساختار S-KAN را گسترش می دهیم و یک فضای فعال سازی قابل انتخاب KAN (S-Convkan) را پیشنهاد می کنیم ، که به نتایج پیشرو در چهار مجموعه داده طبقه بندی تصویر کلی می رسد.روش ما تنوع عملکرد KAN اصلی را در کارهای مختلف کاهش می دهد و از طریق آزمایش های گسترده ای که KANS با فعال سازی های قابل انتخاب را می تواند به دست آورد یا حتی از عملکرد روشهای مبتنی بر MLP استفاده کند یا حتی فراتر رود.این کار به درک طراحی داده محور پارادایم های جدید هوش مصنوعی کمک می کند و یک مرجع اساسی برای نوآوری در معماری های شبکه مبتنی بر KAN فراهم می کند.