ترجمه فارسی مقاله UKAN: شبکه کولموگروف-آرنولد بدون محدودیت همراه با کتابخانه تسریع شده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی UKAN: Unbound Kolmogorov-Arnold Network Accompanied with Accelerated Library
عنوان مقاله به فارسی UKAN: شبکه کولموگروف-آرنولد بدون محدودیت همراه با کتابخانه تسریع شده
نویسندگان Alireza Moradzadeh, Lukasz Wawrzyniak, Miles Macklin, Saee G. Paliwal
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 18 September, 2024; v1 submitted 20 August, 2024; originally announced August 2024. , Comments: 10 pages, 7 figures, 5 tables
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛V1 ارسال شده در 20 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 10 صفحه ، 7 شکل ، 5 جدول
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this work, we present a GPU-accelerated library for the underlying components of Kolmogorov-Arnold Networks (KANs), along with an algorithm to eliminate bounded grids in KANs. The GPU-accelerated library reduces the computational complexity of Basis Spline (B-spline) evaluation by a factor of $\mathcal{O}$(grid size) compared to existing codes, enabling batch computation for large-scale learning. To overcome the limitations of traditional KANs, we introduce Unbounded KANs (UKANs), which eliminate the need for a bounded grid and a fixed number of B-spline coefficients. To do so, we replace the KAN parameters (B-spline coefficients) with a coefficient generator (CG) model. The inputs to the CG model are designed based on the idea of an infinite symmetric grid extending from negative infinity to positive infinity. The positional encoding of grid group, a sequential collection of B-spline grid indexes, is fed into the CG model, and coefficients are consumed by the efficient implementation (matrix representations) of B-spline functions to generate outputs. We perform several experiments on regression, classification, and generative tasks, which are promising. In particular, UKAN does not require data normalization or a bounded domain for evaluation. Additionally, our benchmarking results indicate the superior memory and computational efficiency of our library compared to existing codes.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما یک کتابخانه شرکای GPU را برای اجزای اساسی شبکه های Kolmogorov-Arnold (KANS) ارائه می دهیم ، به همراه یک الگوریتم برای از بین بردن شبکه های محدود در KANS.کتابخانه شرکای GPU پیچیدگی محاسباتی ارزیابی پایه (B-spline) را با ضریب $ \ mathcal {o} $ (اندازه شبکه) در مقایسه با کدهای موجود کاهش می دهد و امکان محاسبات دسته ای را برای یادگیری در مقیاس بزرگ فراهم می کند.برای غلبه بر محدودیت های Kans سنتی ، ما KANS بی حد و مرز (UKANS) را معرفی می کنیم ، که نیاز به یک شبکه محدود و تعداد ثابت ضرایب B-spline را از بین می برد.برای انجام این کار ، ما پارامترهای KAN (ضرایب B-spline) را با یک مدل ژنراتور ضریب (CG) جایگزین می کنیم.ورودی های مدل CG بر اساس ایده یک شبکه متقارن نامحدود که از بی نهایت منفی تا بی نهایت مثبت گسترش می یابد ، طراحی شده است.رمزگذاری مثبت گروه شبکه ، یک مجموعه متوالی از شاخص های شبکه B-spline ، در مدل CG تغذیه می شود و ضرایب با اجرای کارآمد (بازنمایی ماتریس) از توابع B-spline برای تولید خروجی ها مصرف می شوند.ما چندین آزمایش در مورد رگرسیون ، طبقه بندی و کارهای تولیدی انجام می دهیم که امیدوار کننده هستند.به طور خاص ، اوکان برای ارزیابی نیازی به عادی سازی داده یا دامنه محدود ندارد.علاوه بر این ، نتایج معیار ما حاکی از حافظه برتر و راندمان محاسباتی کتابخانه ما در مقایسه با کدهای موجود است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.