Kolmogorov-Arnold Nätverk, Framtidens AI?

Abstract

Artificiell intelligens integreras idag i alltfler tekniska system. Trots det, är det fortfarande svårt att i praktiken implementera modeller från grunden på grund av höga resurskrav i form av data och beräkningskraft. Detta motiverar sökandet efter effektivare modeller. I denna artikel undersöks Kolmogorov Arnold Networks (KANs), en alternativ arkitektur av neurala nätverk och jämförs med traditionella arkitekturer som multilayer perceptrons (MLPs) och faltningsnätverk. KANs är intressanta då de potentiellt erbjuder fördelar som högre noggrannhet, är lättare att tolka och innehar teoretiskt goda skalningslagar [1]. Vi undersöker KANs och särskilda modiferingar av dessa (Sprecher-KANs) relativt MLPs. Jämförelsen görs genom att analysera utfallet från tre experiment. Specifikt analyseras mo dellernas förmågor för kurvanpassning, bildrekonstruktion och bildklassificering. I resultaten uppvisar Sprecher-KANs högre prestanda än KAN och i sin tur att KAN överpresterar MLPs. Faltningsnätverken överträffar KANs i prestanda, medan Sprecher-KANs presterar likvärdigt med faltningsnätverken.