شبکه‌های عصبی کالموگروف-آرنولد (KAN): مبانی نظری، معماری‌های توسعه‌یافته و ارزیابی انتقادی

شبکه‌های عصبی کالموگروف-آرنولد (KAN): مبانی نظری، معماری‌های توسعه‌یافته و ارزیابی انتقادی

عباس نیک آبادی1

1) گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران

کد IOI مقاله : AAHD-ACZZKD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    معماری‌های متداول شبکه‌های عصبی مانند پرسپترون‌های چندلایه یا شبکه‌های کانولوشنی هنوز با چالش‌هایی نظیر نیاز به حجم بالای داده، مصرف منابع زیاد، ضعف در تفسیرپذیری و همگرایی ناپایدار مواجه هستند. در پاسخ به این چالش‌ها، رویکردهای نوینی در طراحی معماری شبکه‌های عصبی پیشنهاد شده‌اند که در آن‌ها، ساختار ریاضی و تئوریک مدل‌ها نقش محوری‌تری ایفا می‌کند. یکی از این رویکردهای نوین، شبکه‌های کالموگروف-آرنولد یا به اختصار KAN است که الهام‌گرفته از قضیه بازنمایی کالموگروف-آرنولد در تحلیل توابع است. KAN با جایگزینی وزن‌های عددی بین لایه‌ها با توابع یک‌متغیره یادگیر‌پذیر، مانند B-spline یا توابع فوریه، ساختاری جدید برای یادگیری روابط غیرخطی پیشنهاد می‌دهد. این تغییر باعث افزایش توان مدل در تقریب توابع پیچیده، کاهش تعداد پارامتر و مهم‌تر از همه، تفسیرپذیری نتایج یادگیری شده می‌گردد. در این مقاله، پژوهش‌های مرجع و اثرگذار در حوزه شبکه‌های KAN شامل مدل‌های پایه KAN، نسخه‌ی زمانی، کانولوشنی، ساختارهای بدون گرادیان، اتوانکودرهای مبتنی بر KAN و مدل‌های فوریه‌ای به‌طور دقیق بررسی شده‌اند. هر یک از این مدل‌ها برای حل نوع خاصی از مسائل طراحی شده‌اند، ولی همگی بر اصل بنیادی کالموگروف-آرنولد تکیه دارند. در این بررسی، ضمن تحلیل دقیق ساختار فنی و نوآوری‌های هر مدل، نقاط قوت و ضعف آن‌ها نیز با استناد به نتایج تجربی گزارش‌شده در مقالات تحلیل شده است. در پایان، مسیرهای پیشنهادی برای توسعه آینده شبکه‌های KAN ارائه شده است.

کلمات کلیدی : شبکه کالموگروف آرنولد kan اسپلاین تفسیرپذیری