Kolmogorov-Arnold N?tverk, Framtidens AI?
Artificiell intelligens integreras idag i alltfler tekniska system. Trots det, ?r det fortfarande
sv?rt att i praktiken implementera modeller fr?n grunden p? grund av h?ga resurskrav i form
av data och ber?kningskraft. Detta motiverar s?kandet efter effektivare modeller.
I denna artikel unders?ks Kolmogorov Arnold Networks (KANs), en alternativ arkitektur
av neurala n?tverk och j?mf?rs med traditionella arkitekturer som multilayer perceptrons
(MLPs) och faltningsn?tverk. KANs ?r intressanta d? de potentiellt erbjuder f?rdelar som h?gre
noggrannhet, ?r l?ttare att tolka och innehar teoretiskt goda skalningslagar [1].
Vi unders?ker KANs och s?rskilda modiferingar av dessa (Sprecher-KANs) relativt MLPs.
J?mf?relsen g?rs genom att analysera utfallet fr?n tre experiment. Specifikt analyseras mo dellernas f?rm?gor f?r kurvanpassning, bildrekonstruktion och bildklassificering. I resultaten
uppvisar Sprecher-KANs h?gre prestanda ?n KAN och i sin tur att KAN ?verpresterar MLPs.
Faltningsn?tverken ?vertr?ffar KANs i prestanda, medan Sprecher-KANs presterar likv?rdigt
med faltningsn?tverken.