FHKAN网络架构：以分数阶Hermite基提升KAN性能
热点事件持续更新
FHKAN网络架构：以分数阶Hermite基提升KAN性能
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
研究人员提出FHKAN架构，用可训练的分数阶广义Hermite基替代Chebyshev多项式，使KAN能在无界预激活上直接作用而无需饱和映射。 在合成回归、图像分类及物理信息问题中，FHKAN展现出最低的测试误差或达到10^-6到10^-5量级的平均绝对误差。 该架构在九种固定激活函数及基于样条的KAN中，在每个网络深度均达到最低测试误差。
AI 根据报道生成 · 2 小时前更新
最新进展10月20日 12:00
FHKAN: 分数阶 Hermite Kolmogorov-Arnold 网络用于数据驱动与物理信息学习报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · MLFHKAN: 分数阶 Hermite Kolmogorov-Arnold 网络用于数据驱动与物理信息学习
研究人员提出 FHKAN 架构，用可训练的分数阶广义 Hermite 基替代 Chebyshev 多项式，使 KAN 能在无界预激活上直接作用而无需饱和映射。 在合成回归、图像分类及物理信息问题（如 Lane-Emden 方程）中，FHKAN 展现出最低的测试误差或达到 10^-6 到 10^-5 量级的平均绝对误差。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。