KAN与MLP临床基准论文发布

Rafał Wodziński与Paweł Szczerbiak发布论文，对KAN与MLP在临床表格数据上的性能进行了基准测试。该研究涵盖了7个医学数据集，并对比了11种不同架构，重点分析了两类模型在医学场景下的表现差异。 在严重类不平衡的医学场景中，KAN变体如TabKAN和ReLUKAN在检测稀有阳性病例时表现出更高的AUPRC。尽管KAN在部分任务中提升了精确度，但其推理延迟相比StandardMLP增加了1.20倍至1.48倍，且可训练参数最多多达12.5倍。 研究结论表明，KAN在追求稀有病例精确度时是一种可行的替代方案。然而，StandardMLP在效率上仍处于帕累托前沿，两者在整体判别力上相当。该论文为医学人工智能领域提供了详细的架构对比与效率评估参考。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。