MLP一夜掉！MIT加州理工等性KAN破记录，发现数学定理碾压DeepMind

AIGC动态欢迎阅读

原标题：MLP一夜掉！MIT加州理工等性KAN破记录，发现数学定理碾压DeepMind
关键字：函数,参数,变量,研究人员,解释性
文章来源：新智元
内容字数：11271字

内容摘要：

新智元报道编辑：桃子 LRS
【新智元导读】无需怀念MLP，新网络KAN基于柯尔莫哥洛夫-阿诺德定理，带着更少的参数、更强的性能、更好的可解释性来了，深度学习架构革新进入新时代！一夜之间，机器学习范式要变天了！
当今，统治深度学习领域的基础架构便是，多层感知器（MLP）——将激活函数放置在神经元上。
那么，除此之外，我们是否还有新的路线可走？就在今天，来自MIT、加州理工、东北大学等机构的团队重磅发布了，全新的神经网络结构——Kolmogorov–Arnold Networks（KAN）。
研究人员对MLP做了一个简单的改变，即将可学习的激活函数从节点（神经元）移到边（权重）上！
论文地址：https://arxiv.org/pdf/2404.19756
这个改变乍一听似乎毫无根据，但它与数学中的「逼近理论」（approximation theories）有着相当深刻的联系。
事实证明，Kolmogorov-Arnold表示对应两层网络，在边上，而非节点上，有可学习的激活函数。
正是从表示定理得到启发，研究人员用神经网络显式地，将Kolmogorov-Arnold表示参数化。
值得一

原文链接：MLP一夜掉！MIT加州理工等性KAN破记录，发现数学定理碾压DeepMind

联系作者

文章来源：新智元
作者微信：AI_era
作者简介：智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人对人类社会与文明进化的影响，领航中国新智能时代。