리서치 연구
RecKAN: Kolmogorov-Arnold Networks with a Learnable Recursive Polynomial Basis
ARarXiv
기존 KAN 모델이 고정된 수학적 기저 함수(basis)에 의존했던 한계를 극복하기 위해, RecKAN은 재귀적인 다항식 관계를 통해 네트워크의 기반 자체를 학습하는 새로운 구조를 제안했습니다.
세 줄 요약
- RecKAN은 이 재귀 관계만으로 다양한 고전적 다항식 계열을 복원하며, 이미지 분류 및 시계열 예측 등 여러 벤치마크에서 기존 KAN 대비 우수한 성능과 낮은 오차율을 기록했습니다.
- 이는 신경망이 특정 수학적 가정에 갇히지 않고, 데이터가 요구하는 구조와 특성에 맞춰 최적화된 표현 능력을 스스로 찾아낼 수 있음을 의미합니다.
- 학습된 재귀 계수는 해석 가능하며, 특히 국소적인 구조를 파악해야 하는 작업에서 이론적 분석과 일치하는 방식으로 작동함을 입증했습니다.
기존 KAN 모델이 고정된 수학적 기저 함수(basis)에 의존했던 한계를 극복하기 위해, RecKAN은 재귀적인 다항식 관계를 통해 네트워크의 기반 자체를 학습하는 새로운 구조를 제안했습니다.