В чем основные различия между KAN и стандартными CNN?

Некоторые различия между KAN и стандартными CNN:

• Архитектура: CNN фиксирует локальные особенности исходной последовательности объектов, снижает уровень шума и вычислительную нагрузку на последующие модели. www.frontiersin.org KAN фиксирует сложные зависимости между входными объектами с помощью адаптивной сети и базисной функции B-сплайна, расширяя возможности обобщения модели. www.frontiersin.org
• Функции активации: в CNN внутри каждого слоя находится функция активации, как правило линейная и одинаковая для всего слоя. lab.neural-university.ru В KAN функцию активации переместили из нейронов на рёбра, и механизм обратного распространения ошибки подбирает не просто число, а функцию. lab.neural-university.ru
• Количество параметров: KAN использует меньшее количество параметров, чем традиционные CNN, но при этом достигает более высокой точности на различных задачах. vk.com github.com
• Интерпретируемость: структура KAN облегчает интерпретируемость, позволяя исследователям выводить символьные формулы, эффективно представляющие выученные закономерности. vk.com В отличие от «чёрных ящиков» и системы «скрытых слоёв» без контролируемого полноценного результата, KAN предлагает понимание того, как входные признаки трансформируются во всей сети. vk.com