Temporal Functional Circuits: From Spline Plots to Faithful Explanations in KAN Forecasting

작성자

Haebom

카테고리

Empty

저자

Naveen Mysore

💡 개요

본 논문은 Kolmogorov-Arnold Networks(KAN)의 학습 가능한 엣지 함수를 시계열 예측을 위한 명확하고 시간적으로 근거 있는 설명으로 전환하는 Temporal Functional Circuits 프레임워크를 제안합니다. 게이트 잔차 KAN 구조를 활용하여 예측을 선형 기본값과 희소 활성화된 KAN 보정으로 분해하고, 엣지 속성 분석, 활성화 범위 순위 지정, 엣지 개입을 통해 설명의 충실도를 검증합니다.

🔑 시사점 및 한계

•

KAN의 엣지 함수는 단순한 시각화를 넘어 예측에 중요한 정보를 담고 있으며, 이를 통해 시계열 예측에 대한 해석 가능한 설명을 제공할 수 있습니다.

•

제안된 Temporal Functional Circuits는 KAN의 설명 능력을 강화하여 복잡한 시계열 패턴을 포착하고, 특히 신호 복잡성이 증가하거나 예측이 불안정해질 때 선형 모델보다 우수한 성능을 보입니다.

•

B-스플라인 구성 요소가 예측 값에 기여한다는 것을 보여주며, 이는 KAN의 엣지 함수가 단순한 기본 활성화를 넘어선 예측력을 가짐을 시사합니다.

•

게이트 메커니즘은 신호 복잡성에 따라 적응적으로 작동하며, 복잡한 시계열 데이터에 대한 KAN의 성능을 향상시킵니다.

•

MLP 기반 모델로는 제공하기 어려운 해석 가능한 엣지 함수를 제공하여 KAN의 장점을 부각합니다.

•

향후 과제로는 더 복잡하고 현실적인 시계열 데이터셋에서의 검증, 다양한 설명 기법과의 통합, 그리고 실제 적용 가능성을 높이기 위한 추가적인 연구가 필요합니다.

PDF 보기

Made with Slashpage