Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

AR-KAN: Autoregressive-Weight-Enhanced Kolmogorov-Arnold Network for Time Series Forecasting

Created by
  • Haebom

作者

Chen Zeng, Tiehang Xu, Qiao Wang

概要

本論文は、既存のニューラルネットワークが複雑な信号のスペクトル構造を捕捉することが困難であることを指摘している。従来の研究では、ARIMAモデルが大規模言語モデルよりも時系列予測に優れていることに基づいて、本論文はニューラルネットワーク予測モデルとARIMAモデルを比較分析し、ARIMAモデルの卓越性を確認します。したがって、時間的記憶のための事前訓練されたARモジュールと非線形表現のためのKANを統合した新しいモデルであるAutoregressive-Weight-Enhanced Kolmogorov-Arnold Network（AR-KAN）を提案します。 ARモジュールは、重要な時間的特徴を維持しながら冗長性を減らすのに役立ちます。実験の結果、AR-KANはほぼ周期的な関数でARIMAと同様の性能を示し、Rdatasets時系列データの72％で最良の結果を達成し、特に周期的構造を持つデータに大きな利点を示しました。これは、AR-KANが強力で効果的な時系列予測フレームワークであることを示しています。

Takeaways、Limitations

•
Takeaways：
◦
ARIMAモデルの卓越性をニューラルネットワークベースのモデルとの比較によって再確認。
◦
AR-KANモデルが周期的構造を有する時系列データ予測に有効であることを証明した。
◦
時間記憶と非線形表現を効果的に組み合わせた新しい時系列予測フレームワークの提示
◦
Rdatasets時系列データのかなりの部分で最高のパフォーマンスを達成。
•
Limitations：
◦
AR-KANモデルがあらゆる種類の時系列データに対してARIMAより優れていると断定するのは難しい（Rdatasetsの72％でのみ優れた性能）。
◦
AR-KANモデルのパフォーマンスを向上させるための追加の研究が必要です。
◦
使用されたデータセットの一般化の可能性についての追加のレビューが必要です。
◦
非周期的データに対するAR-KANの性能解析が不足
👍
Made with Slashpage