찾다
기술 주변기기일체 포함반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.

KAN은 상징적 표현을 선도하지만 MLP는 여전히 일반주의자입니다.


Les perceptrons multicouches (MLP), également connus sous le nom de réseaux neuronaux à rétroaction entièrement connectés, sont un composant de base des modèles d'apprentissage profond d'aujourd'hui. L'importance du MLP ne peut être surestimée car il s'agit de la méthode par défaut pour approximer les fonctions non linéaires dans l'apprentissage automatique.

Cependant, MLP présente également certaines limites, telles que la difficulté à interpréter les représentations apprises et la difficulté à faire évoluer de manière flexible la taille du réseau. L'émergence de

KAN (Kolmogorov-Arnold Networks) offre une alternative innovante au MLP traditionnel. Cette méthode surpasse MLP en termes de précision et d’interprétabilité, et elle est capable de surpasser MLP fonctionnant avec un nombre beaucoup plus grand de paramètres avec un très petit nombre de paramètres.

Alors, la question est : lequel dois-je choisir entre KAN et MLP ? Certaines personnes soutiennent MLP parce que KAN n'est qu'un MLP ordinaire et ne peut pas être remplacé du tout, mais d'autres pensent que KAN est supérieur. La comparaison actuelle entre les deux est également limitée à différents paramètres ou FLOP, et les résultats expérimentaux sont injustes.

Afin d'explorer le potentiel de KAN, il est nécessaire de comparer de manière exhaustive KAN et MLP dans un cadre équitable.

À cette fin, des chercheurs de l'Université nationale de Singapour ont formé et évalué KAN et MLP dans des tâches dans différents domaines, notamment la représentation de formules symboliques, l'apprentissage automatique, tout en contrôlant les paramètres ou FLOP de KAN et MLP, PNL et traitement audio. Dans ces paramètres équitables, ils ont constaté que KAN surpassait uniquement MLP sur la tâche de représentation de formule symbolique, tandis que MLP surpassait généralement KAN sur d'autres tâches.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
  • Adresse du papier : https://arxiv.org/pdf/2407.16674
  • Lien du projet : https://github.com/yu-rp/KANbeFair
  • Titre du papier : KAN ou MLP : Une comparaison plus juste

L'auteur a en outre découvert que L'avantage de KAN dans la représentation symbolique des formules découle de son utilisation de la fonction d'activation B-spline. Initialement, les performances globales de MLP étaient en retard par rapport à KAN, mais après avoir remplacé la fonction d'activation de MLP par des B-splines, ses performances ont égalé ou même dépassé KAN. Cependant, les B-splines ne peuvent pas améliorer davantage les performances du MLP sur d'autres tâches telles que la vision par ordinateur.

Les auteurs ont également constaté que KAN ne fonctionnait pas mieux que MLP sur les tâches d'apprentissage continu. L'article original du KAN comparait les performances du KAN et du MLP sur une tâche d'apprentissage continu utilisant une série de fonctions unidimensionnelles, où chaque fonction suivante est une traduction de la fonction précédente le long de l'axe des nombres. Cet article compare les performances de KAN et MLP dans un cadre d’apprentissage continu incrémentiel de classe plus standard. Dans des conditions d’itération d’entraînement fixes, ils ont découvert que le problème d’oubli de KAN est plus grave que celui de MLP.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
KAN, brève introduction de MLP

KAN a deux branches, la première branche est la branche B-spline et l'autre branche est la branche de raccourci, c'est-à-dire que l'activation non linéaire et la transformation linéaire sont connectés ensemble. Dans l'implémentation officielle, la branche raccourcie est une fonction SiLU suivie d'une transformation linéaire. Soit x représente le vecteur caractéristique d'un échantillon. Ensuite, l'équation directe de la branche spline KAN peut s'écrire comme suit :
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
Dans l'architecture KAN originale, la fonction spline est choisie comme fonction B-spline. Les paramètres de chaque fonction B-spline sont appris avec les autres paramètres du réseau.

En conséquence, l'équation directe du MLP monocouche peut être exprimée comme suit :
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
Cette formule a la même forme que la formule de branche B-spline dans KAN, sauf qu'elle diffère par la fonction non linéaire . Par conséquent, quelle que soit l’interprétation de la structure KAN donnée par l’article original, KAN peut également être considéré comme une couche entièrement connectée.

Par conséquent, il existe deux différences principales entre KAN et MLP ordinaire :

  1. La fonction d'activation est différente. Habituellement, la fonction d'activation dans MLP inclut ReLU, GELU, etc., qui n'ont pas de paramètres apprenables et sont uniformes pour tous les éléments d'entrée. Dans KAN, la fonction d'activation est une fonction spline avec des paramètres apprenables, et pour chaque entrée, les éléments sont tous différents. .
  2. Séquence d'opérations linéaires et non linéaires.Secara umumnya, penyelidik akan berkonsepkan MLP sebagai pertama melakukan transformasi linear dan kemudian transformasi tak linear, manakala KAN sebenarnya melakukan transformasi bukan linear dahulu dan kemudian transformasi linear. Tetapi pada tahap tertentu, ia juga boleh digunakan untuk menggambarkan lapisan yang bersambung sepenuhnya dalam MLP sebagai pertama bukan linear dan kemudian linear.

Dengan membandingkan KAN dan MLP, kajian ini percaya bahawa perbezaan antara keduanya adalah terutamanya fungsi pengaktifan. Oleh itu, mereka membuat hipotesis bahawa perbezaan dalam fungsi pengaktifan menjadikan KAN dan MLP sesuai untuk tugas yang berbeza, menyebabkan perbezaan fungsi antara kedua-dua model. Untuk menguji hipotesis ini, penyelidik membandingkan prestasi KAN dan MLP pada tugasan yang berbeza dan menerangkan tugasan yang mana setiap model sesuai. Untuk memastikan perbandingan yang adil, kajian ini mula-mula memperoleh formula untuk mengira bilangan parameter dan FLOP KAN dan MLP. Proses percubaan mengawal bilangan parameter atau FLOP yang sama untuk membandingkan prestasi KAN dan MLP. Bilangan parameter 的 Kan dan MLP dan bilangan parameter kawalan dalam FLOP



반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.

🎗 반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.


반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.





🎜🎜🎜🎜🎜🎜, Berat pintasan, berat berat bersaiz B dan istilah bias. Jumlah bilangan parameter yang boleh dipelajari ialah: 🎜🎜🎜🎜🎜di mana, d_in dan d_out mewakili dimensi input dan output lapisan rangkaian saraf, K mewakili susunan spline, yang sepadan dengan parameter k nn.Modul rasmi KANLayer, iaitu susunan asas polinomial dalam fungsi spline. G mewakili bilangan selang spline, yang sepadan dengan parameter nombor nn.Modul KANLayer rasmi. Ia adalah bilangan selang B-spline sebelum diisi. Sebelum mengisi, ia adalah sama dengan bilangan titik kawalan - 1. Selepas mengisi, perlu ada (K +G) titik kawalan yang sah. 🎜🎜🎜🎜🎜Selaras dengan itu, parameter yang boleh dipelajari bagi lapisan MLP ialah: 🎜🎜🎜🎜🎜🎜KAN dan FLOP MLP🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜 OP1 yang akan saya lakukan, dalam mana-mana penilaian OP1 yang akan saya lakukan, dalam mana-mana penilaian yang akan saya lakukan, dalam mana-mana penilaian yang akan datang. FLOP operasi Boolean dianggap sebagai 0. Operasi tertib ke-0 dalam algoritma De Boor-Cox boleh ditukar kepada satu siri operasi Boolean yang tidak memerlukan operasi titik terapung. Oleh itu, secara teorinya, FLOPnya ialah 0. Ini berbeza daripada pelaksanaan KAN rasmi, di mana ia menukar data boolean kembali kepada data titik terapung untuk operasi. 🎜🎜🎜🎜🎜Dalam penilaian penulis, FLOP dikira untuk satu sampel. FLOP B-spline yang dilaksanakan menggunakan formula lelaran De Boor-Cox dalam kod KAN rasmi ialah: 🎜🎜🎜🎜🎜 Bersama-sama dengan FLOP laluan pintasan dan FLOP penggabungan dua cabang, jumlah FLOP lapisan KAN ialah: 🎜🎜🎜🎜🎜 Sejajar dengan itu, FLOP lapisan MLP ialah: 🎜🎜🎜🎜🎜Perbezaan FLOP antara lapisan KAN dan lapisan MLP dengan dimensi input dan dimensi output yang sama boleh dinyatakan sebagai: 🎜🎜🎜🎜 🎜Jika MLP juga melakukan operasi tak linear terlebih dahulu , maka sebutan utama akan menjadi sifar. 🎜🎜🎜🎜🎜🎜 Eksperimen 🎜🎜🎜🎜🎜🎜Matlamat pengarang adalah untuk membandingkan perbezaan prestasi antara KAN dan MLP apabila bilangan parameter atau FLOP adalah sama. Percubaan merangkumi pelbagai bidang, termasuk pembelajaran mesin, penglihatan komputer, pemprosesan bahasa semula jadi, pemprosesan audio dan perwakilan formula simbolik. Semua eksperimen menggunakan pengoptimum Adam dan semuanya dijalankan pada GPU RTX3090. 🎜🎜🎜🎜🎜🎜Perbandingan prestasi🎜🎜🎜🎜🎜🎜Pembelajaran mesin. Pengarang menjalankan eksperimen pada 8 set data pembelajaran mesin, menggunakan KAN dan MLP dengan satu atau dua lapisan tersembunyi, dan berdasarkan ciri setiap set data, mereka melaraskan dimensi input dan output rangkaian saraf. 🎜🎜🎜🎜🎜Untuk MLP, lebar lapisan tersembunyi ditetapkan kepada 32, 64, 128, 256, 512 atau 1024, dan GELU atau ReLU digunakan sebagai fungsi pengaktifan, manakala lapisan normalisasi digunakan dalam MLP. Untuk KAN, lebar lapisan tersembunyi ialah 2, 4, 8, atau 16, bilangan jejaring B-spline ialah 3, 5, 10, atau 20, dan darjah B-spline ialah 2, 3, atau 5.

Memandangkan seni bina KAN asal tidak termasuk lapisan normalisasi, untuk mengimbangi kemungkinan kelebihan lapisan normalisasi dalam MLP, penulis mengembangkan julat nilai fungsi spline KAN. Semua eksperimen telah dijalankan untuk 20 pusingan latihan, dan ketepatan terbaik yang dicapai pada set ujian semasa proses latihan telah direkodkan, seperti yang ditunjukkan dalam Rajah 2 dan 3.

Pada set data pembelajaran mesin, MLP biasanya mengekalkan kelebihan. Dalam eksperimen mereka pada lapan set data, MLP mengatasi KAN pada enam set data. Walau bagaimanapun, mereka juga mendapati bahawa pada satu set data, prestasi MLP dan KAN hampir setara, manakala pada set data yang lain, KAN menunjukkan prestasi yang lebih baik daripada MLP.

Secara keseluruhan, MLP masih mempunyai kelebihan umum pada set data pembelajaran mesin.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
Penglihatan Komputer. Penulis menjalankan eksperimen pada 8 set data penglihatan komputer. Mereka menggunakan KAN dan MLP dengan satu atau dua lapisan tersembunyi, melaraskan dimensi input dan output rangkaian saraf bergantung pada set data.

Dalam set data penglihatan komputer, bias pemprosesan yang diperkenalkan oleh fungsi spline KAN tidak mempunyai kesan, dan prestasi nya sentiasa lebih rendah daripada MLP dengan bilangan parameter atau FLOP yang sama.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
Pemprosesan audio dan bahasa semula jadi. Penulis menjalankan eksperimen pada 2 klasifikasi audio dan 2 set data pengelasan teks. Mereka menggunakan KAN dan MLP dengan satu hingga dua lapisan tersembunyi dan melaraskan dimensi input dan output rangkaian saraf mengikut ciri set data.

Pada kedua-dua set data audio, MLP mengatasi prestasi KAN.

Dalam tugas pengelasan teks, MLP mengekalkan kelebihannya pada set data AG News. Walau bagaimanapun, pada set data CoLA, tidak terdapat perbezaan yang signifikan dalam prestasi antara MLP dan KAN. KAN nampaknya mempunyai kelebihan pada dataset CoLA apabila bilangan parameter kawalan adalah sama. Walau bagaimanapun, memandangkan spline KAN memerlukan FLOP yang lebih tinggi, kelebihan ini tidak terbukti secara konsisten dalam eksperimen dengan FLOP terkawal. Apabila mengawal FLOP, MLP nampaknya lebih unggul. Oleh itu, Tiada jawapan yang jelas tentang model mana yang lebih baik pada set data CoLA.

Secara keseluruhan, MLP masih menjadi pilihan yang lebih baik dalam kedua-dua tugasan audio dan teks.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
perwakilan formula simbol. Penulis membandingkan perbezaan antara KAN dan MLP pada lapan tugas perwakilan formula simbolik. Mereka menggunakan KAN dan MLP dengan satu hingga empat lapisan tersembunyi, melaraskan dimensi input dan output rangkaian saraf mengikut set data.

KAN mengatasi prestasi MLP pada 7 daripada 8 set data sambil mengawal bilangan parameter. Apabila mengawal FLOP, KAN berprestasi secara kasar setanding dengan MLP, mengatasi MLP pada dua set data dan lebih rendah daripada MLP pada satu lagi disebabkan oleh kerumitan pengiraan tambahan yang diperkenalkan oleh splines.

Secara keseluruhan, KAN mengatasi MLP dalam tugas perwakilan formula simbolik.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.
반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.

위 내용은 반전? 새로운 대회에서 MLP를 대체한다고 주장하는 KAN은 단 1승만을 거두었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.
4090生成器:与A100平台相比,token生成速度仅低于18%,上交推理引擎赢得热议4090生成器:与A100平台相比,token生成速度仅低于18%,上交推理引擎赢得热议Dec 21, 2023 pm 03:25 PM

PowerInfer提高了在消费级硬件上运行AI的效率上海交大团队最新推出了超强CPU/GPULLM高速推理引擎PowerInfer。PowerInfer和llama.cpp都在相同的硬件上运行,并充分利用了RTX4090上的VRAM。这个推理引擎速度有多快?在单个NVIDIARTX4090GPU上运行LLM,PowerInfer的平均token生成速率为13.20tokens/s,峰值为29.08tokens/s,仅比顶级服务器A100GPU低18%,可适用于各种LLM。PowerInfer与

思维链CoT进化成思维图GoT,比思维树更优秀的提示工程技术诞生了思维链CoT进化成思维图GoT,比思维树更优秀的提示工程技术诞生了Sep 05, 2023 pm 05:53 PM

要让大型语言模型(LLM)充分发挥其能力,有效的prompt设计方案是必不可少的,为此甚至出现了promptengineering(提示工程)这一新兴领域。在各种prompt设计方案中,思维链(CoT)凭借其强大的推理能力吸引了许多研究者和用户的眼球,基于其改进的CoT-SC以及更进一步的思维树(ToT)也收获了大量关注。近日,苏黎世联邦理工学院、Cledar和华沙理工大学的一个研究团队提出了更进一步的想法:思维图(GoT)。让思维从链到树到图,为LLM构建推理过程的能力不断得到提升,研究者也通

复旦NLP团队发布80页大模型Agent综述,一文纵览AI智能体的现状与未来复旦NLP团队发布80页大模型Agent综述,一文纵览AI智能体的现状与未来Sep 23, 2023 am 09:01 AM

近期,复旦大学自然语言处理团队(FudanNLP)推出LLM-basedAgents综述论文,全文长达86页,共有600余篇参考文献!作者们从AIAgent的历史出发,全面梳理了基于大型语言模型的智能代理现状,包括:LLM-basedAgent的背景、构成、应用场景、以及备受关注的代理社会。同时,作者们探讨了Agent相关的前瞻开放问题,对于相关领域的未来发展趋势具有重要价值。论文链接:https://arxiv.org/pdf/2309.07864.pdfLLM-basedAgent论文列表:

FATE 2.0发布:实现异构联邦学习系统互联FATE 2.0发布:实现异构联邦学习系统互联Jan 16, 2024 am 11:48 AM

FATE2.0全面升级,推动隐私计算联邦学习规模化应用FATE开源平台宣布发布FATE2.0版本,作为全球领先的联邦学习工业级开源框架。此次更新实现了联邦异构系统之间的互联互通,持续增强了隐私计算平台的互联互通能力。这一进展进一步推动了联邦学习与隐私计算规模化应用的发展。FATE2.0以全面互通为设计理念,采用开源方式对应用层、调度、通信、异构计算(算法)四个层面进行改造,实现了系统与系统、系统与算法、算法与算法之间异构互通的能力。FATE2.0的设计兼容了北京金融科技产业联盟的《金融业隐私计算

吞吐量提升5倍,联合设计后端系统和前端语言的LLM接口来了吞吐量提升5倍,联合设计后端系统和前端语言的LLM接口来了Mar 01, 2024 pm 10:55 PM

大型语言模型(LLM)被广泛应用于需要多个链式生成调用、高级提示技术、控制流以及与外部环境交互的复杂任务。尽管如此,目前用于编程和执行这些应用程序的高效系统却存在明显的不足之处。研究人员最近提出了一种新的结构化生成语言(StructuredGenerationLanguage),称为SGLang,旨在改进与LLM的交互性。通过整合后端运行时系统和前端语言的设计,SGLang使得LLM的性能更高、更易控制。这项研究也获得了机器学习领域的知名学者、CMU助理教授陈天奇的转发。总的来说,SGLang的

大模型也有小偷?为保护你的参数,上交大给大模型制作「人类可读指纹」大模型也有小偷?为保护你的参数,上交大给大模型制作「人类可读指纹」Feb 02, 2024 pm 09:33 PM

将不同的基模型象征为不同品种的狗,其中相同的「狗形指纹」表明它们源自同一个基模型。大模型的预训练需要耗费大量的计算资源和数据,因此预训练模型的参数成为各大机构重点保护的核心竞争力和资产。然而,与传统软件知识产权保护不同,对预训练模型参数盗用的判断存在以下两个新问题:1)预训练模型的参数,尤其是千亿级别模型的参数,通常不会开源。预训练模型的输出和参数会受到后续处理步骤(如SFT、RLHF、continuepretraining等)的影响,这使得判断一个模型是否基于另一个现有模型微调得来变得困难。无

220亿晶体管,IBM机器学习专用处理器NorthPole,能效25倍提升220亿晶体管,IBM机器学习专用处理器NorthPole,能效25倍提升Oct 23, 2023 pm 03:13 PM

IBM再度发力。随着AI系统的飞速发展,其能源需求也在不断增加。训练新系统需要大量的数据集和处理器时间,因此能耗极高。在某些情况下,执行一些训练好的系统,智能手机就能轻松胜任。但是,执行的次数太多,能耗也会增加。幸运的是,有很多方法可以降低后者的能耗。IBM和英特尔已经试验过模仿实际神经元行为设计的处理器。IBM还测试了在相变存储器中执行神经网络计算,以避免重复访问RAM。现在,IBM又推出了另一种方法。该公司的新型NorthPole处理器综合了上述方法的一些理念,并将其与一种非常精简的计算运行

何恺明和谢赛宁团队成功跟随解构扩散模型探索,最终创造出备受赞誉的去噪自编码器何恺明和谢赛宁团队成功跟随解构扩散模型探索,最终创造出备受赞誉的去噪自编码器Jan 29, 2024 pm 02:15 PM

去噪扩散模型(DDM)是目前广泛应用于图像生成的一种方法。最近,XinleiChen、ZhuangLiu、谢赛宁和何恺明四人团队对DDM进行了解构研究。通过逐步剥离其组件,他们发现DDM的生成能力逐渐下降,但表征学习能力仍然保持一定水平。这说明DDM中的某些组件对于表征学习的作用可能并不重要。针对当前计算机视觉等领域的生成模型,去噪被认为是一种核心方法。这类方法通常被称为去噪扩散模型(DDM),通过学习一个去噪自动编码器(DAE),能够通过扩散过程有效地消除多个层级的噪声。这些方法实现了出色的图

See all articles

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

뜨거운 도구

안전한 시험 브라우저

안전한 시험 브라우저

안전한 시험 브라우저는 온라인 시험을 안전하게 치르기 위한 보안 브라우저 환경입니다. 이 소프트웨어는 모든 컴퓨터를 안전한 워크스테이션으로 바꿔줍니다. 이는 모든 유틸리티에 대한 액세스를 제어하고 학생들이 승인되지 않은 리소스를 사용하는 것을 방지합니다.

DVWA

DVWA

DVWA(Damn Vulnerable Web App)는 매우 취약한 PHP/MySQL 웹 애플리케이션입니다. 주요 목표는 보안 전문가가 법적 환경에서 자신의 기술과 도구를 테스트하고, 웹 개발자가 웹 응용 프로그램 보안 프로세스를 더 잘 이해할 수 있도록 돕고, 교사/학생이 교실 환경 웹 응용 프로그램에서 가르치고 배울 수 있도록 돕는 것입니다. 보안. DVWA의 목표는 다양한 난이도의 간단하고 간단한 인터페이스를 통해 가장 일반적인 웹 취약점 중 일부를 연습하는 것입니다. 이 소프트웨어는

SublimeText3 영어 버전

SublimeText3 영어 버전

권장 사항: Win 버전, 코드 프롬프트 지원!

에디트플러스 중국어 크랙 버전

에디트플러스 중국어 크랙 버전

작은 크기, 구문 강조, 코드 프롬프트 기능을 지원하지 않음

SublimeText3 Linux 새 버전

SublimeText3 Linux 새 버전

SublimeText3 Linux 최신 버전