論文の概要: FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2603.28288v1
• Date: Mon, 30 Mar 2026 11:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.351194
• Title: FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks
• Title（参考訳）: FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks
• Authors: Gnankan Landry Regis N'guessan,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) は、固定格子上のB-スプラインベースを使用し、非滑らか関数近似に固有のマルチスケール分解を提供しない。 本稿では,反復関数系 (IFS) 理論から学習可能なフラクタル関数 (FIF) 基底を包含するフラクタル補間カン (FI-KAN) について紹介する。 Pure FI-KANはB-splineを完全にFIFベースに置き換え、Hybrid FI-KANはB-splineパスを保持し、学習可能なフラクタル補正を追加する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kolmogorov-Arnold Networks (KAN) employ B-spline bases on a fixed grid, providing no intrinsic multi-scale decomposition for non-smooth function approximation. We introduce Fractal Interpolation KAN (FI-KAN), which incorporates learnable fractal interpolation function (FIF) bases from iterated function system (IFS) theory into KAN. Two variants are presented: Pure FI-KAN (Barnsley, 1986) replaces B-splines entirely with FIF bases; Hybrid FI-KAN (Navascues, 2005) retains the B-spline path and adds a learnable fractal correction. The IFS contraction parameters give each edge a differentiable fractal dimension that adapts to target regularity during training. On a Holder regularity benchmark ($α\in [0.2, 2.0]$), Hybrid FI-KAN outperforms KAN at every regularity level (1.3x to 33x). On fractal targets, FI-KAN achieves up to 6.3x MSE reduction over KAN, maintaining 4.7x advantage at 5 dB SNR. On non-smooth PDE solutions (scikit-fem), Hybrid FI-KAN achieves up to 79x improvement on rough-coefficient diffusion and 3.5x on L-shaped domain corner singularities. Pure FI-KAN's complementary behavior, dominating on rough targets while underperforming on smooth ones, provides controlled evidence that basis geometry must match target regularity. A fractal dimension regularizer provides interpretable complexity control whose learned values recover the true fractal dimension of each target. These results establish regularity-matched basis design as a principled strategy for neural function approximation.
• Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN) は、固定格子上のB-スプラインベースを使用し、非滑らか関数近似に固有のマルチスケール分解を提供しない。 本稿では,反復関数系(IFS)理論から学習可能なフラクタル補間関数(FIF)に基づくフラクタル補間カン(FI-KAN)について紹介する。 Pure FI-KAN (Barnsley, 1986) は B-splines を完全に FIF ベースに置き換え、Hybrid FI-KAN (Navascues, 2005) は B-spline パスを保持し、学習可能なフラクタル補正を追加する。 IFS収縮パラメータは、訓練中にターゲットの規則性に適応する、それぞれのエッジに微分可能なフラクタル次元を与える。 ホルダー正則性ベンチマーク(α\in [0.2, 2.0]$)では、ハイブリッドFI-KANは、すべての正則性レベル(1.3xから33x)でカンを上回っている。 フラクタルターゲットでは、FI-KANはKanよりも最大6.3倍のMSE削減を実現し、5dB SNRで4.7倍の優位性を維持する。 非滑らかなPDE解 (scikit-fem) では、ハイブリットFI-KANはラッド係数拡散の最大79倍の改善とL字型領域角特異点の3.5倍を実現している。 純粋なFI-KANの相補的な振る舞いは、粗い目標に支配的であり、滑らかな目標に過小評価され、基底幾何学が目標の正則性と一致しなければならないという制御された証拠を与える。 フラクタル次元正規化器は、学習した値が各ターゲットの真のフラクタル次元を回復する解釈可能な複雑性制御を提供する。 これらの結果は、ニューラルネットワーク近似の原則的戦略として、規則性に整合した基礎設計を確立する。

関連論文リスト

• ReHARK: Refined Hybrid Adaptive RBF Kernels for Robust One-Shot Vision-Language Adaptation [3.8707695363745214]
  ReHARKは、グローバルな近位正規化を通じて、少数ショット適応を再解釈する、トレーニング不要のフレームワークである。 ワンショット適応のための新しい最先端技術がReHARKによって確立され、平均精度は65.83%である。
  論文  参考訳（メタデータ） (2026-03-12T04:59:09Z)
• K-Means as a Radial Basis function Network: a Variational and Gradient-based Equivalence [41.99844472131922]
  この研究は、古典的なK平均アルゴリズムと微分可能な基底放射関数ニューラルネットワークとの間の厳密な変動と勾配に基づく等価性を確立する。 RBFの目標である$$-convergesがK-Means解に温度パラメータ$$$が消滅することを示す。 また、基礎となるボロノイ分割構造を保ちながら安定収束を保証するEnt-max-1.5の統合も提案する。
  論文  参考訳（メタデータ） (2026-03-04T21:41:50Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Rational ANOVA Networks [12.085684184678348]
  ディープニューラルネットワークは非線形性を固定プリミティブとして扱い、誘導関数クラスに対する解釈可能性と制御の両方を制限する。 本稿では,機能的ANOVA分解とパッド型合理的近似に基づく基礎アーキテクチャであるRational-ANOVA Network (RAN)を提案する。
  論文  参考訳（メタデータ） (2026-02-03T20:46:00Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• Equidistribution-based training of Free Knot Splines and ReLU Neural Networks [0.0]
  固定化線形ユニット(ReLU)アクティベーション機能を持つ浅層ニューラルネットワーク(NN)を用いて,$L$に基づく近似問題は不条件であることを示す。 まず,最適ノット位置を求める非線形問題を解くことで,FKSのトレーニングを行う2段階の手順を提案する。 次に、FKSの最適重みと結び目を決定する。
  論文  参考訳（メタデータ） (2024-07-02T10:51:36Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Federated Functional Gradient Boosting [75.06942944563572]
  フェデレーション学習における機能最小化に関する研究 FFGB.C と FFGB.L は、特徴分布がより均一になるにつれて収束半径が 0 に縮まる。
  論文  参考訳（メタデータ） (2021-03-11T21:49:19Z)
• Optimal Rates for Averaged Stochastic Gradient Descent under Neural Tangent Kernel Regime [50.510421854168065]
  平均勾配勾配勾配は極小収束率が得られることを示す。 本稿では、ReLUネットワークのNTKで指定されたターゲット関数を最適収束速度で学習できることを示す。
  論文  参考訳（メタデータ） (2020-06-22T14:31:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。