論文の概要: Temporal Functional Circuits: From Spline Plots to Faithful Explanations in KAN Forecasting

• arxiv url: http://arxiv.org/abs/2605.05685v1
• Date: Thu, 07 May 2026 05:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.528189
• Title: Temporal Functional Circuits: From Spline Plots to Faithful Explanations in KAN Forecasting
• Title（参考訳）: 時間関数回路:寛予測におけるスプラインプロットから忠実な説明へ
• Authors: Naveen Mysore,
• Abstract要約: ヴィジュアライゼーションとは異なり、KAN(Kolmogorov-Arnold Networks)はすべてのコネクションで学習可能なエッジ関数を明示する。 本稿では,kanエッジ関数を忠実な説明に変換するフレームワークであるTemporal Functional Circuitsを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unlike MLPs, Kolmogorov-Arnold Networks (KANs) expose explicit learnable edge functions on every connection, enabling mechanistic explanation in time-series forecasting. This paper introduces Temporal Functional Circuits, a framework that transforms KAN edge functions from latent visualizations into faithful, temporally grounded explanations. Built on a gated residual KAN that decomposes forecasts into a linear base and a sparsely activated KAN correction, the framework (i) maps each edge to input lags via output-aware attribution, (ii) ranks edges by learned activation range, and (iii) validates faithfulness through edge-level interventions including zeroing and spline removal. Removing the learned B-spline component while retaining the base SiLU term degrades forecasts, providing evidence that the spline shape itself carries predictive value beyond the base activation. On four synthetic regimes of increasing complexity, the learned gate opens progressively wider as signal complexity grows. On regime-switching signals, gated KAN achieves 59% lower MSE than linear-only models. Across eight benchmarks, the gated architecture is competitive with linear, attention, and MLP alternatives, while providing interpretable edge functions that MLP-based corrections cannot offer.
• Abstract（参考訳）: MLPと異なり、KAN(Kolmogorov-Arnold Networks)は全ての接続上で学習可能なエッジ関数を明示し、時系列予測における機械的説明を可能にする。 本稿では,Kanエッジ関数を潜在可視化から忠実な時間的根拠を持つ説明に変換するフレームワークであるTemporal Functional Circuitsを紹介する。 予測を線形ベースに分解するゲート付残留カン上に構築し, 疎活性化カン補正, フレームワーク (i)各エッジを出力対応属性を介して入力ラグにマップする。 (二)学習活性化範囲によるエッジのランク付け、及び 三 ゼロ化及びスプライン除去を含むエッジレベルの介入を通じて忠実性を検証すること。 ベースSiLU項の劣化を抑えながら学習したB-スプライン成分を除去し、スプライン形状自体がベースアクティベーションを超える予測値を持つことを示す。 複雑さが増大する4つの合成状態において、学習ゲートは信号の複雑さが増大するにつれて徐々に広く開く。 状態スイッチング信号では、ゲートカンは線形のみのモデルよりも59%低いMSEを達成する。 8つのベンチマークで、ゲートアーキテクチャは線形、注目、MLPの代替と競合する一方で、MLPベースの修正では提供できない解釈可能なエッジ関数を提供する。

関連論文リスト

• Sparse-by-Design Cross-Modality Prediction: L0-Gated Representations for Reliable and Efficient Learning [0.0]
  統一されたスペーシフィケーションプリミティブは、モダリティに匹敵する精度と効率のトレードオフをもたらす。 学習表現に直接L0スタイルのスパーシリティを強制するモダリティ非依存的かつ機能的にハードコンクリートなゲーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-26T03:33:42Z)
• DualFlexKAN: Dual-stage Kolmogorov-Arnold Networks with Independent Function Control [2.071516130824992]
  Kolmogorov-Arnold Networks (KAN) はこの制限をエッジ中心の学習可能な関数によって解決している。 Kanはパラメータスケーリングとアーキテクチャの剛性に悩まされており、標準正規化技術の効果的な統合を妨げる。 本稿では,DualFlexKAN(DFKAN)について紹介する。DualFlexKAN(DFKAN)は,先線形入力変換と後線形出力を独立に制御するデュアルステージ機構を備えたフレキシブルアーキテクチャである。
  論文  参考訳（メタデータ） (2026-03-09T16:36:04Z)
• Temporal Difference Learning with Constrained Initial Representations [41.31941267662611]
  このような制約を満たすために、初期層にTanh関数を導入する。 本稿では,3つのコンポーネントから構成されるCIRをタグ付けしたConstrained Initial Representationsフレームワークを提案する。 実験結果から,CIRは多くの連続制御タスクにおいて高い性能を示すことが示された。
  論文  参考訳（メタデータ） (2026-02-12T10:27:57Z)
• Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
  ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。 結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
  論文  参考訳（メタデータ） (2026-01-29T15:58:01Z)
• PDE Solvers Should Be Local: Fast, Stable Rollouts with Learned Local Stencils [20.49015396991881]
  有限差分に着想を得たニューラルネットワークであるFINOは、厳密な局所性を強制する。 FINOは固定有限差分ステンシル係数を学習可能な畳み込みカーネルに置き換える。 最先端のオペレータ-ラーニングベースラインよりも最大44%低いエラー、最大2倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-09-30T12:42:32Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• 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)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。