Fugu-MT 論文翻訳(概要): KANLib -- A Modular, Extensible and Fast Kolmogorov-Arnold Network Implementation

論文の概要: KANLib -- A Modular, Extensible and Fast Kolmogorov-Arnold Network Implementation

arxiv url: http://arxiv.org/abs/2606.17927v2
Date: Tue, 23 Jun 2026 14:00:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-24 22:16:48.220963
Title: KANLib -- A Modular, Extensible and Fast Kolmogorov-Arnold Network Implementation
Title（参考訳）: KanLib - Kolmogorov-Arnoldネットワークの実装
Authors: Julian Hoever, Gregor Schiele,
Abstract要約: Kolmogorov-Arnold Networks (KAN) は、従来の多層パーセプトロンに代わる有望な代替品として登場した。本稿では,Kanアーキテクチャの開発と評価を行うための,モジュール性,表現性,計算効率のよいフレームワークであるKanLib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: Kolmogorov-Arnold Networks (KANs) have recently emerged as a promising alternative to traditional multilayer perceptrons by replacing linear weights with learnable univariate functions. Despite their theoretical advantages in interpretability and expressiveness, practical research of KANs remains difficult due to high computational costs and inconsistent feature support across existing frameworks. This paper introduces KANLib, a modular, extensible, and computationally efficient framework for developing and evaluating KAN architectures. KANLib unifies core concepts from existing implementations, including PyKAN, EfficientKAN, and FastKAN, within a consistent software architecture that emphasizes flexibility, feature parity, and high performance. The framework supports two basis function types, adaptive grid rescaling, grid extension, and fine-grained architectural customization while maintaining compatibility with standard PyTorch workflows. Experimental evaluation on the California Housing benchmark demonstrates that KANLib reproduces the predictive behavior of established reference KAN implementations while achieving competitive computational efficiency. Furthermore, the framework enables the exploration of architectural variations beyond standard KAN formulations with only minor impacts on predictive performance. Overall, KANLib provides a robust foundation for future research on scalable and extensible KAN architectures.
Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN) は、線形重みを学習可能な単変数関数に置き換えることで、従来の多層パーセプトロンに代わる有望な代替品として最近登場した。解釈可能性と表現性において理論的に優位性があるにもかかわらず、計算コストが高く、既存のフレームワーク間の不整合性サポートのため、kansの実践的な研究は依然として困難である。本稿では,kanアーキテクチャの開発と評価を行うための,モジュール型で拡張性があり,計算効率のよいフレームワークであるkanLibを紹介する。 KanLibは、PyKAN、EfficientKAN、FastKANなど、既存の実装とコアコンセプトを一貫したソフトウェアアーキテクチャに統合する。このフレームワークは2つの基本機能タイプ、アダプティブグリッドリスケーリング、グリッド拡張、アーキテクチャのきめ細かいカスタマイズをサポートし、標準のPyTorchワークフローとの互換性を維持している。カリフォルニア・ハウジング・ベンチマークの実験的な評価は、カンリブが競争力のある計算効率を達成しつつ、確立された参照KAN実装の予測挙動を再現していることを示している。さらに、このフレームワークは、予測性能に小さな影響しか与えない標準のKankan定式を超えて、アーキテクチャのバリエーションを探索することを可能にする。全体として、kanLibは、スケーラブルで拡張可能なkanアーキテクチャに関する将来の研究のための堅牢な基盤を提供する。

関連論文リスト

FEKAN: Feature-Enriched Kolmogorov-Arnold Networks [0.34376560669160394]
Kolmogorov-Arnold Networks (KANs) は多層パーセプトロンの魅力的な代替品として登場した。 FEKANは、計算効率と予測精度を改善しつつ、kanのすべての利点を保ちながら、シンプルで効果的な拡張である。
論文参考訳（メタデータ） (2026-02-18T15:17:55Z)
GS-KAN: Parameter-Efficient Kolmogorov-Arnold Networks via Sprecher-Type Shared Basis Functions [0.0]
我々は、David Sprecherの重ね合わせ定理の洗練に触発された軽量アーキテクチャであるGS-KAN(Generalized Sprecher-KAN)を提案する。 GS-KANは、学習可能な線形変換を1層に1つの学習可能な共有親関数に適用することにより、独自のエッジ関数を構築する。その結果,GS-KANはパラメータ効率を向上しつつ,連続関数タスクにおける近似と標準kanベースラインの両方に優れていた。
論文参考訳（メタデータ） (2025-12-09T19:56:36Z)
A Practitioner's Guide to Kolmogorov-Arnold Networks [2.304209804119502]
Kolmogorov-Arnold Networks (KANs) は、従来のマルチレイヤーパーセプトロン(MLP)に代わる有望な代替品として登場した。本総説は,急速に拡大するKANSAの景観を体系的かつ包括的に概観するものである。
論文参考訳（メタデータ） (2025-10-28T03:03:44Z)
Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
論文参考訳（メタデータ） (2025-09-22T15:13:14Z)
KANMixer: Can KAN Serve as a New Modeling Core for Long-term Time Series Forecasting? [17.96421618979159]
我々は,kanの適応能力を完全に活用したマルチスケール混合バックボーンを統合した簡潔なアーキテクチャであるkanMixerを紹介する。そこで,KanMixerは7つのベンチマークデータセットに対して,28実験のうち16実験で最先端のパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2025-08-03T04:03:13Z)
InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。 FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文参考訳（メタデータ） (2025-04-02T12:40:57Z)
ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
論文参考訳（メタデータ） (2025-03-24T13:11:22Z)
Exploring Kolmogorov-Arnold Networks for Interpretable Time Series Classification [4.489167091323233]
Kolmogorov-Arnold Networks (KAN) はディープラーニングの代替として提案されている。本稿では,UCRベンチマークアーカイブから117個のデータセットを用いた時系列分類のためのkanアーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-11-22T13:01:36Z)
Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文参考訳（メタデータ） (2023-08-23T10:48:28Z)
Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文参考訳（メタデータ） (2022-06-14T06:28:04Z)
BLK-REW: A Unified Block-based DNN Pruning Framework using Reweighted Regularization Method [69.49386965992464]
本稿では, 汎用的かつ柔軟な構造化プルーニング次元と, 強力かつ効率的な再加重正規化手法を組み合わせたブロック型プルーニングフレームワークを提案する。我々のフレームワークは普遍的であり、CNNとRNNの両方に適用できる。リアルタイムモバイルアクセラレーションと精度の妥協のないCNNとRNNの共通カバレッジを実現するのはこれが初めてである。
論文参考訳（メタデータ） (2020-01-23T03:30:56Z)

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。