論文の概要: Is the Statistical Advantage Worth the Cost? An Empirical Comparison of KANs and MLPs for Structured Data Classification
- arxiv url: http://arxiv.org/abs/2607.13413v1
- Date: Wed, 15 Jul 2026 03:30:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.631076
- Title: Is the Statistical Advantage Worth the Cost? An Empirical Comparison of KANs and MLPs for Structured Data Classification
- Title（参考訳）: 統計的アドバンテージはコストか? : 構造化データ分類におけるkans と MLPs の実証比較
- Abstract要約: 本研究では,KAN(Kolmogorov-Arnold Networks)とMLP(Multi-Layer Perceptrons)のベンチマーク比較を行った。
我々は、バイナリ、マルチクラス、マルチラベル、順序問題にまたがる12の公開データセットに対して、アウト・オブ・ボックスのパフォーマンスを評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents an empirical benchmarking comparison between Kolmogorov-Arnold Networks (KANs) and Multi-Layer Perceptrons (MLPs) on structured tabular classification tasks. Motivated by the growing interest in KANs as an alternative function-approximating architecture, we evaluate their out-of-the-box performance on twelve publicly available datasets spanning binary, multiclass, multilabel, and ordinal problems. Both models were trained under standardized preprocessing, architecture, and fixed hyperparameter settings, with performance assessed using test accuracy and F1-Score, paired hypothesis testing, and effect size analysis. Results show that KANs statistically outperform MLPs in binary and multiclass domains and achieve a significant aggregate advantage across all datasets. However, the observed medium effect size (d = -0.46) raises an important cost-benefit consideration: while KANs offer superior generalization through adaptive spline-based mappings, this advantage comes with substantially higher parameter and computational complexity relative to the MLP baseline. These findings suggest KANs are the preferred choice for high-precision applications, while MLPs remain a robust and efficient option for resource-constrained environments. Future work should extend this analysis to additional data modalities to further refine these architectural selection criteria.
- Abstract（参考訳）: 本研究では,構造化表分類タスクにおけるKAN(Kolmogorov-Arnold Networks)とMLP(Multi-Layer Perceptrons)のベンチマーク比較を行った。
代替の関数近似アーキテクチャとしてのkansへの関心が高まっていることから、バイナリ、マルチクラス、マルチラベル、順序問題にまたがる12の公開データセットにおいて、そのアウト・オブ・ザ・ボックスのパフォーマンスを評価した。
両方のモデルは、標準化された前処理、アーキテクチャ、固定されたハイパーパラメータ設定の下で訓練され、性能はテスト精度とF1スコア、ペア仮説テスト、エフェクトサイズ分析を用いて評価された。
以上の結果から,kansは二進および多進の領域でMLPを統計的に上回り,全データセットで有意なアグリゲーション・アドバンテージを達成できた。
しかし、観察される媒介効果の大きさ (d = -0.46) は、重要なコスト対効果の考慮を提起する: カンは適応スプラインベースの写像によって優れた一般化を提供するが、この利点は、MLPベースラインと比較してかなり高いパラメータと計算複雑性を持つ。
これらの結果から,KAは高精度なアプリケーションに適した選択肢であり,MPPは資源制約のある環境において堅牢で効率的な選択肢であることが示唆された。
今後の作業では、これらのアーキテクチャ選択基準をさらに洗練するために、この分析を追加のデータモダリティに拡張する必要がある。
関連論文リスト
- Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。
3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。
標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
論文 参考訳（メタデータ） (2026-08-25T07:58:42Z) - Multiple-Prediction-Powered Inference [57.30769275944024]
この研究は、MultiPPI推定器のミニマックス最適性、有限サンプル性能、正規性に関する理論的保証を提供する。
我々は,MultiPPIが既存のベースラインよりも低い推定誤差を実現することを示す。
論文 参考訳（メタデータ） (2026-03-28T21:24:00Z) - Kolmogorov Arnold Networks and Multi-Layer Perceptrons: A Paradigm Shift in Neural Modelling [1.6998720690708842]
Kolmogorov-Arnold Networks(KAN)とMulti-Layer Perceptrons(MLP)の総合的比較分析を行った。
Kansはスプラインベースのアクティベーション機能とグリッドベースの構造を利用し、従来のニューラルネットワークフレームワークと比較して変革的なアプローチを提供する。
本研究は,先進的なインテリジェントシステムにおけるkansの変換能力について述べる。
論文 参考訳（メタデータ） (2026-01-15T16:26:49Z) - NAIPv2: Debiased Pairwise Learning for Efficient Paper Quality Estimation [58.30936615525824]
本稿では,紙の品質評価のための非バイアスで効率的なフレームワークであるNAIPv2を提案する。
NAIPv2は、レビューアレーティングの不整合を低減するために、ドメイン年グループ内でペアワイズ学習を採用している。
これはペアワイズ比較に基づいてトレーニングされるが、デプロイ時に効率的なポイントワイズ予測を可能にする。
論文 参考訳（メタデータ） (2025-09-29T17:59:23Z) - Enhancing Federated Learning with Kolmogorov-Arnold Networks: A Comparative Study Across Diverse Aggregation Strategies [0.24578723416255752]
Kolmogorov-Arnold Networks (KAN) は複雑な非線形関係をモデル化する有望な能力を示している。
Kansは精度、安定性、収束効率の点で、Multilayer Perceptronsを一貫して上回っている。
論文 参考訳（メタデータ） (2025-05-12T14:56:27Z) - Beyond QA Pairs: Assessing Parameter-Efficient Fine-Tuning for Fact Embedding in LLMs [1.6963596661873952]
本稿では,質問応答対をFactualクラスとConceptualクラスに分類することで,微調整プロセスの改善に焦点をあてる。
2つの異なるLlama-2モデルはこれらの分類に基づいて微調整され、GPT-3.5 TurboやGeminiのような大型モデルを用いて評価される。
以上の結果から,概念データセットでトレーニングされたモデルは,実データセットでトレーニングしたモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-03-03T03:26:30Z) - Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
Kolmogorov-Arnold Networks (KAN) は科学分野で大きな成功を収めている。
本研究では,Equivariant Kolmogorov-Arnold Networks (EKAN)を提案する。
論文 参考訳（メタデータ） (2024-10-01T06:34:58Z) - Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。
分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。
BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2024-09-21T18:39:53Z) - Kolmogorov-Arnold Networks in Low-Data Regimes: A Comparative Study with Multilayer Perceptrons [2.77390041716769]
Kolmogorov-Arnold Networks (KAN) は、ネットワークエッジ上で直接、高度に柔軟な学習可能なアクティベーション関数を使用する。
kanは学習可能なパラメータの数を大幅に増加させ、データスカース環境での有効性に対する懸念を高めます。
個別化活性化関数はパラメータの緩やかな増加だけで予測精度が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-09-16T16:56:08Z) - A Benchmarking Study of Kolmogorov-Arnold Networks on Tabular Data [14.654403764632594]
Kolmogorov-Arnold Networks (KAN)は機械学習の世界に導入され、コミュニティ全体の注目を集めている。
本稿では,データセット上でのKansとMulti-Layer Perceptrons(MLP)を比較したベンチマーク研究を提案する。
Kansは、特に多数のインスタンスを持つデータセットにおいて優れた、あるいは同等の精度とF1スコアを示している。
論文 参考訳（メタデータ） (2024-06-20T17:41:34Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z)
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。