論文の概要: SechKAN: Kolmogorov-Arnold Networks with Hyperbolic Secant Functions

• arxiv url: http://arxiv.org/abs/2607.18290v1
• Date: Tue, 30 Jun 2026 15:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.11913
• Title: SechKAN: Kolmogorov-Arnold Networks with Hyperbolic Secant Functions
• Title（参考訳）: SechKAN: 双曲型セキュリティ機能を備えたKolmogorov-Arnoldネットワーク
• Abstract要約: Kolmogorov-Arnold Networks (KANs) は、機械学習と科学計算タスクにおける有効性から注目を集めている。 本稿では,ハイパボリックセカント(sech)関数に基づくkanアーキテクチャであるSechKanを紹介する。 実験結果から,機能適合,PDE問題,画像分類タスクにおけるSechKANの有効性が示唆された。
• 参考スコア（独自算出の注目度）: 0.8168419766775443
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, Kolmogorov-Arnold Networks (KANs) have attracted increasing attention due to their effectiveness in machine learning and scientific computing tasks, offering a new paradigm for neural network design. In this paper, we present SechKAN, a KAN architecture based on hyperbolic secant (sech) functions. The hyperbolic secant basis is used for its smooth bell-shaped form, localized responses, and stable gradients. We employ 1D linear transformations to reduce the number of parameters, allowing SechKAN to remain comparable to multilayer perceptrons (MLPs) in model size. Experimental results indicate the effectiveness of SechKAN in function fitting, PDE problems, and image classification tasks on benchmark datasets, including MNIST, Fashion-MNIST, CIFAR-10, and CIFAR-100. SechKAN achieves superior performance compared to MLPs and other KAN variants while maintaining a similar number of parameters. However, its running time, while better than that of other KAN variants, is slightly longer than that of MLPs.
• Abstract（参考訳）: 近年、Kolmogorov-Arnold Networks (KANs) は、機械学習と科学計算タスクの有効性から注目を集め、ニューラルネットワーク設計の新しいパラダイムを提供している。 本稿では,ハイパボリックセカント(sech)関数に基づくkanアーキテクチャであるSechKanを紹介する。 双曲性セカント基底は、その滑らかなベル形状、局所的な応答、安定した勾配のために用いられる。 我々は1次元線形変換を用いてパラメータ数を削減し、SechKANはモデルサイズにおいて多層パーセプトロン(MLP)に匹敵する状態を保つ。 実験結果から,MNIST,Fashion-MNIST,CIFAR-10,CIFAR-100などのベンチマークデータセットに対するSechKANの有効性が示唆された。 SechKANは、同様の数のパラメータを維持しながら、MLPや他のKANよりも優れたパフォーマンスを実現している。 しかし、ランニング時間は他のKANよりは優れているが、MLPよりも若干長い。

関連論文リスト

• Kolmogorov Arnold networks (KAN) for aerodynamic prediction: a comparison with MLPs and GNNs [2.9921589115206273]
  Kolmogorov Arnold Network (KAN)は、トレーニング可能なパラメータがアクティベーション関数に適応するニューラルネットワークアーキテクチャとして最近導入された。 ここでは、流体力学モデリングの領域におけるKansの性能と、グラフニューラルネットワーク(GNN)との比較について述べる。
  論文  参考訳（メタデータ） (2026-06-25T15:02:04Z)
• 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)
• Improving Memory Efficiency for Training KANs via Meta Learning [55.24089119864207]
  我々は,MetaKANと呼ばれる,より小さなメタラーナーを用いて,kansの重みを生成することを提案する。 KansとMetaKanをエンドツーエンドの差別化方法でトレーニングすることで、MetaKanは同等あるいはそれ以上のパフォーマンスを達成できる。
  論文  参考訳（メタデータ） (2025-06-09T08:38:26Z)
• AF-KAN: Activation Function-Based Kolmogorov-Arnold Networks for Efficient Representation Learning [4.843466576537832]
  Kolmogorov-Arnold Networks (KANs) は、幅広い科学的問題にまたがって応用を探求する多くの研究にインスピレーションを与えている。 本稿では,アクティベーション関数に基づくKolmogorov-Arnold Networks (AF-KAN)を導入し,様々なアクティベーションと機能の組み合わせでReLU-KANを拡張した。 この斬新なkanは、主に注意機構やデータ正規化といったパラメータ削減手法を取り入れ、画像分類データセットの性能を向上させる。
  論文  参考訳（メタデータ） (2025-03-08T07:38:51Z)
• Low Tensor-Rank Adaptation of Kolmogorov--Arnold Networks [70.06682043272377]
  コルモゴロフ-アルノルドネットワーク(KAN)は、様々な領域における多層知覚(MLP)の代替としての可能性を示した。 微調整カンのためのローテンソルランク適応(LoTRA)を開発した。 微調整カンによる様々な偏微分方程式(PDE)を効率的に解くためのLoTRAの適用について検討する。
  論文  参考訳（メタデータ） (2025-02-10T04:57:07Z)
• PRKAN: Parameter-Reduced Kolmogorov-Arnold Networks [47.947045173329315]
  Kolmogorov-Arnold Networks (KAN) は、ニューラルネットワークアーキテクチャの革新を象徴している。 Kansは、CNN、Recurrent Reduced Networks(RNN)、Transformerなどのモデルで、MLP(Multi-Layer Perceptrons)に代わる魅力的な代替手段を提供する。 本稿では,階層内のパラメータ数を削減するために複数の手法を用いたPRKANを導入し,ニューラルM層に匹敵する手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T03:07:39Z)
• 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)
• A preliminary study on continual learning in computer vision using Kolmogorov-Arnold Networks [43.70716358136333]
  Kolmogorov-Networks (KAN) は基本的に異なる数学的枠組みに基づいている。 Kansは継続的学習シナリオの忘れなど,いくつかの大きな問題に対処している。 コンピュータビジョンにおける連続的な学習課題における感性の評価によって調査を拡大する。
  論文  参考訳（メタデータ） (2024-09-20T14:49:21Z)
• Kolmogorov-Arnold Transformer [72.88137795439407]
  Kolmogorov-Arnold Transformer(KAT)は,階層をKAN(Kolmogorov-Arnold Network)層に置き換える新しいアーキテクチャである。 C1)基本関数,(C2)非効率,(C3)重みの3つの主要な課題を特定する。 これらの設計により、KATは従来のトランスフォーマーよりも優れている。
  論文  参考訳（メタデータ） (2024-09-16T17:54:51Z)
• Kolmogorov-Smirnov GAN [52.36633001046723]
  我々は、KSGAN(Kolmogorov-Smirnov Generative Adversarial Network)という新しい深層生成モデルを提案する。 既存のアプローチとは異なり、KSGANはKS距離の最小化として学習プロセスを定式化している。
  論文  参考訳（メタデータ） (2024-06-28T14:30:14Z)

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。