論文の概要: Kolmogorov-Arnold Networks for Personal Context Recognition on ExtraSensory

• arxiv url: http://arxiv.org/abs/2610.05250v1
• Date: Sun, 04 Oct 2026 14:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:17:07.350152
• Title: Kolmogorov-Arnold Networks for Personal Context Recognition on ExtraSensory
• Title（参考訳）: 外部センサを用いた個人文脈認識のためのコルモゴロフ・アルノルドネットワーク
• Abstract要約: Kolmogorov--Arnold Networks (KAN) は近年注目を集めている。 個人的コンテキスト認識のための ExtraSensory データセット上で,いくつかの Kan 変種を評価した。
• 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: Kolmogorov--Arnold Networks (KANs) have attracted increasing attention in recent years, with applications across a wide range of AI tasks. In this paper, we evaluate several KAN variants on the ExtraSensory dataset for personal context recognition and compare them with a multilayer perceptron (MLP) and TabM. We conduct the main experiments using five user folds and three random seeds per fold and report the average Macro-F1, Micro-F1, and training time. We also perform shallow ablation studies on grid size, the number of grids, and data normalization to examine their effects on KAN performance. The results show that all evaluated KAN variants significantly outperform MLP in terms of Macro-F1 and Micro-F1 and achieve performance comparable to TabM. However, KAN variants generally require more training time, while TabM provides a more favorable balance between predictive performance and training efficiency. These results suggest that KANs are promising for personal context recognition, while their computational efficiency remains an important challenge. Our source code is publicly available at: https://github.com/hoangthangta/ExtraSensory-KANs.
• Abstract（参考訳）: Kolmogorov--Arnold Networks (KAN)は近年注目を集めており、幅広いAIタスクに応用されている。 本稿では,個人コンテキスト認識のための ExtraSensory データセット上のいくつかの Kan 変種を評価し,それらを多層パーセプトロン (MLP) と TabM と比較する。 我々は,5個のユーザフォルダと3個のランダムシードを用いて主実験を行い,平均マクロF1,マイクロF1,トレーニング時間について報告する。 また, グリッドサイズ, グリッド数, およびデータ正規化に関する浅層アブレーション実験を行い, KAN性能への影響について検討した。 その結果, 評価したKAN変異体はMacro-F1とMicro-F1でMLPを有意に上回り, TabMに匹敵する性能を示した。 しかし、KANの変種は一般的により多くのトレーニング時間を必要とし、TabMは予測性能とトレーニング効率のバランスがより良好である。 これらの結果から,感性は個人的文脈認識に有望であり,計算効率は依然として重要な課題であることが示唆された。 私たちのソースコードは、https://github.com/hoangthangta/ExtraSensory-KANs.comで公開されています。

関連論文リスト

• PCQA-R1: Advancing Generalized 3D Point Cloud Quality Assessment with Reinforcement Learning [51.75061005702151]
  ノンリファレンスポイントクラウド品質アセスメント(PCQA)は近年活発なトピックであり、ポイントクラウドの視覚的エクスペリエンスの測定と最適化に使用されている。 本稿では,3次元点雲質評価のための最初の強化学習LMMであるPCQA-R1について述べる。
  論文  参考訳（メタデータ） (2026-08-19T07:21:58Z)
• Is the Statistical Advantage Worth the Cost? An Empirical Comparison of KANs and MLPs for Structured Data Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-15T03:30:46Z)
• Efficient Data Selection at Scale via Influence Distillation [53.03573620682107]
  本稿では,データ選択のための数学的に修飾されたフレームワークであるインフルエンス蒸留を紹介する。 対象分布に対する各試料の影響を蒸留することにより,トレーニングデータの選択に使用されるモデル固有の重みを割り当てる。 実験の結果、蒸留の影響は最先端のパフォーマンスに匹敵し、最大3.5タイムの高速選択を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-05-25T09:08:00Z)
• 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)
• 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)
• 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)
• Better May Not Be Fairer: A Study on Subgroup Discrepancy in Image Classification [73.87160347728314]
  CIFAR10とCIFAR100のテストセットを各画像の背景色に基づいてサブグループにアノテートすることで、自然背景色が刺激的な特徴としてどのように機能するかを検討する。 全体としての人間レベルの精度は、一貫したサブグループ性能を保証せず、この現象はImageNetで事前訓練されたモデルやデータ拡張後のモデルでも継続している。 実験の結果,FlowAugはCIFAR10/100およびCIFAR10/100-C上で,他のDA法よりも一貫したサブグループ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-16T18:51:10Z)
• Multi-Domain Joint Training for Person Re-Identification [51.73921349603597]
  ReID(Deep Learning-based person Re-IDentification)は、優れたパフォーマンスを達成するために、大量のトレーニングデータを必要とすることが多い。 多様な環境からより多くのトレーニングデータを集めることで、ReIDのパフォーマンスが向上する傾向にある。 本稿では,パラメータを様々な要因に適応させることができる,Domain-Camera-Sample Dynamic Network (DCSD) というアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-06T09:20:59Z)
• Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
  本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。 我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。 複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
  論文  参考訳（メタデータ） (2021-06-17T11:41:30Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。