論文の概要: KANLab: TensorFlow Playground for Kolmogorov-Arnold Networks
- arxiv url: http://arxiv.org/abs/2610.20117v1
- Date: Wed, 14 Oct 2026 12:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.14378
- Title: KANLab: TensorFlow Playground for Kolmogorov-Arnold Networks
- Title（参考訳）: KanLab: Kolmogorov-Arnoldネットワーク用のTensorFlowプレイグラウンド
- Abstract要約: KanLabはブラウザベースの可視化ツールで、Kolmogorov-Arnold Networks(KAN)のコアコンセプトをインタラクティブに教えるように設計されている。
教育的明瞭度を最大化するために、kanLabは、現在のkan実装で見られる残留接続と学習可能なスケーリングパラメータを省略する。
- 参考スコア（独自算出の注目度）: 1.0195618602298682
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: KANLab is a browser-based visualization tool designed to interactively teach the core concepts of Kolmogorov-Arnold Networks (KAN), forked from the widely successful TensorFlow Playground. To maximize educational clarity, KANLab omits residual connections and learnable scaling parameters found in modern KAN implementations, ensuring that displayed B-spline activation curves directly correspond to their underlying trainable control points. Users can inspect and modify activation functions, initialization schemes and observe gradient descent correcting manual disruptions. Furthermore, user can explore phenomena such as activation variance, interactive pruning, and re\-/training within a compact 2D machine learning setting. KANLab is open-source and available at https://kanlab.app/
- Abstract（参考訳）: KanLabはブラウザベースの視覚化ツールで、広く成功したTensorFlow PlaygroundからフォークされたKAN(Kolmogorov-Arnold Networks)のコアコンセプトをインタラクティブに教えるように設計されている。
教育的明瞭度を最大化するために、kanLabは、現在のkan実装で見られる残差接続と学習可能なスケーリングパラメータを省略し、表示されたB-スプライン活性化曲線が、基礎となるトレーニング可能な制御点と直接対応することを保証する。
ユーザはアクティベーション関数の検査と修正、初期化スキーム、手動のディスラプションを修正する勾配降下を観察できる。
さらに、コンパクトな2次元機械学習環境では、アクティベーションのばらつき、インタラクティブプルーニング、再訓練などの現象を探索することができる。
KanLabはオープンソースで,https://kanlab.app/で公開されている。
関連論文リスト
- Simplifying Neural Networks During Training [1.7966001353008778]
トレーニング中のディープネットワークを簡素化するためのNCにインスパイアされたトレーニングフレームワークを提案する。
Inverse Fisher Criterion による表現力学のモニタリングを行う。
次に、後続のプロキシ層を軽量な分類ヘッドに置き換え、縮小モデルのトレーニングを継続します。
論文 参考訳（メタデータ） (2026-07-30T08:32:40Z) - DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。
本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。
累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
論文 参考訳（メタデータ） (2024-01-17T12:08:30Z) - Learning Bayesian Sparse Networks with Full Experience Replay for
Continual Learning [54.7584721943286]
継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。
既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。
我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
論文 参考訳（メタデータ） (2022-02-21T13:25:03Z) - Scalable Perception-Action-Communication Loops with Convolutional and
Graph Neural Networks [208.15591625749272]
視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。
我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。
我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
論文 参考訳（メタデータ） (2021-06-24T23:57:21Z) - Compressing Deep ODE-Nets using Basis Function Expansions [105.05435207079759]
重みの定式化を基底関数の線形結合を用いた連続深度関数とみなす。
この観点では、ほぼ最先端の性能を維持しながら、再トレーニングすることなく、ベースの変化によって重みを圧縮することができる。
これにより、推論時間とメモリフットプリントの両方が削減され、計算環境間の高速で厳密な適応が可能となる。
論文 参考訳（メタデータ） (2021-06-21T03:04:51Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Towards Evaluating and Training Verifiably Robust Neural Networks [81.39994285743555]
We study the relationship between IBP and CROWN, and prove that CROWN are always tight than IBP when select each bounding lines。
線形結合伝播(LBP) CROWNの緩やかなバージョンを提案する。これは、大きなネットワークを検証して、より低い検証エラーを得るのに使用できる。
論文 参考訳（メタデータ） (2021-04-01T13:03:48Z) - A Deep Unsupervised Feature Learning Spiking Neural Network with
Binarized Classification Layers for EMNIST Classification using SpykeFlow [0.0]
二成分アクティベーションを用いたスパイクタイミング依存塑性(STDP)の教師なし学習技術は、スパイク入力データから特徴を抽出するために用いられる。
バランスの取れたEMNISTデータセットに対するアキュラシーは、他のアプローチと好意的に比較した。
論文 参考訳（メタデータ） (2020-02-26T23:47:35Z)
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。