KAN在时间序列领域最新突破RMoK——一个高性能时间序列预测的KAN专家混合模型

文章预览

本文将探索RMoK模型及其架构，并用Python进行小实验。 Kolmogorov-Arnold网络（KAN）的引入为深度学习领域做出了重要贡献，它为多层感知机（MLP）提供了一种替代方案。 MLP作为许多深度学习模型（包括最先进的预测方法如N-BEATS、NHiTS和TSMixer）的基石，其重要性不言而喻。 然而，在使用KAN、MLP、NHiTS和NBEATS进行预测基准测试时，我们发现KAN普遍运行缓慢，并且在各种预测任务上表现不佳。 需要注意的是，该基准测试是在M3和M4数据集上进行的，这些数据集包含超过99,000个独特的时间序列，频率从每小时到每年不等。 在当时，将KAN应用于时间序列预测的结果令人失望，且并不被推荐。 但这一状况随着可逆KAN混合模型（RMoK）的提出而发生了改变，这一创新源自论文 《KAN4TSF: Are KAN and KAN-based Models Effective for Time Series Forecasting?》 论文链接：https://arxiv.org/abs/2 ………………………………