标签
该论文提出 SW-KAN，一种基于 Stieltjes-Wigert q-正交多项式的 Kolmogorov-Arnold 网络，通过指数-tanh 域映射和 O(N) 三递推计算，在图像分类与函数逼近任务中实现更优的精度-效率权衡。
本文推导了用于强化学习中带有函数逼近的双时间尺度 Actor-Critic 算法的均匀集中界，并分析了 Actor 参数在高概率下的行为。
RecKAN 为 Kolmogorov-Arnold 网络引入了可学习的递归多项式基，在分类和预测任务上超越了现有的 KAN 变体。
本文提出了 Fourier Feature Networks (FENs)，一种使用傅里叶特征求解偏微分方程的单隐藏层神经网络架构，其精度高于无需仿射变换的 Extreme Learning Machines。
本文证明了EML树（通过组合表示初等函数）是连续函数及其他函数空间的通用逼近器。证明构建了基本运算的EML表示，并将其用作构建块。
我们提出了用于多维函数逼近和随机场学习的层级RBF-KAN和RBF-SKAN架构。这些框架具有通用逼近性质，并能部分缓解维度灾难，实验结果表明其准确性优于现有方法。
本文提出用于离策略时序差分预测的行为感知辅助修正，引入了BA-TDC和BA-TDRC算法，这些算法用行为贝尔曼矩阵替代辅助协方差矩阵，以提高稳定性和收敛性。理论分析和在标准基准上的实验验证了所提方法的有效性。
本文介紹了幾何科爾莫戈羅夫-阿諾德網絡 (GeoKAN)，這是一個幾何感知模型家族，通過學習黎曼度量來適應坐標，從而實現更優函數近似和物理感知學習。