标签
本文介绍了KANalogue，一种完全模拟的Kolmogorov-Arnold网络实现，它利用负微分电阻器件直接在硬件中执行可学习的非线性函数。在MNIST、FashionMNIST和CIFAR-10数据集上，该方案以少于模拟MLP的参数实现了具有竞争力的精度。
本文提出了量子启发式循环模型（QKAN-FWPs）用于流量矩阵预测，与LSTM基线相比，以更少的参数显示出优越的准确性。
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。
本文提出了 Gated QKAN-FWP，这是一个可扩展的量子启发序列学习框架，它通过单量子比特数据重新加载电路，将快速权重程序员（Fast Weight Programmers）与柯尔莫哥洛夫-阿诺德网络（Kolmogorov-Arnold Networks）相结合。