원문 초록
We propose a novel hybrid neural architecture, the Geometry-aware R-Structured Kolmogorov-Arnold Network (GRS-KAN), which integrates V.L.Rvachev's R-functions into the Kolmogorov-Arnold Network (KAN) framework. The proposed approach combines two complementary modeling mechanisms: smooth nonlinear structure is learned by KAN branches, while known geometric or logical constraints are encoded analytically using differentiable R-functions. This enables explicit representation of discontinuities, feasible regions, and implicit geometric boundaries within a trainable neural architecture. The framework implements differentiable logical operations through R-conjunctions and R-disjunctions, allowing complex geometric supports to be represented analytically and incorporated directly into regression models. Several GRS-KAN variants are introduced, including additive, multiplicative, and agnostic branch-weighted architectures. The method is demonstrated on regression problems involving discontinuities with circular and rectangular supports. Numerical experiments show that explicit geometric encoding substantially improves predictive accuracy and boundary localization compared with standard KANs. In the considered benchmarks, geometry-aware GRS-KAN models reduce test RMSE by up to 67% while simultaneously improving interpretability through explicit analytical representation of the learned geometric structure. The agnostic variant further demonstrates the ability to automatically determine whether geometric priors are beneficial for a given learning task.
요약
V.L. Rvachev의 R-함수를 Kolmogorov-Arnold Network(KAN) 프레임워크에 통합한 하이브리드 신경망 구조 GRS-KAN을 제안하며, KAN 브랜치가 매끄러운 비선형 구조를 학습하는 동안 R-함수가 기하학적·논리적 제약을 해석적으로 인코딩한다. 불연속점을 포함한 회귀 벤치마크에서 표준 KAN 대비 테스트 RMSE를 최대 67%까지 감소시키며 해석 가능성도 향상시켰다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.01449v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Neural Discovery of Memory and Nonlocal Kernels in Integro-Differential Equations with Constrained Kolmogorov--Arnold Networks
콜모고로프-아놀드 네트워크를 활용한 오일러 각도 회귀 재고
Revisiting Euler-Angle Regression with Kolmogorov-Arnold Networks
절지형 로봇과 생체역학 모델을 포함한 많은 실제 시스템에서 회전은 관절 공간에서 정의되며, 제한된 범위를 가진 오일러 각도로 자연스럽게 매개변수화된다. 그러나 오일러 각도의 불연속성과 특이점이 학습을 불안정하게 만들기 때문에 오일러 각도 회귀는 여전히 어려운 과제로 남아 있다. 본 연구에서는 오일러 각도 회귀를 재검토하고, 그 효과가 회전 표현, 회귀 아키텍처, 도메인 제약 간의 상호작용에 결정적으로 의존한다는 것을 보인다. 우리는 범위 인식 오일러 모델링과 콜모고로프-아놀드 네트워크(KAN)를 결합한 새로운 프레임워크를 제안한다. KAN은 고정된 노드 단위 활성화 함수를 에지 위의 학습 가능한 단변수 함수로 대체한다. 또한 제한된 오일러 범위가 회귀 함수에서 근사 가산 구조를 유도하며, 이는 KAN의 가산적 함수 형태에 유리하다는 이론적 분석을 제공하고 이를 실험적으로 확인한다. 제어된 회전 회귀, 객체 자세 추정, 로봇 및 인간 역기구학에 대한 광범위한 실험에서 정확도, 수렴, 효율성 측면에서 일관된 성능 향상이 나타난다. 코드는 공개될 예정이다.
OLS 회귀를 위한 데이터 분할에 대한 분산 스케칭
Distributed Sketching on Data Partitions for OLS Regression
HARN: 이벤트 기반 다중 시간대 예측을 위한 계층적 연상 공명 네트워크
HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting
미관측 교란 변수에 강건한 위험 점수 학습
Learning Risk Scores Robust to Unobserved Confounders
미관측 교란의 영향을 받는 역사적 관찰 데이터로부터, 희소 자원이나 개입 대상 개인의 우선순위를 정하기 위한 위험 점수를 학습하는 문제를 다룬다. 누가 희소 자원을 받을지에 대한 결정은 설문 응답과 같이 기록된 특성에 기반한 위험 점수에 의해 종종 안내된다. 이러한 위험 점수는 개인의 특성, 배분 결정, 결과에 대한 역사적 기록인 관찰 데이터로부터 직접 학습되는 경우가 점점 늘고 있다. 역사적 배분 정책이 도입한 바이어스를 보정하는 역 성향 가중치(inverse propensity weighting, IPW)와 같은 표준 방법은, 역사적 결정 과정이 기록된 특성으로 완전히 설명될 수 있다면 정확한 위험 점수를 학습하는 데 사용될 수 있다. 그러나 실무에서는 역사적 결정이 종종 기록되지 않은 정보에 의존하여, 학습된 위험 점수가 과거 우선순위를 이끌었던 기록되지 않은 상황을 가진 개인들을 정확히 체계적으로 과소 우선순위화하게 만든다. IPW를 기반으로, 이러한 종류의 미관측 교란에 강건한 위험 점수를 학습하는 방법을 제안한다. 미관측 교란 하에서는 성향 가중치를 신뢰할 수 있게 추정할 수 없으므로, 대신 관측 가능한 데이터와 교란 정도에 대한 도메인 정보 기반 추정치로 결정되는 불확실성 집합에 속하는 것으로 취급하며, 인과 추론(causal inference)의 민감도 분석(sensitivity analysis)과 Wasserstein 분포적 강건 최적화(Wasserstein distributionally robust optimization)를 결합한다. 그 결과 강건 위험 점수 학습 문제는 표본 기반 근사를 허용하며, 이를 기성 솔버와 호환되는 지수 원뿔 프로그램(exponential cone program)으로 재공식화한다. UCI Machine Learning Repository의 데이터셋에서 파생된 반합성(semi-synthetic) 데이터에서 접근법의 효과를 입증한다. 제안 방법은 다른 지표를 손상하지 않으면서, 전통적 벤치마크 대비 보정(calibration)을 최대 29.2%까지, 최신(state of the art) 대비 최대 11.1%까지 개선한다.
IID를 넘어서: 표 형식 파운데이션 모델은 실제로 얼마나 일반적인가?
Beyond IID: How General Are Tabular Foundation Models, Really?
토론
이 논문과 연결된 포럼 글이 아직 없습니다.