TKAN: Temporal Kolmogorov-Arnold Networks

循环神经网络（RNN）在许多机器学习领域，特别是自然语言和数据序列处理方面，已经引起了革命。长短期记忆（LSTM）已经证明了其在序列数据中捕捉长期依赖性的能力。受 Kolmogorov-Arnold 网络（KAN）的启发，这是一种有前途的替代多层感知器（MLP）的方法，我们提出了一种新的神经网络架构，即 Temporal Kolomogorov-Arnold Networks（TKANs），它受到了 KAN 和 LSTM 的启发。TKANs结合了两种网络的优势，由嵌入内存管理的循环 Kolmogorov-Arnold 网络（RKANs）层组成。这种创新使我们能够以提高准确性和效率的方式进行多步时间序列预测。通过解决传统模型在处理复杂序列模式方面的局限性，TKAN架构为需要超过一步预测的领域的进步提供了重要的潜力。

本论文旨在提出一种新的神经网络架构，Temporal Kolomogorov-Arnold Networks (TKANs)，用于解决多步时间序列预测的问题。

该论文提出的TKANs结合了Kolmogorov-Arnold Networks (KANs)和Long Short-Term Memory (LSTM)的优点，采用Recurring Kolmogorov-Arnold Networks (RKANs) Layers实现了内存管理，从而提高了预测的准确性和效率。

论文设计了一系列实验来验证TKANs的性能，使用了多个数据集，并与其他模型进行了比较。论文还提供了开源代码。TKANs的创新之处在于结合了KAN和LSTM的优点，同时引入了RKANs实现内存管理，提高了预测的准确性和效率。

最近的相关研究包括使用LSTM和其他神经网络模型进行多步时间序列预测的研究，如《Multi-Step Time Series Forecasting with Long Short-Term Memory Networks》。