BSRBF-KAN: A combination of B-splines and Radial Basic Functions in Kolmogorov-Arnold Networks

本文介绍了一种结合了B样条和径向基函数(RBF)的Kolmogorov Arnold网络(BSRBF-KAN)，用于拟合训练数据中的输入向量。我们在MNIST和Fashion-MNIST数据集上使用BSRBF-KAN、MLP和其他流行的KAN(包括EfficientKAN、FastKAN、FasterKAN和GottliebKAN)进行实验。BSRBF-KAN表现出稳定性，在5次训练会话中具有竞争力的平均准确率，分别为MNIST的97.55%和FashionMNIST的89.33%，并且获得了比其他网络更好的收敛性。我们期望BSRBF-KAN能够打开许多数学函数的组合来设计KAN。我们的代码库公开可用于：https://github.com/hoangthangta/BSRBF-KAN。

论文旨在介绍BSRBF-KAN，一种结合Bsplines和径向基函数（RBFs）的Kolmogorov Arnold Network（KAN），用于拟合数据训练中的输入向量。研究使用MNIST和Fashion-MNIST数据集对BSRBF-KAN、MLP和其他流行的KAN进行实验，并展示BSRBF-KAN在5个训练会话中的稳定性和竞争性的平均准确率（MNIST为97.55%，FashionMNIST为89.33%），并获得比其他网络更好的收敛性。

BSRBF-KAN结合了Bsplines和径向基函数（RBFs）来设计Kolmogorov Arnold Network（KAN），并在MNIST和Fashion-MNIST数据集上进行实验，表现出更好的收敛性和稳定性。

该论文的亮点包括：使用了BSRBF-KAN、MLP和其他流行的KAN进行实验，并展示BSRBF-KAN在5个训练会话中的稳定性和竞争性的平均准确率（MNIST为97.55%，FashionMNIST为89.33%）；BSRBF-KAN结合了Bsplines和径向基函数（RBFs）来设计Kolmogorov Arnold Network（KAN），并在MNIST和Fashion-MNIST数据集上进行实验，表现出更好的收敛性和稳定性；研究代码已在GitHub上公开发布。

近期相关研究包括：EfficientKAN、FastKAN、FasterKAN和GottliebKAN等KAN的研究。