Комментарии 9
Не понял а что k(x,y)? Не дописано? Или у нас была функция от двух переменных f(x,y), а получилась еще одна функция k(x,y) и к ней еще вдогонку две функции от одной переменной? В чём упрощение?
У мення дежавю, я это уже читал здесь и картинки видел.
В чем же все же коронное преимущество KAN сетей то? Обучать можно что угодно, даже параметры достаточно большого ряда синусов и косинусов можно подогнать под распознавание картинок и это будет взрыв мозга. А можно вейвлетами догоняться, рекурсивными функциями, отображениями и это все будет решать задачу аппроксимации целевой функции в узком домене.
Вы пишете про проклятие размерности, мол, KAN его решает, но сложность то никуда не девается, она уходит в саму сеть.
Академия нейросетей, которая не смогла сделать свой пример… Например взять датасет с kaggle, который никто не брал и сравнить эффективность разных подходов. Это займёт конечно дольше чем копировать чужие картинки и примеры с гита, но ведь и вы не академия рерайта. Для блога академии рерайта получилась нормально.
Поправьте пожалуйста, t-SNE является алгоритмом визуализации, его результаты нельзя использовать для обучения других нейросетей в реальном мире, т.к. это стохастический алгоритм, то есть его вывод сильно завязан от данных и малейшие изменения в этих данных будут влиять на итоговый результат. Одинаковые изначальные точки будут иметь разные координаты в результирующих пространствах.
В этом кроется весь смысл архитектуры: переход от активации нейронов – к граням нейросети.
Таки к граням, или всё же к рёбрам?
Если ты не смог научить своего кота писать код, значит ты ничего не понимаешь в программировании... )))) Мне очень помогло. Благодарю Вас
Похоже на аналог биологической нейропластичности
Видимо, автор решил не оставить никаких шансов на вопросы - настолько всё разжевано, что даже Пифагор бы не стал спорить!
Революционный подход к нейросетям: рассказываем про KAN (Kolmogorov-Arnold Networks)