当前位置:首页|资讯

今年才出的KAN,结合LSTM就有顶会了?!

作者:深度之眼官方账号发布时间:2024-10-04

今天和大家分享一个好发顶会的方向:KAN+LSTM。

KAN以创新性和灵活性著称,通过结合LSTM的序列处理能力,能显著提高时间序列预测的准确性。这种结合不仅增强了模型的性能,还提高了模型对输入数据的适应性和鲁棒性,在处理复杂的序列数据和知识密集型任务上都是遥遥领先。

更重要的是,KAN是新提出的模型,目前KAN相关的主流创新思路也都是结合其他模型,所以对于还在找idea的同学来说,KAN+LSTM同样是个非常好的发文选择,创新空间十分可观。

为了帮助同学们加快论文进度,我精挑细选了一些KAN结合LSTM的优秀paper给各位作参考,代码基本都有,建议想发顶会的同学抓好这一轮热点。

扫码添加小享,回复“KAN长短”  

免费获取全部论文+开源代码

TKAN: Temporal Kolmogorov-Arnold Networks

方法:本文提出了一种基于KAN网络架构的时间序列调整方法,该架构通过整合循环RKANs层和修改版的LSTM单元,改善了多个步骤的性能和稳定性,提高了对长期依赖关系的捕捉能力,并在多步时间序列预测中显著提高准确性和效率。

创新点:

  • 提出了结合KAN和长短期记忆网络的新型神经网络架构TKANs,以利用两者的优势。

  • TKANs特别设计用于多步时间序列预测,提高了长期依赖关系的捕捉能力。

  • 在真实市场数据上,TKANs显示出比传统RNN模型更好的稳定性和准确性,尤其在长期预测方面表现突出。

Core Temperature Estimation of Lithium-Ion Batteries Using Long Short-Term Memory (LSTM) Network and Kolmogorov-Arnold Network (KAN)

方法:论文介绍了一种新型深度学习方法,首次提出了KAN和长短期记忆网络(LSTM)用于无需传感器反馈的温度估计。这些方法基于电池的基本操作参数,如电压、电流和环境温度。

创新点:

  • 提出结合KAN和LSTM网络来估算锂离子电池的核心和表面温度。

  • 模型无需电池表面温度作为输入,减少了对物理传感器的依赖。

  • KAN模型在保持高准确度的同时,计算时间保持在可接受范围内,适合实时应用。

扫码添加小享,回复“KAN长短”  

免费获取全部论文+开源代码

Deep State Space Recurrent Neural Networks for Time Series Forecasting

方法:作者引入了一种创新的神经网络框架,将经济学状态空间模型与RNNs的动态能力结合。方法上,使用了LSTM、门控残差单元(GRU)和时间KANs。结果表明,TKANs显示出良好的效果,尤其是m-TKAN在捕捉和预测重要的市场状态方面表现突出。

创新点:

  • 将经济模型中的状态空间方法与递归神经网络结合,用于时间序列预测。

  • 提出了TKAN,一种结合了KAN和LSTM特性的新型RNN架构,专门针对多步预测。

  • 利用深度学习来估计状态转换概率,增强模型对市场动态的适应性。

LSTM MODEL ENHANCED BY KOLMOGOROV-ARNOLD NETWORK: IMPROVING STOCK PRICE PREDICTION ACCURACY

方法:论文提出了一种创新的混合模型——LSTM-KAN模型。该模型结合了经典的LSTM和KAN,旨在通过利用KAN的高度非线性表达能力来提高LSTM在复杂金融时间序列预测中的表现。

创新点:

  • 创新性地将LSTM网络与KAN网络结合,形成一个新的混合模型。

  • 通过KAN的非线性表达能力,增强了LSTM在股票价格预测上的性能。

  • 通过实证分析,展示了新模型在减少预测误差和提高准确性方面的优势。

扫码添加小享,回复“KAN长短”  

免费获取全部论文+开源代码



Copyright © 2024 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1