基于贝叶斯高阶ReLU KAN的不确定性量化
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了Kolmogorov-Arnold网络中的不确定性量化问题，特别是针对高阶ReLU KAN，旨在提高贝叶斯方法的计算效率。提出的方法具有一般性，能够同时获取认识性和随机性不确定性，并可推广到其他基函数。通过一系列闭合测试验证了我们的方法，包括对一维函数和随机偏微分方程的应用，展示了其在识别功能依赖关系方面的能力。
本研究探讨Kolmogorov-Arnold网络中的不确定性量化，特别是高阶ReLU KAN，以提升贝叶斯方法的计算效率。该方法普适，能同时获取认识性和随机性不确定性，适用于其他基函数，并通过测试验证了其识别功能依赖关系的能力。
