BriefGPT - AI 论文速递
·
GINN-KAN：具有物理信息的神经网络的可解释性管道
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
GINN-LP是一种可解释的神经网络，以多元Laurent多项式的形式发现数据集的潜在方程。它在SRBench基准数据集的子集上优于现有的符号回归方法。将GINN-LP与高性能符号回归方法相结合，相比最佳竞争对手，方程发现的绝对改进率达到7.1%。
🎯
关键要点
- 提出了GINN-LP，这是一个可解释的神经网络，用于发现数据集的潜在方程。
- 该方程假设为多变量劳伦多多项式的形式。
- 引入了一种新类型的可解释神经网络块，名为“幂项逼近块”。
- 在SRBench基准数据集的子集上评估了GINN-LP，证明其优于现有的符号回归方法。
- 通过将GINN-LP与高性能符号回归方法相结合，发现非劳伦多多项式方程。
- 在SRBench中的113个已知基准方程数据集上取得了7.1%的绝对改进。
