低数据条件下的 Kolmogorov-Arnold 网络：与多层感知器的比较研究
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了在数据稀缺环境下，多层感知器（MLPs）和 Kolmogorov-Arnold 网络（KANs）之间的有效性差异问题。通过引入具有参数化激活函数的 MLP 设计方法，研究表明在样本量仅为一百左右的情况下，个性化激活函数的 MLP 在预测准确性上显著优于 KAN，提供了关于激活函数选择对神经网络影响的新见解。
本研究解决了数据稀缺环境下，MLPs和KANs之间的有效性差异问题。研究发现，具有参数化激活函数的MLP在样本量较少时，预测准确性优于KAN，对激活函数选择的影响提供了新见解。
