La introducción de la Red Kolmogorov-Arnold (KAN) marcó una contribución importante al campo del aprendizaje profundo, ya que representó una alternativa al perceptrón multicapa (MLP).
El MLP es, por supuesto, el componente básico de muchos modelos de aprendizaje profundo, incluidos métodos de pronóstico de última generación como N-ritmos, Sistema Nacional de Información sobre Tránsito (NHIT) y Mezclador TSM.
Sin embargo, en un punto de referencia de previsión Al utilizar KAN, MLP, NHiTS y NBEATS, descubrimos que KAN era, en general, muy lento y que su rendimiento era sistemáticamente inferior en diversas tareas de previsión. Cabe señalar que la evaluación comparativa se realizó en los conjuntos de datos M3 y M4, que contienen más de 99 000 series temporales únicas con frecuencias que van desde una hora hasta un año.
En última instancia, en ese momento, la aplicación de KAN para la previsión de series temporales resultó decepcionante y no era un enfoque recomendable.
Esto ha cambiado ahora con Mezcla reversible de KAN (RMoK) tal como se presenta en el documento: KAN4TSF: ¿Son efectivos los modelos KAN y basados en KAN para la previsión de series temporales?
En este artículo, primero exploramos la arquitectura y el funcionamiento interno del modelo de mezcla reversible de KAN…