Kolmogorov-Arnold-Netzwerke für Zeitreihen: Verbindung von Vorhersagekraft und Interpretierbarkeit

Kolmogorov-Arnold-Netzwerke (KAN) sind ein bahnbrechendes Modell, das kürzlich vom MIT-Team vorgeschlagen wurde und einen revolutionären Ansatz darstellt, mit dem Potenzial, eine bahnbrechende Rolle auf diesem Gebiet zu spielen. Dieses innovative Konzept hat weltweit schnell Interesse in der KI-Community geweckt. Inspiriert vom Kolmogorov-Arnold-Darstellungssatz nutzen KAN spline-parametrisierte univariate Funktionen anstelle traditioneller linearer Gewichte, was es ihnen ermöglicht, dynamisch Aktivierungsmuster zu lernen und die Interpretierbarkeit erheblich zu verbessern. In diesem Papier untersuchen wir die Anwendung von KAN auf die Vorhersage von Zeitreihen und schlagen zwei Varianten vor: T-KAN und MT-KAN. T-KAN wurde entwickelt, um Konzeptdrift innerhalb von Zeitreihen zu erkennen und kann die nichtlinearen Beziehungen zwischen Vorhersagen und vorherigen Zeitpunkten durch symbolische Regression erklären, wodurch es in dynamisch wechselnden Umgebungen hochgradig interpretierbar ist. MT-KAN hingegen verbessert die Vorhersageleistung, indem es effektiv die komplexen Beziehungen zwischen Variablen in multivariaten Zeitreihen aufdeckt und nutzt. Experimente validieren die Wirksamkeit dieser Ansätze und zeigen, dass T-KAN und MT-KAN traditionelle Methoden in der Vorhersage von Zeitreihenaufgaben deutlich übertreffen, wodurch nicht nur die Vorhersagegenauigkeit verbessert, sondern auch die Interpretierbarkeit des Modells gesteigert wird. Diese Forschung eröffnet neue Möglichkeiten für adaptive Vorhersagemodelle und hebt das Potenzial von KAN als leistungsstarkes und interpretierbares Werkzeug in der prädiktiven Analyse hervor.