參數成本

深度分析

Kolmogorov‑Arnold 網路與多層感知器在結構化資料分類上的效能與成本分析

隨著結構化表格資料在醫療與金融等領域的廣泛應用，研究比較了Kolmogorov‑Arnold網路(KAN)與多層感知器(MLP)的分類表現。實驗在12個公開資料集上，以測試準確率與F1分數評估，發現KAN在二元與多類別任務上具統計顯著優勢，但參數量與運算時間約為MLP的十六倍。