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。
深度分析
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。
深度分析
研究探討圖神經網路在有限度與有限精度下精確學習圖演算法。透過訓練多層感知器集合執行單節點本地指令，再於推論時作為GNN更新函式。在有界度與有限精度條件下，僅需線性規模的本地指令資料，即可於推論時以O(L)迭代正確執行，成功機率高。證實可無誤執行訊息洪水、BFS、DFS與Bellman‑Ford。