مدلهای Kolmogorov-Arnold یا همان KAN که اخیراً سر و صدای زیادی به پا کردهاند، حالا در یک چالش جدی مقابل LSTMهای کلاسیک قرار گرفتهاند.
در پژوهشی جدید، عملکرد این دو مدل برای پیشبینی دادههای مالی مقایسه شده و نتایج جالبی به دست آمده است:
✅ برنده دقت: مدلهای LSTM همچنان در تحلیل دادههای ترتیبی و پیشبینی سریهای زمانی برتری محسوسی دارند.
✅ مزیت KAN: مدلهای KAN سرعت همگرایی (Convergence) بالاتری در زمان آموزش دارند و پتانسیل تفسیرپذیری (Interpretability) آنها بالاتر است، اما در کاربردهای عملیِ پیشبینی سریهای زمانی، هنوز به پای LSTM نمیرسند.
این تحقیق نشان میدهد که با وجود هیجانات پیرامون معماریهای جدید، مدلهای کلاسیک همچنان ستونهای اصلی بسیاری از کاربردهای هوش مصنوعی هستند.
منبع: arXiv AI