arXiv 2407.201002024-11-08cs.LGcs.AIcs.CRcs.NI

F-KANs：联邦Kolmogorov-Arnold网络

F-KANs: Federated Kolmogorov-Arnold Networks

Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心）；Florida Institute of Technology（佛罗里达理工学院）

Engin Zeydan, Cristian J. Vaca-Rubio, Luis Blanco, Roberto Pereira, Marius Caus, Abdullah Aydeger

备注：: This work has been accepted to 1st International Workshop on Distributed AI for Enhanced Wireless Networks (DAINET'25) in conjunction with IEEE Consumer Communications & Networking Conference 2025. Related Code: https://github.com/ezeydan/F-KANs.git

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出联邦KANs（F-KANs）用于分类，利用KANs的自适应激活能力在联邦框架中提升性能并保护隐私，实验表明其优于联邦MLP，在准确率、精确率、召回率、F1分数和稳定性上均有显著优势。

摘要：

本文提出了一种创新的联邦学习（FL）方法，利用Kolmogorov-Arnold网络（KANs）进行分类任务。通过在联邦框架中利用KANs的自适应激活能力，我们旨在提高分类能力，同时保护隐私。该研究评估了联邦KANs（F-KANs）与传统多层感知器（MLPs）在分类任务上的性能。结果表明，F-KANs模型在准确率、精确率、召回率、F1分数和稳定性方面显著优于联邦MLP模型，并取得了更好的性能，为更高效且保护隐私的预测分析铺平了道路。

英文摘要：

In this paper, we present an innovative federated learning (FL) approach that utilizes Kolmogorov-Arnold Networks (KANs) for classification tasks. By utilizing the adaptive activation capabilities of KANs in a federated framework, we aim to improve classification capabilities while preserving privacy. The study evaluates the performance of federated KANs (F- KANs) compared to traditional Multi-Layer Perceptrons (MLPs) on classification task. The results show that the F-KANs model significantly outperforms the federated MLP model in terms of accuracy, precision, recall, F1 score and stability, and achieves better performance, paving the way for more efficient and privacy-preserving predictive analytics.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。