Kolmogorov Arnold 网络在欺诈检测中的应用：弥合理论与实践之间的差距
Kolmogorov Arnold Networks in Fraud Detection: Bridging the Gap Between Theory and Practice
AI总结：
本文研究 Kolmogorov-Arnold 网络在欺诈检测中的适用性，提出基于 PCA 的快速决策规则和启发式超参数调优方法，证明 KAN 的效果取决于数据特征。
摘要：
本研究评估了 Kolmogorov-Arnold 网络（KAN）在欺诈检测中的适用性，发现其有效性依赖于具体情境。我们提出了一种使用主成分分析（PCA）的快速决策规则来评估 KAN 的适用性：如果数据能够在二维空间中使用样条函数被有效分离，那么 KAN 可能优于传统模型；否则，其他方法可能更为合适。我们还引入了一种启发式超参数调优方法，显著降低了计算成本。这些发现表明，尽管 KAN 具有潜力，但其使用应以数据特定的评估为指导。
英文摘要：
This study evaluates the applicability of Kolmogorov-Arnold Networks (KAN) in fraud detection, finding that their effectiveness is context-dependent. We propose a quick decision rule using Principal Component Analysis (PCA) to assess the suitability of KAN: if data can be effectively separated in two dimensions using splines, KAN may outperform traditional models; otherwise, other methods could be more appropriate. We also introduce a heuristic approach to hyperparameter tuning, significantly reducing computational costs. These findings suggest that while KAN has potential, its use should be guided by data-specific assessments.
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。
