在非独立同分布数据上评估联邦Kolmogorov-Arnold网络
Evaluating Federated Kolmogorov-Arnold Networks on Non-IID Data
AI总结：
本文在非独立同分布数据的MNIST分类任务中比较了F-KANs与MLPs，发现Spline-KANs能在更少的训练轮数内达到MLPs的最佳准确率，且计算时间仅适度增加。
摘要：
联邦Kolmogorov-Arnold网络（F-KANs）已被提出，但其评估仍处于初始阶段。我们比较了KANs（使用B样条和径向基函数作为激活函数）与具有相似参数数量的多层感知机（MLPs），在MNIST分类任务中使用100个客户端的非独立同分布划分进行100轮联邦学习。经过对每个模型进行15次试验，我们表明MLPs达到的最佳准确率可以被Spline-KANs在一半的时间（以轮数计）内实现，且计算时间仅适度增加。
英文摘要：
Federated Kolmogorov-Arnold Networks (F-KANs) have already been proposed, but their assessment is at an initial stage. We present a comparison between KANs (using B-splines and Radial Basis Functions as activation functions) and Multi- Layer Perceptrons (MLPs) with a similar number of parameters for 100 rounds of federated learning in the MNIST classification task using non-IID partitions with 100 clients. After 15 trials for each model, we show that the best accuracies achieved by MLPs can be achieved by Spline-KANs in half of the time (in rounds), with just a moderate increase in computing time.
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。
