Newest papers

Tractable Inference with Kolmogorov-Arnold Networks

Juan Diego Toscano, Sascha Ranftl, Zhiwei Gao, Li-Lian Wang, George Em Karniadakis · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29909 · open-access PDF

Vietnamese

Máy học thay thế trong khoa học tính toán thường đòi hỏi không chỉ dự đoán chính xác mà còn kỳ vọng, biến, tổng thể bảo tồn và hằng số bình thường hóa. Mạng thần kinh thông thường, bao gồm các mạng Kolmogorov-Arnold (KANs), thường đánh giá số lượng này thông qua lấy mẫu Monte Carlo hoặc hình vuông đa chiều, làm cho kết luận lặp đi lặp lại tốn kém, đặc biệt là ở kích thước cao. Chúng tôi giới thiệu KANs với Tractable Operators for Uncertainty and Constraints (TOUCKANs), mà các chức năng bên ngoài đa nguyên tử độ hữu hạn mang lại một đại diện tổng sản phẩm có thể phân hủy.

Machine translation (Meta M2M100); the English original follows.

Abstract

Machine-learning surrogates in computational science often require not only accurate predictions but also expectations, variances, conserved integrals, and normalization constants. Conventional neural networks, including Kolmogorov--Arnold networks (KANs), generally evaluate these quantities through Monte Carlo sampling or multidimensional quadrature, making repeated inference costly, particularly in high dimensions. We introduce KANs with Tractable Operators for Uncertainty and Constraints (TOUCKANs), whose finite-degree polynomial outer functions yield a decomposable sum--product representat

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange