Architettura ibrida KAN-MLP migliora il riconoscimento dell'attività umana
Uno studio recente introduce un framework ibrido che combina le reti di Kolmogorov-Arnold (KAN) con i percettroni multistrato (MLP) per migliorare il riconoscimento dell'attività umana (HAR) basato su dati IMU. Mentre le KAN funzionano bene con input puliti e a bassa dimensionalità, incontrano difficoltà con dati reali rumorosi. Al contrario, gli MLP mostrano una maggiore resilienza al rumore e sono più efficienti dal punto di vista computazionale. Sostituire tutti gli elementi MLP con KAN nei modelli HAR comporta una diminuzione dell'accuratezza e dell'efficienza. L'architettura proposta include un livello di embedding di input basato su KAN, mantiene i livelli MLP per il mixing delle caratteristiche intermedie e presenta un modulo LarctanKAN dedicato per la classificazione finale. Test su otto dataset pubblici HAR convalidano il successo di questo modello ibrido.
Fatti principali
- Le KAN funzionano bene su dati puliti e a bassa dimensionalità ma hanno difficoltà con dataset reali rumorosi.
- Gli MLP sono più tolleranti al rumore e computazionalmente più efficienti delle KAN.
- Sostituire tutti i componenti MLP con KAN nei modelli HAR degrada l'accuratezza e l'efficienza computazionale.
- L'architettura ibrida proposta utilizza un livello di embedding di input basato su KAN.
- I livelli MLP sono mantenuti per il mixing delle caratteristiche intermedie.
- Un modulo specializzato LarctanKAN è introdotto per la classificazione finale dell'attività.
- Lo studio valuta l'architettura su otto dataset pubblici HAR.
- La ricerca affronta la sfida di combinare la precisione delle KAN con la robustezza al rumore degli MLP.
Entità
—