في عالم يتجه بشكل متزايد نحو تعقيدات الذكاء الاصطناعي، تظهر شبكات كولموغوروف-أرنوولد الكفؤة (ER-KAN) كحل مبتكر للتحديات التي تواجهها نماذج تعلم الآلة بسبب نقص البيانات. إذ تكشف الأبحاث الأخيرة أنه عند اختبار شبكة ChebyKAN على بيانات مشوشة، زادت قيمة متوسط الخطأ التربيعي بمقدار 10.6 مرة مقارنة بـ 7.9 مرة للنسخة التقليدية من KAN، و1.7 مرة لنموذج شبكة الأعصاب متعددة الطبقات (MLP) و1.4 مرة فقط للنموذج الجديد ER-KAN.

ER-KAN تتميز بثلاث خيارات تصميم رئيسية تستهدف الحالات التي تعاني من ضجيج البيانات: استخدام قواعد دالة الأساس الغاوسي المشترك عبر جميع الحواف في طبقة واحدة، وإدخال الضجيج أثناء التدريب لتعزيز مقاومة النموذج للضجيج، واحتساب التنظيم التكيفي المبني على مقياس المساحة (entropy-weighted adaptive regularization) لمنع التضخم أثناء محاولات التدريب على مجموعة بيانات صغيرة.

هذه الابتكارات أدت إلى إنشاء شبكة تحتوي على 595 بُرَامِتراً، مما يمكّنها من تحقيق دقة مُقاربة لتلك الخاصة بشبكات MLP عند وجود ضجيج معتدل، بينما تتراجع دقتها بشكلٍ أقل عن نماذج أخرى مع تزايد الضجيج.

تظهر النتائج أن ER-KAN تفوقت بشكل كبير على MLP حيث حققت 4.2 مرة أقل من متوسط الخطأ التربيعي في شبكات الأعصاب المدروسة. كما انخفضت دقة نموذج Burgers عندما فشلت جميع النماذج في التوصل إلى تقارب في النتائج، وهو أمرٌ يعكس حدود هذه النماذج.

تقديم مقياس جديد يُسمى "نسبة تدهور الضجيج" يعتبر خطوة مهمة نحو معيار موحد لدراسات شبكات KAN الفعالة، مما قد يساهم في تعزيز البحث العلمي في هذا المجال.