في عالم الذكاء الاصطناعي، تتزايد أهمية التنبؤات الدقيقة بشكل مستمر، خاصًة في مجالات مثل التمويل والطقس. ومع ذلك، تشير الأبحاث الجديدة إلى مشكلة تتعلق بكفاءة الشبكات العصبية، وخاصة ما يُعرف بشبكات كولموغوروف-أرنولد (KANs).

فرضت النظرية الحالية أن هذه الشبكات يمكن أن تتفوق على انحياز الطيف الشائع الذي يُلاحظ في الشبكات العصبية، على افتراض أن المدخلات مستقلة إحصائيًا. ولكن، هل هذه الفرضية صحيحة دائمًا؟

عند تطبيق KANs على توقعات السلاسل الزمنية (Time Series Forecasting - TSF)، نجد أن المدخلات ليست مستقلة، بل تتألف من ملاحظات متأخرة تتمتع بتكرارية زمنية قوية. من خلال تحليل نظري وتحقق تجريبي، توصل الباحثون إلى نتيجة غير متوقعة: حيث تعيد التكرارية الزمنية إدخال انحياز الطيف في KANs، ويصبح هذا الانحياز أكثر وضوحًا مع ارتفاع درجة التكرارية الزمنية.

هذه النتيجة توحي بأن KANs القياسية قد تواجه صعوبات كبيرة عندما تعمل مع مدخلات ذات تكرارية زمنية قوية. لذا، تم تقديم طريقة جديدة تتمثل في استخدام تحويل الكوكس المقطعي (Discrete Cosine Transform - DCT) للتقليل من التواريخ المتباينة بين المدخلات. النتائج التجريبية أكدت أن استخدام DCT significantly يقلل من التفضيل المنخفض للطيف في المهام المتعلقة بـ TSF.

تعتبر هذه النتائج خطوة مهمة لفهم كيفية تأثير التكرارية الزمنية على أداء الشبكات العصبية وتقديم حلول فعالة لمواجهة التحديات التي قد تظهر في مثل هذه الحالات.