في عالم الذكاء الاصطناعي والتعلم الآلي، تعتبر شبكات كولموغوروف-أرنولد (KANs) من أبرز النماذج المستخدمة في توقعات السلاسل الزمنية، وذلك بسبب قدرتها على تقديم وظائف تربط المتغيرات بشكل مباشر. ومع ذلك، كانت المشكلة الرئيسية تتمثل في عدم القدرة على تقديم تفسيرات واضحة لما يحدث داخل هذه الشبكات. هنا يأتي دور الإطار الجديد الذي يعتمد على "دورات وظيفية زمنية".

هذا الإطار يتيح إمكانية نقل وظائف حواف KAN من التصورات الكامنة إلى تفسيرات مرتكزة على الزمن، مما يسهل فهم كيفية تأثير المدخلات المختلفة على النتائج المتوقعة. يعتمد الإطار على استخدام KAN مع بقايا مقيدة تتراكم التوقعات إلى قاعدة خطية وتصحيح نشط قليل، مما يساهم في تحسين دقة التوقعات بشكل كبير.

تتطلب خوارزمية KAN تعلم كيفية توصيل المدخلات مع التأخيرات الزمنية بشكل فعال، وبهذا يتمكن من تصنيف الحواف بناءً على نطاق التفعيل المتعلم، وبالتالي تحسين أداء النموذج. وجد الباحثون أن إزالة المكون الخطي التعليمي أثناء الاحتفاظ بالجزء الأساسي يقلل فعالية التوقعات، مما يشير إلى أن شكل منحنى B-spline يحمل قيمة تنبؤية تتجاوز التنشيط الأساسي.

تُظهر التجارب على أربعة أنظمة اصطناعية ذات تعقيد متزايد كيف أن البوابة المتعلمة تُفتح بشكل تدريجي كلما زاد تعقيد الإشارة. كما أن KAN المحسّن يحقق انخفاضًا قدره 59% في متوسط الخطأ التربيعي (MSE) عند مقارنته بالنماذج الخطية فقط. في ثمانية مقاييس أداء، أثبتت البنية المحسّنة قدرتها التنافسية مع البدائل الخطية، والانتباه، ونماذج الشبكات متعددة الطبقات (MLP)، مع تقديم وظائف حواف يمكن تفسيرها بشكل أفضل من التصحيحات المستندة إلى MLP.

باختصار، يمثل هذا البحث خطوة كبيرة نحو تحسين نماذج الذكاء الاصطناعي لتوقعات السلاسل الزمنية بطريقة تضمن الفهم الكامل لآلية عملها وتفسيراتها.