KAN(콜모고로프-아놀드 네트워크)과 MLP를 전략적으로 결합해 IMU 기반 인간 행동 인식(HAR)의 정확도와 노이즈 강건성을 동시에 향상시키는 방법을 연구했다. KAN은 저차원 깨끗한 데이터에서 우수하지만 실세계 노이즈에 취약하고, MLP는 그 반대인 점에 착안해 KAN 입력 임베딩, MLP 중간 특징 믹싱, LarctanKAN 분류 레이어를 결합한 하이브리드 아키텍처를 제안했다. 8개 공개 HAR 데이터셋에서 평균 매크로 F1 점수 5.33% 상대 향상을 달성했으며, 최신 HAR 아키텍처에 적용 시에도 일관된 성능 향상을 확인했다.
- •KAN은 저차원 데이터에 강하지만 실세계 노이즈에 취약하고 MLP는 반대인 간극적 콤비네이션 활용
- •KAN 입력 임베딩, MLP 중간 특징 믹싱, LarctanKAN 분류의 하이브리드 아키텍처 제안
- •8개 공개 HAR 데이터셋에서 평균 매크로 F1 점수 5.33% 상대 향상 달성
- •최신 HAR 아키텍처에 하이브리드 전략 적용 시 일관된 성능 향상 확인
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
KAN-MLP-Mixer: A comprehensive investigation of the usage of Kolmogorov-Arnold Networks (KANs) for improving IMU-based Human Activity Recognition
- 1.KAN과 MLP의 강점을 결합한 하이브리드 아키텍처로 IMU 기반 인간 활동 인식(HAR) 개선
- 2.KAN 입력 임베딩 + MLP 중간 레이어 + LarctanKAN 분류기 조합으로 최적 구조 탐색
- 3.8개 공개 HAR 데이터셋에서 순수 MLP 대비 평균 매크로 F1 5.33% 상대 향상
왜 중요한가?
정밀도 높은 KAN을 실세계 웨어러블 센서 데이터에 적용할 수 있는 실용적 방법을 제시하며, 스마트 기기와 헬스케어 애플리케이션에 활용 가능하다.
본문 미리보기
arXiv:2605.19031v1 Announce Type: new Abstract: Kolmogorov-Arnold Networks (KANs) have demonstrated an exceptional ability to learn complex functions on clean, low-dimensional data but struggle to maintain performance on noisy and imperfect real-world datasets. In contrast, conventional multi-layer perceptrons (MLPs) are far more tolerant to noise and computationally efficient. Replacing all MLP components with KANs in HAR models often degrades accuracy and computation efficiency, highlighting
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
