在时间序列分析领域，KAN（Kolmogorov-Arnold Network）的应用正逐渐成为研究的热门方向。KAN凭借其强大的函数拟合能力和出色的可解释性，能够高效捕捉时间序列中的复杂关系与非线性模式。

最近，基于KAN的时间序列预测模型RMoK在真实世界的数据集上取得了显著的性能提升，不仅预测准确性大幅提高，模型的稳定性也得到了显著增强。

为了帮助大家更好地了解这一前沿方向，我整理了一些【KAN+时间序列】的研究论文，全部论文PDF版，工中号【沃的顶会】回复 KAN时序 即可领取。

KAN-AD：Time Series Anomaly Detection with Kolmogorov-Arnold Networks

文章解析

本文提出了一种基于Kolmogorov-Arnold网络（KAN）的时间序列异常检测方法KAN-AD。

该方法通过引入Fourier级数来强调全局时间模式，从而减轻局部峰值和下降的影响，提高了异常检测的准确性和效率。

实验结果表明，KAN-AD相比现有最先进方法，准确率提高了15%，推理速度提升了55倍。

创新点

1.首次将Kolmogorov-Arnold表示定理引入时间序列异常检测领域，通过重新定义问题提高了检测准确率并显著降低了模型复杂度。

2.一种新型的时间序列异常检测方法，通过精心设计的单变量函数不仅提高了检测准确率，还加快了推理速度。

3.通过引入Fourier级数，有效提取时间序列的频率域信息，更好地建模全局模式并处理局部波动。

研究方法

1.利用Kolmogorov-Arnold表示定理将复杂的多变量函数分解为多个单变量函数的组合。

2.设计了新的单变量函数集，采用Fourier级数来表示周期函数，提高对全局时间模式的建模能力。

3.通过冻结函数并在训练过程中仅学习其系数，减少局部峰值和下降的影响、同时保持强大的学习能力。

4.设计了额外的偏置单变量函数和差分机制，以消除趋势成分在时间序列异常检测中的负面影响。

研究结论

1.KAN-AD在四个公开数据集上的实验结果表明，相比当前最先进的方法，准确率提高了15%，推理速度提升了55倍。

2.KAN-AD通过高效学习特别设计的单变量函数系数，有效地提高了时间序列异常检测的准确性和效率。

3.KAN-AD的设计不仅提高了检测效果，还显著减少了模型的复杂度，使其更加实用。

HiPPO-KAN：Efficient KAN Model for Time Series Analysis

文章解析

本文介绍了一种参数高效的模型HIPPO-KAN，通过将高阶多项式投影（HiPPO）理论集成到Kolmogorov-Arnold网络（KAN）框架中，实现了在不增加参数数量的情况下对长序列数据的优越性能。

实验结果表明，HIPPO-KAN在不同窗口大小和预测范围下保持恒定的参数数量，并且在较大的窗口大小下显著优于传统的KAN模型。

此外，通过修改损失函数直接在HiPPO域上计算MSE，解决了时间序列预测中的滞后问题。

创新点

1.提出了HiPPO-KAN模型，通过集成HiPPO理论和KAN框架，实现参数高效的长序列时间序列预测。

2.在不同窗口大小和预测范围下，HIPPO-KAN模型保持恒定的参数数量，显著提高了参数效率和可扩展性。

3.通过修改损失函数直接在HiPPO域上计算MSE，有效解决了时间序列预测中的滞后问题。

研究方法

1.利用HiPPO理论将时间序列数据编码为固定维度的系数向量。

2.使用Kolmogorov-Arnold网络（KAN）作为函数逼近器，将系数向量映射到同一维度空间内的另一个向量。

3.通过HiPPO框架的逆变换将转换后的系数向量解码回时间域。

研究结论

1.HiPPO-KAN模型在单变量时间序列预测任务中实现了优越的参数效率，能够处理长序列数据而不增加参数数量。

2.HiPPO-KAN模型在长程预测中显著优于传统KAN模型和其他处理序列数据的传统模型（如RNN和LSTM）。

3.HiPPO系数提供了一个简洁且可解释的时间序列系统状态表示，结合KAN的透明架构，增强了模型内部工作的理解和解释性。