في عالم علم البيانات، تعتبر توقعات السلاسل الزمنية أحد أبرز التحديات، خاصة في المجالات العلمية مثل نمذجة المناخ، ومراقبة المؤشرات الفسيولوجية، وأنظمة الطاقة. ولقد أثبتت الدراسات أن تحقيق توقعات دقيقة يعتمد بشكل كبير على القدرة التنافسية للنماذج وشفافيتها.
ما هو DecompKAN؟
تقدّم DecompKAN معمارية مبتكرة تجمع بين عدة تقنيات متقدمة:
- **تحليل الاتجاه والاحتياطي** (Trend-Residual Decomposition)
- **تقنية تخزين القنوات** (Channel-wise Patching)
- **تنسيق الحالات المتعلم** (Learned Instance Normalization)
- **شبكة كولموغوروف-أرنولد** (B-spline Kolmogorov-Arnold Network، أو KAN) التي تستخدم دوال حواف.
كل دالة في KAN تتعلم وظيفة عددية خطية قابلة للفحص عبر تنسيقات تمثيل التحكّم التي تتعلمها، مما يسمح برؤية بصرية واضحة لأداء النموذج.
نتائج مذهلة
تم اختبار DecompKAN على العديد من مجموعات البيانات وحقق نتائج رائعة:
- أفضل أو متساوي في أدنى متوسط للخطأ (MSE) على 15 من أصل 32 مجموعة بيانات.
- أداء متميز في 20 من أصل 36 مقارنة تحت تقييم موحد على 9 مجموعات بما فيها مجموعة **PPG-DaLiA**.
تظهر العمارة كفاءة خاصة في المجموعات التي تتمتع بخصائص زمنية سلسة، مثل مجموعة **Solar** حيث حققت تحسنًا بنسبة -17% مقارنة بـ **iTransformer**.
الشفافية والابتكار
كما تتميز DecompKAN بقدرتها على تقديم رؤى تحليلية عبر التصوير البصري لدوال الحواف المتعلمة، مما يكشف عن خصائص غير خطية متميزة عبر المجالات المدروسة. وتظهر نتائج تحليل التصفية أن منهجية التصميم المعماري تؤثر بشكل أكبر على الأداء مقارنة بخيارات الطبقات غير الخطية.
هل أنت مهتم بتقنيات الذكاء الاصطناعي الحديثة؟
ما هي التطبيقات التي تعتقد أنها ستستفيد أكثر من هذه التكنولوجيا المذهلة؟