Conformalized-KANs: uncertainty quantification with coverage guarantees for Kolmogorov–Arnold Networks (KANs) in scientific machine learning

This paper explores uncertainty quantification (UQ) methods in the context of Kolmogorov–Arnold Networks (KANs). We apply an ensemble approach to KANs to obtain a heuristic measure of UQ, enhancing interpretability and robustness in modeling complex functions. However, particularly in data-limited a...

Szczegółowa specyfikacja

Opis bibliograficzny

Główni autorzy:	Amirhossein Mollaali, Christian Bolivar Moya, Amanda A Howard, Alexander Heinlein, Panos Stinis, Guang Lin
Format:	Artigo
Język:	Inglês
Wydane:	IOP Publishing 2026-01-01
Seria:	Machine Learning: Science and Technology
Hasła przedmiotowe:	Kolmogorov–Arnold Networks (KANs) conformal prediction uncertainty quantification scientific machine learning
Dostęp online:	https://doi.org/10.1088/2632-2153/ae7495
Etykiety:	Dodaj etykietę Nie ma etykietki, Dołącz pierwszą etykiete!