Dergiler / Bilişim Teknolojileri Dergisi / 2026 / Cilt: 19 Sayı: 4

Farklı Temel Fonksiyon Ailelerine Dayalı KAN Varyantlarının MLP ile Karşılaştırmalı Analizi

A Comparative Analysis of KAN Variants Based on Different Basis Function Families with MLP

Zeynep Haber(KONYA TEKNİK ÜNİVERSİTESİ)0000-0003-3563-0435
Sayfa
557–570
Yayın Tarihi
2026-10-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu sıra, en son sırada yer alan Wavelet'in sırasına (5,1) çok yakındır; MLP teknik olarak son sırada değildir, ancak bu sonuç yine de MLP'nin eşit olmayan parametre koşullarındaki eski rekabetçi görünümünün kısmen daha büyük kapasiteden kaynaklandığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, Kolmogorov-Arnold Ağları'nın (KAN) farklı temel fonksiyon ailelerine dayalı beş varyantı (B-Spline, RBF, Chebyshev, Fourier ve Wavelet), klasik çok katmanlı algılayıcı (MLP) ile parametre sayısı eşitlenmiş bir yapılandırma altında karşılaştırılmıştır.
📊
Temel Bulgular & Veri:Altısı Genz test fonksiyonları olmak üzere toplam on farklı matematiksel test fonksiyonu üzerinde, 30 tekrarlı deneylerle modellerin performansı; genel yaklaşım performansı, boyut ölçeklenebilirliği, gürültü dayanıklılığı ve hiperparametre duyarlılığı açısından değerlendirilmiştir.
💡
Sonuç & Katkı:Bu sıra, en son sırada yer alan Wavelet'in sırasına (5,1) çok yakındır; MLP teknik olarak son sırada değildir, ancak bu sonuç yine de MLP'nin eşit olmayan parametre koşullarındaki eski rekabetçi görünümünün kısmen daha büyük kapasiteden kaynaklandığını göstermektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:kolmogorov-arnold ağları · çok katmanlı algılayıcı · temel fonksiyon karşılaştırması

Özet

Bu çalışmada, Kolmogorov-Arnold Ağları'nın (KAN) farklı temel fonksiyon ailelerine dayalı beş varyantı (B-Spline, RBF, Chebyshev, Fourier ve Wavelet), klasik çok katmanlı algılayıcı (MLP) ile parametre sayısı eşitlenmiş bir yapılandırma altında karşılaştırılmıştır. Altısı Genz test fonksiyonları olmak üzere toplam on farklı matematiksel test fonksiyonu üzerinde, 30 tekrarlı deneylerle modellerin performansı; genel yaklaşım performansı, boyut ölçeklenebilirliği, gürültü dayanıklılığı ve hiperparametre duyarlılığı açısından değerlendirilmiştir. Friedman testi, altı model arasında istatistiksel olarak anlamlı bir performans farkı ortaya koymuş (χ²(5) = 29,03, p = 0,00002); Nemenyi post-hoc testine göre RBF, Fourier, Wavelet ve MLP'ye karşı anlamlı üstünlük göstermiş, ancak B-Spline ve Chebyshev ile aradaki fark istatistiksel olarak doğrulanamamıştır. Parametre bütçesi eşitlendiğinde MLP, altı model arasında en düşük ortalama sıralardan birinde (5,0) yer almıştır. Bu sıra, en son sırada yer alan Wavelet'in sırasına (5,1) çok yakındır; MLP teknik olarak son sırada değildir, ancak bu sonuç yine de MLP'nin eşit olmayan parametre koşullarındaki eski rekabetçi görünümünün kısmen daha büyük kapasiteden kaynaklandığını göstermektedir. Buna karşın, artan boyutlulukta MLP en düşük ölçeklenme katsayısına (b = 0,017) sahip olup, parametre bütçesi eşitlenmiş olmasına rağmen gürültü altında da en kararlı model olarak kalmıştır. Bulgular, adil karşılaştırma koşullarında özellikle RBF ve Chebyshev varyantlarının daha düşük yaklaşım hatası sağladığını, buna karşın MLP'nin boyutsal ölçeklenme ve gürültü dayanıklılığında mimari bir avantaj koruduğunu; dolayısıyla temel fonksiyon seçiminin problem karakteristiğine göre dikkatle yapılması gerektiğini göstermektedir.

Abstract

This study systematically compares five Kolmogorov-Arnold Network (KAN) variants based on different basis function families (B-Spline, RBF, Chebyshev, Fourier, and Wavelet) against the classical Multi-Layer Perceptron (MLP) under a parameter-matched configuration. Model performance was evaluated across ten mathematical test functions, including six Genz benchmark functions, over 30 repetitions, considering overall approximation performance, dimensionality scaling, noise robustness, and hyperparameter sensitivity. The Friedman test revealed a statistically significant performance difference among the six models (χ²(5) = 29.03, p = 0.00002); the Nemenyi post-hoc test showed that RBF was significantly superior to Fourier, Wavelet, and MLP, while the difference with B-Spline and Chebyshev could not be statistically confirmed. Under matched parameter budgets, MLP's general performance ranked among the lowest of the six models (mean rank 5.0), marginally ahead of Wavelet (mean rank 5.1), which was the lowest-ranked model overall; this indicates that MLP's earlier competitiveness under unequal parameter settings was partly attributable to its larger capacity. Nevertheless, under increasing dimensionality, MLP achieved the lowest scaling exponent (b = 0.017) and remained the most stable model under noise, even after the parameter budget was equalized. The findings indicate that KAN variants, particularly RBF, Chebyshev, and B-Spline, achieved the best average ranks under fair comparison conditions, although the Nemenyi test could not statistically distinguish these three from one another; MLP retains an architectural advantage in dimensional scaling and noise robustness; the choice of basis function family should therefore be made carefully according to the characteristics of the target problem.

🔖

Bu Makaleye Atıf Yap

Haber, Z. (2026). Farklı Temel Fonksiyon Ailelerine Dayalı KAN Varyantlarının MLP ile Karşılaştırmalı Analizi. Bilişim Teknolojileri Dergisi, Cilt: 19 Sayı: 4, 557–570. https://doi.org/10.17671/gazibtd.2015870

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (29)

  1. J. Ahmad, H. Farman, Z. Jan, "Deep Learning Methods and Applications," in Deep Learning: Convergence to Big Data AnalyticsSingapore: Springer 2019, pp. 31-42.
  2. S. R. Kadam, M. P. Dhore, "Review of Deep Learning Methods", 2024 8th International Conference on Computing, Communication, Control and Automation (ICCUBEA), 1-8, 2024. DOI:10.1109/ICCUBEA61740.2024.10774807
  3. G. Cybenko, "Approximation by superpositions of a sigmoidal function", Mathematics of Control, Signals and Systems, 2(4), 303-314, 1989. DOI:10.1007/BF02551274
  4. K. Hornik, M. Stinchcombe, H. White, "Multilayer feedforward networks are universal approximators", Neural Networks, 2(5), 359-366, 1989. DOI:10.1016/0893-6080(89)90020-8
  5. I. Goodfellow, Y. Bengio, A. Courville, Deep learning, Cilt·1, MIT press Cambridge, 2016.
  6. M. M. Hammad, "Deep learning activation functions: Fixed-shape, parametric, adaptive, stochastic, miscellaneous, non-standard, ensemble", 2024. DOI:10.48550/arXiv.2407.11090
  7. A. Omidvar, "SmartMixed: A Two-Phase Training Strategy for Adaptive Activation Function Learning in Neural Networks", 2025. DOI:10.48550/arXiv.2510.22450
  8. R. Eldan, O. Shamir, "The power of depth for feedforward neural networks", 29th Annual Conference on Learning Theory, 907-940, 2016. M. Telgarsky, "Benefits of depth in neural networks", 29th Annual Conference on Learning Theory, 1517-1539, 2016. I. C. Yeh, W. L. Cheng, "First and second order sensitivity analysis of MLP", Neurocomputing, 73(10), 2225-2233, 2010. DOI:10.1016/j.neucom.2010.01.011
  9. D. S. Broomhead, D. Lowe, "Multivariable Functional Interpolation and Adaptive Networks," 1988, vol. 2.
  10. G.-B. Huang, Q.-Y. Zhu, C.-K. Siew, "Extreme learning machine: theory and applications", Neurocomputing, 70(1-3), 489-501, 2006. DOI:10.1016/j.neucom.2005.12.126
  11. F. Agostinelli, M. Hoffman, P. Sadowski, P. Baldi, "Learning activation functions to improve deep neural networks", ICLR 2015 Workshop, 2015.
  12. Z. Liu, Y. Wang, S. Vaidya, F. Ruehle, J. Halverson, M. Soljacic, T. Hou, M. Tegmark, "KAN: Kolmogorov–arnold networks", International conference on learning representations, 70367-70413, 2025.
  13. Z. Li, "Kolmogorov-arnold networks are radial basis function networks", 2024. DOI:10.48550/arXiv.2405.06721
  14. S. Sidharth, A. Keerthana, R. Gokul, K. Anas, "Chebyshev polynomial-based kolmogorov-arnold networks: An efficient architecture for nonlinear function approximation", 2024. DOI:10.48550/arXiv.2405.07200
  15. Z. Bozorgasl, H. Chen, "Wav-kan: Wavelet kolmogorov-arnold networks", 2024. DOI:10.48550/arXiv.2405.12832
  16. J. Xu, Z. Chen, J. Li, S. Yang, W. Wang, X. Hu, E. Ngai, "Enhancing graph collaborative filtering with FourierKAN feature transformation", Proceedings of the 34th ACM International Conference on Information and Knowledge Management, 5376-5380, 2025. DOI:10.1145/3746252.3760909
  17. E. Reinhardt, D. Ramakrishnan, S. Gleyzer, "SineKAN: Kolmogorov-Arnold Networks using sinusoidal activation functions", Frontiers in artificial intelligence, 7, 1462952, 2025. DOI:10.3389/frai.2024.1462952
  18. A. A. Aghaei, M. Hosseinzadeh, K. Parand, "rkan: Rational kolmogorov-arnold networks", Neural Networks, 108888, 2026. DOI:10.1016/j.neunet.2026.108888
  19. A. A. Aghaei, "fkan: Fractional kolmogorov–arnold networks with trainable jacobi basis functions", Neurocomputing, 623, 129414, 2025. DOI:10.1016/j.neucom.2025.129414
  20. H.-T. Ta, "BSRBF-KAN: A combination of B-splines and radial basis functions in Kolmogorov-Arnold networks", International Symposium on Information and Communication Technology, 3-15, 2024.
  21. H.-T. Ta, D.-Q. Thai, A. B. S. Rahman, G. Sidorov, A. Gelbukh, "Fc-kan: Function combinations in kolmogorov-arnold networks", Information Sciences, 123103, 2026. DOI:10.1016/j.ins.2026.123103
  22. Q. Qiu, T. Zhu, H. Gong, L. Chen, H. Ning, "Relu-kan: New kolmogorov-arnold networks that only need matrix addition, dot multiplication, and relu", 2025 IEEE Smart World Congress (SWC), 1686-1694, 2025. DOI:10.1109/SWC65939.2025.00262
  23. R. Yu, W. Yu, X. Wang, "Kan or mlp: A fairer comparison", 2024. DOI:10.48550/arXiv.2407.16674
  24. E. Poeta, F. Giobergia, E. Pastor, T. Cerquitelli, E. Baralis, "A benchmarking study of Kolmogorov-Arnold networks on tabular data", 2024 IEEE 18th International Conference on Application of Information and Communication Technologies (AICT), 1-6, 2024. DOI:10.1109/AICT61888.2024.10740444
  25. K. Shukla, J. D. Toscano, Z. Wang, Z. Zou, G. E. Karniadakis, "A comprehensive and FAIR comparison between MLP and KAN representations for differential equations and operator networks", Computer Methods in Applied Mechanics and Engineering, 431, 117290, 2024. DOI:10.1016/j.cma.2024.117290
  26. Y. Hou, T. Ji, D. Zhang, A. Stefanidis, "Kolmogorov-Arnold Networks: A Critical Assessment of Claims, Performance, and Practical Viability", 2024. DOI:10.48550/arXiv.2407.11075
  27. S. T. Seydi, "Exploring the potential of polynomial basis functions in Kolmogorov-Arnold networks: A comparative study of different groups of polynomials", 2024. DOI:10.48550/arXiv.2406.02583
  28. H. Shiraishi, H. Ishibuchi, M. Nakata, "X-kan: Optimizing local kolmogorov-arnold networks via evolutionary rule-based machine learning", 2025. DOI:10.24963/ijcai.2025/993
  29. A. Genz, "Testing multidimensional integration routines", Proc. of international conference on Tools, methods and languages for scientific and engineering computation, Paris, France, 81–94, 1984.