X-KAN: 진화적 규칙 기반 머신러닝으로 지역적 Kolmogorov-Arnold 네트워크 최적화

본 기사는 시라시 히로키, 이시부치 히사오, 나카타 마사야 연구팀이 개발한 X-KAN 알고리즘을 소개합니다. X-KAN은 기존 신경망의 한계를 극복하고 복잡한 함수를 효과적으로 근사하는 혁신적인 방법입니다. XCSF와 KAN의 장점을 결합한 X-KAN은 실험 결과에서 우수한 성능을 보였으며, GitHub를 통해 공개되어 접근성을 높였습니다.

X-KAN: 복잡한 함수의 세계를 정복하다

함수 근사는 다양한 분야에서 필수적인 과제입니다. 하지만 기존의 신경망 방식은 전체 문제 공간을 하나의 전역 모델로 다루기 때문에, 국소적으로 복잡하거나 불연속적인 함수에는 어려움을 겪습니다. 이러한 한계를 극복하기 위해 시라시 히로키, 이시부치 히사오, 나카타 마사야 연구팀이 제시한 혁신적인 방법이 바로 X-KAN입니다.

X-KAN은 여러 개의 지역적 Kolmogorov-Arnold 네트워크(KAN) 를 XCSF(진화적 규칙 기반 머신러닝 프레임워크) 를 통해 최적화하는 방법입니다. 이는 KAN의 높은 표현력과 XCSF의 적응적 분할 능력을 결합한 독창적인 접근 방식입니다. X-KAN은 국소 KAN 모델을 규칙의 결과(consequent)로 구현하고, 규칙의 전제 조건(antecedent)을 통해 국소 영역을 정의합니다.

연구팀은 인공적인 테스트 함수와 실제 데이터셋을 이용한 실험을 통해 X-KAN이 XCSF, 다층 퍼셉트론(MLP), KAN을 포함한 기존 방법들을 근사 정확도 측면에서 상당히 능가한다는 것을 증명했습니다. 특히, 기존 KAN이 어려움을 겪는 국소적으로 복잡하거나 불연속적인 구조의 함수에서도 효과적으로 작동하며, 놀랍게도 평균 7.2 ± 2.3개의 규칙만으로도 높은 정확도를 달성했습니다. 이는 정확성과 일반성 모두를 기반으로 규칙의 적합성을 평가하는 XCSF에서 KAN을 국소 모델로 사용하는 효과를 입증합니다.

더욱이, X-KAN의 구현 코드는 GitHub에서 공개되어 접근성과 재현성을 높였습니다. 이는 학계뿐 아니라 산업계에서도 X-KAN의 활용 가능성을 더욱 높여줄 것입니다. X-KAN은 복잡한 함수 근사 문제에 대한 새로운 해결책을 제시하며, 앞으로 다양한 분야에서 활용될 것으로 기대됩니다. 이 연구는 함수 근사 분야의 발전에 크게 기여할 뿐만 아니라, 진화적 규칙 기반 머신러닝의 잠재력을 다시 한번 확인시켜주는 중요한 성과입니다.