今年才出的KAN，结合LSTM就有顶会了？！

今天和大家分享一个好发顶会的方向： KAN+LSTM。

KAN以创新性和灵活性著称，通过结合LSTM的序列处理能力，能显著提高时间序列预测的准确性。这种结合不仅增强了模型的性能，还提高了模型对输入数据的适应性和鲁棒性，在处理复杂的序列数据和知识密集型任务上都是遥遥领先。

更重要的是，KAN是新提出的模型，目前KAN相关的主流创新思路也都是结合其他模型，所以对于还在找idea的同学来说， KAN+LSTM同样是个非常好的发文选择，创新空间十分可观。

为了帮助同学们加快论文进度，我精挑细选了一些 KAN结合LSTM的优秀paper 给各位作参考，代码基本都有，建议想发顶会的同学抓好这一轮热点。

扫码添加小享， 回复“ KAN长短 ”

免费获取 全部论文+开源代码

TKAN: Temporal Kolmogorov-Arnold Networks

方法： 本文提出了一种基于KAN网络架构的时间序列调整方法，该架构通过整合循环RKANs层和修改版的LSTM单元，改善了多个步骤的性能和稳定性，提高了对长期依赖关系的捕捉能力，并在多步时间序列预测中显著提高准确性和效率。

创新点：

• 提出了结合KAN和长短期记忆网络的新型神经网络架构TKANs，以利用两者的优势。
• TKANs特别设计用于多步时间序列预测，提高了长期依赖关系的捕捉能力。
• 在真实市场数据上，TKANs显示出比传统RNN模型更好的稳定性和准确性，尤其在长期预测方面表现突出。

Core Temperature Estimation of Lithium-Ion Batteries Using Long Short-Term Memory (LSTM) Network and Kolmogorov-Arnold Network (KAN)

方法： 论文介绍了一种新型深度学习方法，首次提出了KAN和长短期记忆网络（LSTM）用于无需传感器反馈的温度估计。这些方法基于电池的基本操作参数，如电压、电流和环境温度。

创新点：

• 提出结合KAN和LSTM网络来估算锂离子电池的核心和表面温度。
• 模型无需电池表面温度作为输入，减少了对物理传感器的依赖。
• KAN模型在保持高准确度的同时，计算时间保持在可接受范围内，适合实时应用。

扫码添加小享， 回复“ KAN长短 ”

免费获取 全部论文+开源代码

Deep State Space Recurrent Neural Networks for Time Series Forecasting

方法： 作者引入了一种创新的神经网络框架，将经济学状态空间模型与RNNs的动态能力结合。方法上，使用了LSTM、门控残差单元（GRU）和时间KANs。结果表明，TKANs显示出良好的效果，尤其是m-TKAN在捕捉和预测重要的市场状态方面表现突出。

创新点：

• 将经济模型中的状态空间方法与递归神经网络结合，用于时间序列预测。
• 提出了TKAN，一种结合了KAN和LSTM特性的新型RNN架构，专门针对多步预测。
• 利用深度学习来估计状态转换概率，增强模型对市场动态的适应性。