Sieci Kołmogorowa-Arnolda potrzebują średnio o 40% mniej próbek treningowych niż wielowarstwowe sieci perceptronów, aby osiągnąć porównywalne wyniki w zadaniach uczenia przez wzmacnianie i modelowania fizycznych zależności. To znaczące odkrycie, bo w rzeczywistych systemach każda próbka to koszty - zarówno finansowe jak i czasowe.
Badacze z tej pracy systematycznie zbadali efektywność próbek na zbiorze Feynmana i benchmarkach Gymnasium, które są standardowymi testami dla algorytmów kontroli. Wyniki pokazują nie tylko ogólnie lepszą efektywność, ale również polepszenia wydajności nawet do 50% w trakcie procesu treningu. Co ważne, przewagi architektur KAN pozostały stabilne nawet przy różnych poziomach szumu w sygnałach nagrodzenia - czyli w warunkach bardziej zbliżonych do rzeczywistości.
Kolmogorow-Arnold Networks to stosunkowo świeża propozycja architektoniczna, która wyróżnia się wyższą interpretowalnością i wydajnością parametrów w porównaniu do klasycznych sieci. Jeśli te wyniki się potwierdzą w dalszych badaniach, może to oznaczać przełom w obszarach, gdzie dane treningowe są ograniczone - od robotyki i autonomicznych systemów po kontrolę procesów przemysłowych.