Beginn: Ab sofort
Erstbetreuer: Prof. Dr. Heisenberg
Zweitbetreuer: Dr. Akdag
Niveau: Masterarbeit
Problemstellung:
Kolmogorov-Arnold Networks (KANs) stellen eine neuartige Architekturklasse dar, die die universelle Approximierbarkeit mathematisch fundiert abbildet – und dies auf effiziente Weise durch nichtlineare Basisfunktionen pro Eingabe. Erste Anwendungen zeigen vielversprechende Ergebnisse im Bereich komplexer Regressionen und Systemidentifikation.
Für Zeitreihen-Forecasting stellt sich nun die Frage, ob KANs – im Vergleich zu klassischen Deep Learning Architekturen wie LSTM und Foundation Models – vergleichbare Performanz liefern können. Besonders spannend ist dies bei schwierigen Langzeitprognosen oder stark verrauschten Signalen.
Kolmogorov-Arnold Networks (KANs) stellen eine neuartige Architekturklasse dar, die die universelle Approximierbarkeit mathematisch fundiert abbildet – und dies auf effiziente Weise durch nichtlineare Basisfunktionen pro Eingabe. Erste Anwendungen zeigen vielversprechende Ergebnisse im Bereich komplexer Regressionen und Systemidentifikation.
Für Zeitreihen-Forecasting stellt sich nun die Frage, ob KANs – im Vergleich zu klassischen Deep Learning Architekturen wie LSTM und Foundation Models – vergleichbare Performanz liefern können. Besonders spannend ist dies bei schwierigen Langzeitprognosen oder stark verrauschten Signalen.
Ziel der Arbeit:
Ziel dieser Masterarbeit ist ein systematischer Benchmark verschiedener KAN-Architekturen im Vergleich zu etablierten Forecasting-Modellen. Eine Masterarbeit ist zu diesem Thema schon gelaufen und auf deren Source Code kann aufgebaut werden. Im Detail sollen in dieser Arbeit:
Ziel dieser Masterarbeit ist ein systematischer Benchmark verschiedener KAN-Architekturen im Vergleich zu etablierten Forecasting-Modellen. Eine Masterarbeit ist zu diesem Thema schon gelaufen und auf deren Source Code kann aufgebaut werden. Im Detail sollen in dieser Arbeit:
- mehrere verschiedene KAN-Implementierungen evaluiert und ihre Hyperparameter optimiert werden,
- neben den in der vorigen Arbeit verglichenen Ansätzen nun auch Foundation Models getestet werden,
- auf standardisierten Forecasting-Datensätzen (z.B. Electricity, Traffic, Exchange) trainiert,
- und per Zeitreihenklassifikation besondere Merkmale der Zeitreihen untersucht werden, die potenziell für ein besonderes Performanzverhalten verantwortlich sein können.
Voraussetzungen:
Sehr gute Kenntnisse in Python und Deep Learning Frameworks (z.B. PyTorch) sind notwendig. Erste Erfahrung mit Forecasting-Modellen ist hilfreich. Die vorangegangene Masterarbeit inkl. Source Code wird zur Vorbereitung zur Verfügung gestellt.
Sehr gute Kenntnisse in Python und Deep Learning Frameworks (z.B. PyTorch) sind notwendig. Erste Erfahrung mit Forecasting-Modellen ist hilfreich. Die vorangegangene Masterarbeit inkl. Source Code wird zur Vorbereitung zur Verfügung gestellt.
