通过Kolmogorov-Arnold网络和堆叠的自动编码器来增强的性别识别
Yasin Atilkan1, Berk Kirik2, Eren Tuna Acikbas3
1Department of Artificial Intelligence and Data Engineering, Ankara University, Ankara, 06830, Turkey.
Scientific reports
|December 30, 2025
概括
这项研究使用机器学习模型准确地分类了的性别. 科尔莫戈罗夫-阿诺德网络的准确度超过95%,超过了其他生态分析方法.
科学领域:
- 生态生态学 生态生态学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 鱼对淡水生态系统至关重要.
- 准确的性别分类对于人口统计学分析至关重要.
- 不平衡的数据集给分类模型带来了挑战.
研究的目的:
- 评估机器学习和深度学习模型用于类的性别分类.
- 为了比较表格和图像数据集的性能.
- 为了引入一种新的混合人工智能模型.
主要方法:
- 使用传统和深度学习模型进行二进制分类.
- 从表格 (重量,尺寸) 和图像数据中提取特征.
- 自动编码器和科尔莫戈罗夫-阿诺德网络的应用.
主要成果:
- 科尔莫戈罗夫-阿诺德网络在表格数据上实现了95-100%的准确性.
- 支持矢量机 (84%) 和多层感知子 (82%) 在图像特征方面表现良好.
- 一个新的堆叠自动编码器架构提高了Kolmogorov-Arnold网络性能3.5%.
结论:
- 机器学习和深度学习模型对于鱼的性别分类是有效的.
- 科尔摩戈罗夫-阿诺德网络表现出卓越的性能.
- 集成自动编码器的混合人工智能模型对生态应用非常有希望.
