Résumé technique : Repenser les séries temporelles avec les réseaux de Kolmogorov-Arnold : une revue systématique

1. Énoncé du problème

L'analyse des séries temporelles est cruciale dans divers domaines tels que la finance, la santé, l'énergie et les sciences du climat, pourtant elle fait face à des défis persistants que les méthodologies existantes peinent à résoudre. Les méthodes statistiques traditionnelles (par exemple, ARIMA) échouent souvent en raison de restrictions liées à la linéarité et à la stationnarité, étant incapables de s'adapter aux données non stationnaires ou au glissement de concept (concept drift). Les architectures d'apprentissage profond, incluant les réseaux de neurones récurrents (RNN) et les réseaux LSTM (Long Short-Term Memory), souffrent de la disparition ou de l'explosion du gradient, d'inefficacités computationnelles dans le traitement séquentiel et de l'oubli catastrophique. Plus récemment, les architectures Transformer ont été appliquées aux séries temporelles mais font face à des décalages architecturaux, tels que la nature invariante par permutation de l'auto-attention qui entre en conflit avec l'ordre temporel, une complexité computationnelle quadratique et une tendance au surapprentissage sur les petits jeux de données. De plus, les modèles existants manquent souvent d'interprétabilité et de mécanismes robustes pour gérer le glissement de concept — l'évolution des distributions de données sous-jacentes au fil du temps.

L'article postule que les réseaux de Kolmogorov-Arnold (KAN), une nouvelle architecture basée sur le théorème de représentation de Kolmogorov-Arnold, offrent un paradigme de modélisation fondamentalement différent. Contrairement aux perceptrons multicouches (MLP) qui utilisent des fonctions d'activation fixes et apprennent des poids linéaires, les KAN placent des fonctions univariées non linéaires apprenables (généralement des B-splines) sur les arêtes du réseau. Cette structure permet théoriquement une approximation de fonction plus efficace et une interprétabilité intrinsèque, répondant potentiellement aux lacunes laissées par les modèles de séries temporelles actuels.

2. Méthodologie

Ce travail est une revue systématique de l'adéquation des KAN pour l'analyse des séries temporelles.

• Stratégie de recherche : Les auteurs ont interrogé quatre bases de données (ScienceDirect, IEEE Xplore, Springer et arXiv) pour la littérature publiée entre avril 2024 et novembre 2025. La chaîne de recherche combinait les termes « Kolmogorov–Arnold Network » avec « time series », « temporal data » et « forecasting/prediction ».
• Critères de sélection : À partir d'un pool initial de 243 enregistrements, 36 études ont été sélectionnées pour une analyse détaillée. Les critères d'inclusion exigeaient une évaluation empirique des KAN sur des tâches de séries temporelles, le rapport de métriques de performance (précision, généralisation, adaptabilité) et une transparence méthodologique suffisante. Les études se concentrant uniquement sur la théorie sans application empirique ou manquant de pertinence pour les séries temporelles ont été exclues.
• Cadre d'analyse : La revue synthétise les preuves à travers six domaines clés : les systèmes énergétiques, la surveillance environnementale, les signaux biomédicaux, la finance, les infrastructures et les benchmarks de prévision générale. L'analyse se concentre sur trois questions de recherche (RQ) :
  1. Dans quelles conditions les KAN surpassent-ils les architectures établies ?
  2. Comment l'interprétabilité qualitative des KAN se compare-t-elle aux méthodes d'explicabilité post-hoc (ex: SHAP, LIME) en termes de compréhension par l'utilisateur et de confiance ?
  3. Quels sont les compromis entre efficacité computationnelle et précision (complexité d'entraînement, inférence, taille du modèle) par rapport aux modèles conventionnels ?

3. Contributions clés

L'article fournit une synthèse complète de l'état actuel des KAN dans les séries temporelles, offrant :

• Une synthèse de performance par domaine : Une cartographie détaillée de la performance des KAN à travers divers secteurs, identifiant là où l'architecture excelle (motifs structurés et lisses) et là où elle peine (haute volatilité, changements de régime brusques).
• Une évaluation critique de l'interprétabilité : Une évaluation rigoureuse distinguant la capacité à visualiser les fonctions apprises de l'utilité pratique de ces visualisations pour la prise de décision. La revue souligne un manque de validation empirique de la part des experts du domaine concernant les affirmations d'interprétabilité des KAN.
• Un benchmarking computationnel : Une analyse des compromis entre l'efficacité des paramètres et le temps d'entraînement, notant un écart important dans les métriques computationnelles rapportées dans la littérature examinée.
• Identification des lacunes de recherche : Les auteurs identifient des limitations critiques dans la base de preuves actuelle, particulièrement concernant l'évaluation du glissement de concept, les tests de signification statistique et l'absence de benchmarks standardisés pour l'adaptation au glissement spécifique aux KAN.

4. Résultats

4.1 Modèles de performance

• Cas de succès : Les KAN démontrent systématiquement des performances supérieures ou comparables dans les domaines caractérisés par des motifs temporels lisses et structurés ainsi que par des contraintes physiques.
  • Énergie et Infrastructures : Dans la prévision du débit de cours d'eau, les KAN ont surpassé les Transformers pour des horizons de 1 à 3 jours ($R^2 > 0,95$). Dans la prévision de la charge énergétique, les KAN ont obtenu des améliorations de l'erreur quadratique moyenne (RMSE) de 20 à 34 % par rapport aux modèles de référence.
  • Biomédical : Les KAN ont montré de bons résultats dans l'estimation de l'état de charge (SoC) des batteries ($R^2 = 0,9755$) et la détection d'anomalies ECG, souvent avec moins de paramètres que les MLP ou les LSTM.
  • Efficacité des paramètres : Dans 9 études sur 12 rapportant le nombre de paramètres, les variantes KAN nécessitaient nettement moins de paramètres (réductions de 61 % à 98 %) pour atteindre des performances comparables ou meilleures que les modèles de référence.
• Limites :
  • Prévision financière : Les KAN ont éprouvé des difficultés sur les marchés financiers caractérisés par une haute volatilité et une non-stationnarité. Les valeurs de $R^2$ pour la prédiction des cryptomonnaies étaient faibles (0,13–0,18), suggérant que l'approximation de fonctions lisses par splines est mal adaptée aux dynamiques adverses et aux changements de régime.
  • Prévision à long horizon : Les avantages de performance diminuent souvent au-delà des horizons de 3 jours, convergeant avec la performance des Transformers à 7 jours.
  • Échecs spécifiques : Les KAN ont sous-performé les modèles de référence dans la prévision probabiliste de la charge (vs Quantile-ANN), la prédiction des prix de l'immobilier (vs XGBoost) et certains ensembles de benchmarks à long terme.

4.2 Efficacité computationnelle

• Temps d'entraînement : Contrairement à l'efficacité des paramètres, les KAN ont systématiquement nécessité des temps d'entraînement plus longs que les modèles de référence dans la majorité des études rapportées (par exemple, 1,77x à 3,45x plus longs). Cela est attribué à la surcharge computationnelle de l'optimisation des coefficients de spline pendant la rétropropagation.
• Inférence et mémoire : La consommation de mémoire GPU était plus faible pour les KAN dans les cas rapportés (par exemple, une réduction de 85 % dans une étude), ce qui concorde avec leur efficacité de paramètres. Cependant, les données sur la latence d'inférence sont rares.
• Lacune de rapport : Un constat majeur est l'absence de données de benchmarking computationnel ; seule une minorité des 36 études a rapporté le temps d'entraînement, la latence d'inférence ou l'utilisation de la mémoire, limitant les conclusions définitives sur la faisabilité du déploiement.

4.3 Interprétabilité

• Mécanismes : Les KAN offrent une interprétabilité intégrée via des visualisations de B-splines, des graphes de poids d'arêtes et la capacité d'extraire des formules mathématiques symboliques (ex: $X_{t+1} = e^{X_t^2} + \sin(3,14 \cdot X_{t-1})$).
• Évaluation critique : La revue conclut que bien que ces mécanismes existent, leur utilité pratique n'est pas prouvée.
  • Il y a un manque d'études utilisateurs validant si les experts du domaine trouvent les visualisations KAN plus compréhensibles ou exploitables que les méthodes post-hoc comme SHAP.
  • Compromis : Obtenir l'interprétabilité visuelle nécessite souvent de simplifier l'architecture du réseau, ce qui peut entraîner une dégradation significative des performances (par exemple, une chute du score F1 de 0,70 à 0,54 dans une étude).
  • Complexité : L'interprétation de réseaux denses avec des centaines de graphiques de B-splines reste cognitivement exigeante, et l'extraction de formules symboliques nécessite souvent un traitement post-hoc complexe (élagage), remettant en question l'affirmation d'une « interprétabilité par conception ».

4.4 Glissement de concept (Concept Drift)

Les preuves actuelles sur les KAN et le glissement de concept sont préliminaires. Bien que certaines architectures (comme WormKAN) montrent des promesses dans l'identification des changements de régime, une évaluation systématique par rapport aux benchmarks de détection de glissement établis (ex: ADWIN, DDM) est absente. Le domaine manque d'études contrôlées sur la manière dont les KAN s'adaptent aux changements de distribution soudains versus graduels.

5. Signification et affirmations

L'article conclut que les réseaux de Kolmogorov-Arnold représentent une innovation architecturale prometteuse mais sélective pour l'analyse des séries temporelles.

• Déploiement sélectif : Les KAN sont plus appropriées pour les domaines présentant des motifs temporels lisses et physiquement contraints (ex: énergie, hydrologie, signaux biomédicaux) où l'efficacité des paramètres et le potentiel d'interprétabilité sont précieux.
• Pas une solution universelle : Elles ne constituent pas une amélioration universelle par rapport aux modèles de pointe, échouant particulièrement dans la prévision financière à haute volatilité et les tâches de prédiction à long terme.
• Maturité méthodologique : Les auteurs soulignent que la base de preuves actuelle est préliminaire, hétérogène et inégalement rapportée. Le domaine souffre d'un manque de tests de signification statistique, de benchmarks standardisés et de validation rigoureuse des affirmations d'interprétabilité.
• Directions futures : L'article appelle les travaux futurs à prioriser les benchmarks standardisés, les tests statistiques, l'évaluation du glissement de concept et les études centrées sur l'utilisateur afin de valider si l'interprétabilité théorique des KAN se traduit par une amélioration de la prise de décision humaine.

En résumé, l'article préconise une adoption prudente et fondée sur des preuves des KAN, exhortant la communauté à dépasser les simples démonstrations techniques d'extraction symbolique pour tendre vers une validation empirique rigoureuse de leur utilité pratique et de leurs limites.