KAN vs LSTM Performance in Time Series Forecasting
यह अध्ययन प्रदर्शित करता है कि जबकि बेसलाइन कोलमोगोरोव-आर्नोल्ड नेटवर्क (KAN) प्रशिक्षण के दौरान तेजी से अभिसरित (converge) होते हैं, लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) नेटवर्क स्टोकेस्टिक, गैर-स्थिर वित्तीय समय श्रृंखला (stochastic, non-stationary financial time series) के लिए उनकी तुलना में पूर्वानुमानित सटीकता में काफी बेहतर प्रदर्शन करते हैं, जिससे सटीकता-महत्वपूर्ण पूर्वानुमान कार्यों के लिए LSTM को एक श्रेष्ठ विकल्प के रूप में स्थापित किया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यहाँ एक सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके शोध पत्र (paper) का स्पष्टीकरण दिया गया है।
बड़ी तस्वीर: दो पूर्वानुमानकर्ताओं के बीच की दौड़
कल्पना कीजिए कि आप अगले कुछ दिनों के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन मौसम अराजक है, लगातार अपना मन बदल रहा है, और किसी सरल नियम पुस्तिका का पालन नहीं करता है। आपकी मदद के लिए आपके पास दो अलग-अलग "पूर्वानुमानकर्ता" (कंप्यूटर मॉडल) हैं:
- अनुभवी जासूस (LSTM): यह मॉडल काफी समय से मौजूद है। यह एक कहानी को (जैसे घटनाओं के क्रम को) देखने और कल क्या हुआ था उसे याद रखकर यह अनुमान लगाने में उत्कृष्ट होने के लिए प्रसिद्ध है कि कल क्या होगा।
- नया सैद्धांतिक जीनियस (KAN): यह एक शानदार गणितीय प्रमेय (theorem) पर आधारित एक बिल्कुल नया मॉडल है। यह वादा करता है कि यह बहुत "पारदर्शी" होगा—यानी आप आसानी से देख सकते हैं कि यह अपने निर्णय कैसे लेता है। हालाँकि, इसे मूल रूप से स्थिर पहेलियों (static puzzles) के लिए डिज़ाइन किया गया था, न कि उन कहानियों के लिए जो समय के साथ विकसित होती हैं।
लेखकों ने इन दोनों को एक-दूसरे के खिलाफ खड़ा किया है यह देखने के लिए कि शेयर बाजार की कीमतों (जो अव्यवस्थित, यादृच्छिक और लगातार बदलने वाली होती हैं) की भविष्यवाणी करने में कौन बेहतर है।
सेटअप: उन्होंने खेल कैसे खेला
शोधकर्ताओं ने एक विशिष्ट चुनौती तैयार की:
- कार्य: पिछले डेटा (Open, High, Low, Close, Volume) के आधार पर भविष्य की शेयर कीमतों की भविष्यवाणी करना।
- नियम: उन्होंने एक "डायरेक्ट मल्टी-आउटपुट" (Direct Multi-Output) पद्धति का उपयोग किया। कल्पना कीजिए कि आप मॉडल से पूछ रहे हैं, "यहाँ पिछले 20 दिनों का डेटा है; मुझे ठीक से बताएं कि अगले 1 दिन, 2 दिन, या यहाँ तक कि 100 दिनों के लिए कीमत क्या होगी।"
- स्कोरकार्ड: उन्होंने सफलता को RMSE (Root Mean Square Error) का उपयोग करके मापा। इसे एक "गलती स्कोर" के रूप में समझें। संख्या जितनी कम होगी, मॉडल उतना ही बेहतर होगा।
परिणाम: अनुभवी की निर्णायक जीत
सभी समय-सीमाओं (1 दिन, 2 दिन और 100 दिन) में परिणाम स्पष्ट और सुसंगत थे:
- अनुभवी (LSTM) स्पष्ट विजेता रहा। इसने शेयर की कीमतों की बहुत अधिक सटीकता के साथ भविष्यवाणी की। वास्तव में, इसकी गलतियाँ नए जीनियस की गलतियों से 6.5 से 10 गुना कम थीं।
- नया जीनियस (KAN) संघर्ष करता रहा। हालांकि यह सैद्धांतिक रूप से दिलचस्प था, लेकिन इसने भारी गलतियाँ कीं। यह ऐसा था जैसे किसी चलती हुई पहेली को हल करने के लिए उसके टुकड़ों को एक जगह स्थिर करने की कोशिश की जाए; यह समय के प्रवाह के साथ तालमेल नहीं बिठा सका।
उपमा (Analogy):
कल्पना कीजिए कि आप यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक धावक 10 सेकंड में कहाँ होगा।
- LSTM धावक को देखता है, उसकी गति, उसके कदम और उसके मोमेंटम (momentum) को देखता है, और भविष्य के पथ की गणना करता है।
- Standard KAN धावक की एक फोटो लेता है, फोटो को संख्याओं की एक एकल सूची में बदल देता है (क्रम को अनदेखा करते हुए), और भविष्य का अनुमान लगाने की कोशिश करता है। यह फिल्म के बीच के कुछ रैंडम फ्रेमों को देखकर फिल्म के अंत की भविष्यवाणी करने जैसा है। यह अनुक्रमों (sequences) के लिए बिल्कुल भी काम नहीं करता।
"गति" का जाल: कौन तेज़ था?
आप सोच सकते हैं, "यदि KAN इतना बुरा था, तो शायद यह कम से कम सुपर फास्ट रहा होगा?"
- पेपर कहता है: हाँ, KAN ने अपना प्रशिक्षण (training) तेजी से पूरा किया (लगभग 35 सेकंड बनाम LSTM के लिए 120 सेकंड तक)।
- पेंच (The Catch): यह एक निष्पक्ष तुलना नहीं है। यह एक ऐसे स्प्रिंटर की तुलना करने जैसा है जिसने 100 मीटर की दौड़ लगाई और एक ऐसे मैराथन धावक की तुलना करने जैसा है जिसने केवल 10 मीटर की दौड़ लगाई।
- LSTM ने डेटा के छोटे बैचों का उपयोग करके 25 "राउंड" (epochs) तक प्रशिक्षण लिया।
- KAN ने केवल 10 "राउंड" किए जिसमें उसने पूरे डेटासेट का एक साथ उपयोग किया।
- क्योंकि KAN ने बहुत कम काम किया, इसलिए वह जल्दी समाप्त हो गया, लेकिन उसे गहराई से सीखने का मौका नहीं मिला। पेपर चेतावनी देता है कि आप यह नहीं कह सकते कि KAN "तेज़" है क्योंकि उन्होंने समान मात्रा में प्रशिक्षण नहीं लिया।
KAN क्यों विफल हुआ? (मूल समस्या)
पेपर में उस मौलिक संरचनात्मक दोष की पहचान की गई है कि कैसे मानक KAN मॉडल का उपयोग किया गया था:
- LSTM को समय को समझने के लिए बनाया गया है। यह घटनाओं के क्रम को याद रखता है (चरण 1, चरण 2 से पहले हुआ था)।
- Standard KAN (जिस संस्करण का परीक्षण किया गया था) समय को स्थिर (static) मानता है। डेटा को इसमें डालने के लिए, शोधकर्ताओं को समय के अनुक्रम को संख्याओं की एक लंबी सूची में "फ्लैटन" (flatten) करना पड़ा। इसने टाइमलाइन को नष्ट कर दिया। मॉडल ने संदर्भ (context) खो दिया कि चीजें कब हुईं, जो भविष्य की भविष्यवाणी करने के लिए सबसे महत्वपूर्ण हिस्सा है।
पेशेवरों के लिए निष्कर्ष (Bottom Line)
- यदि आपको सटीकता चाहिए: LSTM के साथ बने रहें। यह वित्तीय पूर्वानुमान के लिए एक विश्वसनीय, प्रमाणित विकल्प है।
- यदि आप "नई चीज़" (KAN) चाहते हैं: शेयर भविष्यवाणी के लिए मानक संस्करण का उपयोग न करें। यह अभी इस काम के लिए तैयार नहीं है।
- चेतावनी: पेपर स्पष्ट रूप से कहता है कि KAN के नए, संशोधित संस्करण (जैसे "टेम्पोरल KAN" या "टाइम-फ्रीक्वेंसी KAN") मौजूद हैं जो इस समय-ट्रैकिंग समस्या को ठीक करने की कोशिश करते हैं। हालाँकि, इस अध्ययन ने उनका परीक्षण नहीं किया। इसने केवल "बेस" संस्करण का परीक्षण किया।
एक वाक्य में सारांश
अराजक शेयर कीमतों की भविष्यवाणी करते समय, पुराने ज़माने के, समय के प्रति जागरूक LSTM मॉडल ने नए, सैद्धांतिक रूप से पारदर्शी KAN मॉडल को बुरी तरह हरा दिया, क्योंकि मानक KAN समय के प्रवाह को समझने में असमर्थ था, जिससे उसने घटनाओं के एक क्रम को अर्थहीन संख्याओं के ढेर में बदल दिया।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।