Обсуждение:Сеть Колмогорова — Арнольда

Материал из MachineLearning.

Перейти к: навигация, поиск

Работа над статьёй стала отличным примером того, как важно не просто задавать модели тему, но и выстраивать педагогическую логику повествования.

Этап 1: Первый промпт и сухость повествования

Изначально модели был задан достаточно, на мой взгляд, простой промпт, который давал свободу в способе изложения темы и объяснении ключевых концепций. Считалось, что она справится со своей задачей как специалист в своём деле.


Роль: Ты специалист в области машинного обучения, профессор в ведущем техническом университете и строгий академический критик.

Задача: Написать глубокую, объективную вики-статью «Сеть Колмогорова — Арнольда (KAN)» для энциклопедии MachineLearning.ru.

Инструкция по смыслам (целеуказание):

  1. Объясни концепцию KAN для новичка, сравнив её с классическим MLP (в MLP веса на рёбрах, а активация в узлах; в KAN узлы просто суммируют, а обучаемые функции активации находятся на рёбрах).
  2. Приведи математическую базу: теорему представления Колмогорова — Арнольда 1957 года (с формулой).
  3. Опиши причину взрывного хайпа 2024 года (обещания высокой интерпретируемости и символьной регрессии).
  4. Обязательно добавь суровый раздел "Мифология KAN и критика". Развей хайп, указав на два факта:
    • Теоретический: теорема требует невычислимых фрактальных функций. Замена их на гладкие B-сплайны лишает сеть гарантий теоремы.
    • Практический: вычисление сплайнов катастрофически плохо распараллеливается на современных GPU по сравнению с матричными умножениями в MLP, из-за чего KAN обучаются очень медленно.

Технические ограничения (MediaWiki):

  • Абсолютно все переменные, индексы и математические знаки оберни в теги <tex>...</tex>. Не используй знак доллара.
  • Выключные формулы начинай с двойного двоеточия (::).
  • В начале статьи вставь: {{well|Статья написана с использованием LLM '''Gemini 3.1 Pro Preview''' и проверена участником ~~~~}}
  • В конце добавь категории: [[Категория:Машинное обучение]] и [[Категория:Архитектуры нейронных сетей]].


Этап 2: Попытки разнообразить текст

Модель получила на вход второй уточняющий промпт. В нём я указала на сухость изложения и попросила добавить больше объяснений и примеров для новичков. Следующая версия статьи стала разнообразнее, но мне не нравился способ изложения тем: казалось, будто примеры были написаны ради самих примеров, а не с целью более понятного донесения информации до читателя.

Тогда я изменила второй промпт, добавив уже более чёткие указания, какой именно текст я бы хотела видеть:


Текст получился довольно сухим и коротким. Давай доработаем его, чтобы статья стала по-настоящему энциклопедичной и понятной для студентов.

1. Концепция: глобальная архитектура и сравнение MLP и KAN: добавь в объяснение подход «сверху вниз» (от макроуровня к микроуровню).

  • Сначала опиши глобальную разницу в работе слоёв: как сигнал передается от слоя к слою в классическом MLP и как это глобально изменено в KAN.
  • Только после этого "загляни внутрь" нейрона и покажи это математически: сравни формулу шага MLP и формулу KAN.
  • Объясни, в чем заключается идея смены ролей узлов и ребер в этих двух архитектурах.

2. Математический фундамент: Для менее опытных читателей нужно добавить больше объяснений или упростить язык изложения.

3. Информационный пузырь 2024 года и почему всё сломалось: Объедини хайп и суровую критику в один мощный раздел. Опиши, как в 2024 году все говорили о KAN, как оно могло решить проблему с "черным ящиком". Следом выполни переход к суровой реальности, опиши причины провала идеи:

  • Теоретическая: оригинальная теорема требует невычислимых фрактальных функций. Замена их на гладкие B-сплайны лишает сеть математических гарантий оригинальной теоремы.
  • Практическая (аппаратная): вычисление сплайнов катастрофически плохо распараллеливается на современных GPU (в отличие от быстрого умножения матриц в MLP).

Техническая просьба:

  • Оборачивай абсолютно все одиночные переменные, индексы и формулы в тексте в теги <tex>...</tex>.
  • Выключные формулы начинай с двойного двоеточия (::).
  • В начале статьи вставь: {{well|Статья написана с использованием LLM '''Gemini 3.1 Pro Preview''' и проверена участником ~~~~}}
  • Списки оформляй строго через звёздочку (*), без пробела перед ней.


Рефлексия: Второй подход, конечно, больше соответствует идеям в моей голове. Возможно, в следующий раз стоит попросить модель опереться на структуру идеальной вики-статьи с самого начала, чтобы она могла понимать мои потребности с полуслова, и при этом не приходилось бы расписывать каждый пункт настолько детально.

Этап 3: Ручная стилистическая и техническая правка

Была проведена финальная техническая чистка: удалены лишние пробелы перед маркированными списками и вручную проставлены пропущенные моделью теги <tex>...</tex> вокруг математических индексов в тексте.

-- Polina Khadralinova Polina Khadralinova 17:10, 11 июля 2026 (MSD)

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%A1%D0%B5%D1%82%D1%8C_%D0%9A%D0%BE%D0%BB%D0%BC%D0%BE%D0%B3%D0%BE%D1%80%D0%BE%D0%B2%D0%B0_%E2%80%94_%D0%90%D1%80%D0%BD%D0%BE%D0%BB%D1%8C%D0%B4%D0%B0»
Личные инструменты