领学术科研之先，创食品科技之新
—— 中国食品杂志社
针对传统葡萄酒质量评价存在主观性强、效率低,以及现有机器学习模型在处理高度异构和非线性理化指标时存在泛化瓶颈的问题,提出一种基于表格先验数据拟合网络（tabular prior-data fitted networks,TabPFN）与傅里叶-柯尔莫哥洛夫-阿诺德网络（Fourier Kolmogorov-Arnold networks,FR-KAN）融合的葡萄酒质量预测模型（TabPFN_FR-KAN）。以TabPFN为特征提取器,通过双向注意力机制捕捉样本间与特征间的复杂依赖;同时引入基于傅里叶级数的FR-KAN作为解码器,替代传统多层感知器模型,以增强模型对非线性关系的拟合能力。实验采用UCI Vinho Verde数据集,经SMOTE-Tomek进行类别平衡处理。结果表明,TabPFN_FR-KAN模型在各项指标上均显著优于随机森林、梯度提升树及支持向量机等10种主流模型,受试者工作特征曲线下面积达到0.907 9,准确率为0.862 2。消融实验进一步证实,引入傅里叶特征有效解决了标准KAN中B样条基函数的边界缺陷,显著提升了模型在小样本表格数据上的预测精度与鲁棒性。
电话: 010-87293157
地址: 北京市丰台区洋桥70号
版权所有 @ 2023 中国食品杂志社 京公网安备11010602060050号 京ICP备14033398号-2
