2026年7月14日、arXivにて「STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting」と題された論文が公開されました。著者ら（Sicong Lai氏他4名）は、時空間予測のための新しいアーキテクチャSTKANを提案しています。
時空間予測は交通流予測などの応用で重要ですが、現実のデータは不均一な空間相関と非線形な時間ダイナミクスを持ちます。従来のグラフニューラルネットワーク、アテンション機構、分解アプローチはこれらの課題に対処してきましたが、非線形関数近似器そのものの設計は見過ごされてきました。STKANは、このギャップを埋めるために、テイラー多項式Kolmogorov-Arnold Network（KAN）モジュールを空間および時間トークンミキシングに統合します。
具体的には、学習可能なソフトノードグループ割り当てメカニズムにより、空間ノードを複数のグループに分割し、高レベルな空間表現を構築します。次に、グループ単位で空間ミキシングを行い、その結果得られた圧縮系列に対して時間依存性をモデル化します。さらに、空間および時間自己アテンション層を追加し、長距離の相互作用を捉えます。5つの交通予測ベンチマーク（PEMS04、PEMS08、METR-LAなど）を用いた実験では、STKANは競争力のある精度を達成し、特にMLPベースのベースラインを一貫して上回りました。これにより、非線形関数近似器の設計がアーキテクチャ設計を補完できることが示されています。論文は機械学習（cs.LG）と人工知能（cs.AI）の分野に分類され、arXiv:2607.13108として入手可能です。