{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5425166"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5425166","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Symmetric Post-Training Static Quantization for Radial Basis Function-based Kolmogorov-Arnold Networks","abstract":"Τα Δίκτυα Kolmogorov-Arnold (KAN) εμφανίστηκαν πρόσφατα ως εναλλακτική στα παραδοσιακά multi-layer perceptron (MLP) μοντέλα, αντικαθιστώντας τις σταθερές συναρτήσεις ενεργοποίησης με εκπαιδεύσιμες. Η ανάπτυξή τους σε πλατφόρμες με περιορισμένους πόρους, ωστόσο, απαιτεί αποτελεσματική συμπίεση. Η παρούσα εργασία μελετά τη Συμμετρική Στατική Κβαντοποίηση Μετ’ Εκπαιδεύσεως εφαρμοσμένη σε μοντέλα KAN βασισμένα σε Συναρτήσεις Ακτινικής Βάσης (RBF-KAN), παρέχοντας θεωρητική ανασκόπηση των μεθόδων κβαντοποίησης μαζί με ανάλυση της αρχιτεκτονικής της οικογένειας RBF-KAN. Συγκρίνονται δύο προσεγγίσεις: (α) η βιβλιοθήκη PyTorch FX Graph Mode Quantization, και (β) ένας προσαρμοσμένος κβαντιστής σταθερής υποδιαστολής με υποστήριξη μικτής ακρίβειας, χρησιμοποιώντας συμμετρική αναπαράσταση συμπληρώματος ως προς 2 χωρίς μετατόπιση μηδενικού σημείου και κλίμακες δύναμης του 2. Και οι δύο προσεγγίσεις αξιολογούνται σε τρία σύνολα δεδομένων αυξανόμενης πολυπλοκότητας και διαφορετικού τύπου εργασίας: ταξινόμηση εικόνων (MNIST, CIFAR-10) και πολυδιάστατη παλινδρόμηση και ταξινόμηση σε πινακοποιημένα δεδομένα (Ship Performance Clustering). Και οι δύο επιτυγχάνουν ουσιαστική μείωση του μεγέθους του μοντέλου με ελάχιστη απώλεια ακρίβειας στις εργασίες ταξινόμησης. Στο πρόβλημα παλινδρόμησης, όμως, το προσαρμοσμένο σχήμα σταθερής υποδιαστολής διατηρεί ακρίβεια κοντά σε αυτή του μοντέλου κινητής υποδιαστολής, ενώ η τυπική προσέγγιση PyTorch FX, η οποία περιορίζεται αποκλειστικά σε ακρίβεια INT8, παρουσιάζει σημαντική πτώση ακρίβειας. Το χάσμα αυτό αναδεικνύει την ανάγκη για τεχνικές κβαντοποίησης που προσαρμόζονται στο δυναμικό εύρος ανά επίπεδο και ανά τανυστή, συμπεριλαμβανομένης της επιλογής του πλάτους bit. Συνολικά, τα αποτελέσματα αυτά καθιστούν το προτεινόμενο σχήμα κβαντοποίησης σταθερής υποδιαστολής μια αποτελεσματική και φιλική προς το υλικό λύση για την ανάπτυξη μοντέλων RBF-KAN σε πλατφόρμες με περιορισμένους πόρους, όπως είναι τα ενσωματωμένα συστήματα.","abstract_html":"Τα Δίκτυα Kolmogorov-Arnold (KAN) εμφανίστηκαν πρόσφατα ως εναλλακτική στα παραδοσιακά multi-layer perceptron (MLP) μοντέλα, αντικαθιστώντας τις σταθερές συναρτήσεις ενεργοποίησης με εκπαιδεύσιμες. Η ανάπτυξή τους σε πλατφόρμες με περιορισμένους πόρους, ωστόσο, απαιτεί αποτελεσματική συμπίεση. Η παρούσα εργασία μελετά τη Συμμετρική Στατική Κβαντοποίηση Μετ’ Εκπαιδεύσεως εφαρμοσμένη σε μοντέλα KAN βασισμένα σε Συναρτήσεις Ακτινικής Βάσης (RBF-KAN), παρέχοντας θεωρητική ανασκόπηση των μεθόδων κβαντοποίησης μαζί με ανάλυση της αρχιτεκτονικής της οικογένειας RBF-KAN. Συγκρίνονται δύο προσεγγίσεις: (α) η βιβλιοθήκη PyTorch FX Graph Mode Quantization, και (β) ένας προσαρμοσμένος κβαντιστής σταθερής υποδιαστολής με υποστήριξη μικτής ακρίβειας, χρησιμοποιώντας συμμετρική αναπαράσταση συμπληρώματος ως προς 2 χωρίς μετατόπιση μηδενικού σημείου και κλίμακες δύναμης του 2. Και οι δύο προσεγγίσεις αξιολογούνται σε τρία σύνολα δεδομένων αυξανόμενης πολυπλοκότητας και διαφορετικού τύπου εργασίας: ταξινόμηση εικόνων (MNIST, CIFAR-10) και πολυδιάστατη παλινδρόμηση και ταξινόμηση σε πινακοποιημένα δεδομένα (Ship Performance Clustering). Και οι δύο επιτυγχάνουν ουσιαστική μείωση του μεγέθους του μοντέλου με ελάχιστη απώλεια ακρίβειας στις εργασίες ταξινόμησης. Στο πρόβλημα παλινδρόμησης, όμως, το προσαρμοσμένο σχήμα σταθερής υποδιαστολής διατηρεί ακρίβεια κοντά σε αυτή του μοντέλου κινητής υποδιαστολής, ενώ η τυπική προσέγγιση PyTorch FX, η οποία περιορίζεται αποκλειστικά σε ακρίβεια INT8, παρουσιάζει σημαντική πτώση ακρίβειας. Το χάσμα αυτό αναδεικνύει την ανάγκη για τεχνικές κβαντοποίησης που προσαρμόζονται στο δυναμικό εύρος ανά επίπεδο και ανά τανυστή, συμπεριλαμβανομένης της επιλογής του πλάτους bit. Συνολικά, τα αποτελέσματα αυτά καθιστούν το προτεινόμενο σχήμα κβαντοποίησης σταθερής υποδιαστολής μια αποτελεσματική και φιλική προς το υλικό λύση για την ανάπτυξη μοντέλων RBF-KAN σε πλατφόρμες με περιορισμένους πόρους, όπως είναι τα ενσωματωμένα συστήματα.","abstract_has_math":false,"creators":["ΧΑΡΑΛΑΜΠΕΛΗ ΚΩΝΣΤΑΝΤΙΝΑ ΣΟΦΙΑ","CHARALAMPELI KONSTANTINA SOFIA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-08-21T16:41:59Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5425166"],"render_values":[{"text":"uoadl:5425166","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5425166","outbound_label":"Repository record","outbound_source":"dc:identifier"},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5425166","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΧΑΡΑΛΑΜΠΕΛΗ ΚΩΝΣΤΑΝΤΙΝΑ ΣΟΦΙΑ","CHARALAMPELI KONSTANTINA SOFIA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5425166","https://pergamos.lib.uoa.gr/uoa/dl/object/5425166"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα Δίκτυα Kolmogorov-Arnold (KAN) εμφανίστηκαν πρόσφατα ως εναλλακτική στα παραδοσιακά multi-layer perceptron (MLP) μοντέλα, αντικαθιστώντας τις σταθερές συναρτήσεις ενεργοποίησης με εκπαιδεύσιμες. Η ανάπτυξή τους σε πλατφόρμες με περιορισμένους πόρους, ωστόσο, απαιτεί αποτελεσματική συμπίεση. Η παρούσα εργασία μελετά τη Συμμετρική Στατική Κβαντοποίηση Μετ’ Εκπαιδεύσεως εφαρμοσμένη σε μοντέλα KAN βασισμένα σε Συναρτήσεις Ακτινικής Βάσης (RBF-KAN), παρέχοντας θεωρητική ανασκόπηση των μεθόδων κβαντοποίησης μαζί με ανάλυση της αρχιτεκτονικής της οικογένειας RBF-KAN. Συγκρίνονται δύο προσεγγίσεις: (α) η βιβλιοθήκη PyTorch FX Graph Mode Quantization, και (β) ένας προσαρμοσμένος κβαντιστής σταθερής υποδιαστολής με υποστήριξη μικτής ακρίβειας, χρησιμοποιώντας συμμετρική αναπαράσταση συμπληρώματος ως προς 2 χωρίς μετατόπιση μηδενικού σημείου και κλίμακες δύναμης του 2. Και οι δύο προσεγγίσεις αξιολογούνται σε τρία σύνολα δεδομένων αυξανόμενης πολυπλοκότητας και διαφορετικού τύπου εργασίας: ταξινόμηση εικόνων (MNIST, CIFAR-10) και πολυδιάστατη παλινδρόμηση και ταξινόμηση σε πινακοποιημένα δεδομένα (Ship Performance Clustering). Και οι δύο επιτυγχάνουν ουσιαστική μείωση του μεγέθους του μοντέλου με ελάχιστη απώλεια ακρίβειας στις εργασίες ταξινόμησης. Στο πρόβλημα παλινδρόμησης, όμως, το προσαρμοσμένο σχήμα σταθερής υποδιαστολής διατηρεί ακρίβεια κοντά σε αυτή του μοντέλου κινητής υποδιαστολής, ενώ η τυπική προσέγγιση PyTorch FX, η οποία περιορίζεται αποκλειστικά σε ακρίβεια INT8, παρουσιάζει σημαντική πτώση ακρίβειας. Το χάσμα αυτό αναδεικνύει την ανάγκη για τεχνικές κβαντοποίησης που προσαρμόζονται στο δυναμικό εύρος ανά επίπεδο και ανά τανυστή, συμπεριλαμβανομένης της επιλογής του πλάτους bit. Συνολικά, τα αποτελέσματα αυτά καθιστούν το προτεινόμενο σχήμα κβαντοποίησης σταθερής υποδιαστολής μια αποτελεσματική και φιλική προς το υλικό λύση για την ανάπτυξη μοντέλων RBF-KAN σε πλατφόρμες με περιορισμένους πόρους, όπως είναι τα ενσωματωμένα συστήματα.","Kolmogorov-Arnold Networks (KANs) have recently emerged as an alternative to traditional multi-layer perceptrons (MLPs), replacing fixed activation functions with learnable ones. Deploying them on resource-constrained platforms, however, requires effective compression. This thesis studies Symmetric Post-Training Static Quantization applied to Radial Basis Function-based KANs (RBF-KAN), giving a theoretical overview of quantization methods alongside an analysis of the RBF-KAN architecture family. Two approaches are compared: (a) the PyTorch FX Graph Mode Quantization library, and (b) a custom fixed-point quantizer with mixed-precision support, using symmetric two’s-complement representation with zero zero-point and power-of-2 scales. Both approaches are evaluated on three datasets of increasing complexity and differing task type: image classification (MNIST, CIFAR-10) and multi-task regression and classification on tabular data (Ship Performance Clustering). Both achieve substantial model size reduction with minimal accuracy loss on the classification tasks. On the regression task, though, the custom fixed-point scheme keeps near-floating-point accuracy, while the standard PyTorch FX approach, which is limited to INT8, suffers a severe accuracy drop. This gap highlights the need for quantization schemes that adapt to per-layer, per-tensor dynamic range, including the choice of bit width itself. Overall, these results position the proposed fixed-point quantization scheme as an effective, hardware-friendly path for deploying RBF-KAN models on resource-constrained platforms such as embedded devices."]},{"key":"dc:title","label":"Title","values":["Symmetric Post-Training Static Quantization for Radial Basis Function-based Kolmogorov-Arnold Networks"]}]}],"canonical_facts":{"dc:creator":["ΧΑΡΑΛΑΜΠΕΛΗ ΚΩΝΣΤΑΝΤΙΝΑ ΣΟΦΙΑ","CHARALAMPELI KONSTANTINA SOFIA"],"dc:date":["2026"],"dc:description":["Τα Δίκτυα Kolmogorov-Arnold (KAN) εμφανίστηκαν πρόσφατα ως εναλλακτική στα παραδοσιακά multi-layer perceptron (MLP) μοντέλα, αντικαθιστώντας τις σταθερές συναρτήσεις ενεργοποίησης με εκπαιδεύσιμες. Η ανάπτυξή τους σε πλατφόρμες με περιορισμένους πόρους, ωστόσο, απαιτεί αποτελεσματική συμπίεση. Η παρούσα εργασία μελετά τη Συμμετρική Στατική Κβαντοποίηση Μετ’ Εκπαιδεύσεως εφαρμοσμένη σε μοντέλα KAN βασισμένα σε Συναρτήσεις Ακτινικής Βάσης (RBF-KAN), παρέχοντας θεωρητική ανασκόπηση των μεθόδων κβαντοποίησης μαζί με ανάλυση της αρχιτεκτονικής της οικογένειας RBF-KAN. Συγκρίνονται δύο προσεγγίσεις: (α) η βιβλιοθήκη PyTorch FX Graph Mode Quantization, και (β) ένας προσαρμοσμένος κβαντιστής σταθερής υποδιαστολής με υποστήριξη μικτής ακρίβειας, χρησιμοποιώντας συμμετρική αναπαράσταση συμπληρώματος ως προς 2 χωρίς μετατόπιση μηδενικού σημείου και κλίμακες δύναμης του 2. Και οι δύο προσεγγίσεις αξιολογούνται σε τρία σύνολα δεδομένων αυξανόμενης πολυπλοκότητας και διαφορετικού τύπου εργασίας: ταξινόμηση εικόνων (MNIST, CIFAR-10) και πολυδιάστατη παλινδρόμηση και ταξινόμηση σε πινακοποιημένα δεδομένα (Ship Performance Clustering). Και οι δύο επιτυγχάνουν ουσιαστική μείωση του μεγέθους του μοντέλου με ελάχιστη απώλεια ακρίβειας στις εργασίες ταξινόμησης. Στο πρόβλημα παλινδρόμησης, όμως, το προσαρμοσμένο σχήμα σταθερής υποδιαστολής διατηρεί ακρίβεια κοντά σε αυτή του μοντέλου κινητής υποδιαστολής, ενώ η τυπική προσέγγιση PyTorch FX, η οποία περιορίζεται αποκλειστικά σε ακρίβεια INT8, παρουσιάζει σημαντική πτώση ακρίβειας. Το χάσμα αυτό αναδεικνύει την ανάγκη για τεχνικές κβαντοποίησης που προσαρμόζονται στο δυναμικό εύρος ανά επίπεδο και ανά τανυστή, συμπεριλαμβανομένης της επιλογής του πλάτους bit. Συνολικά, τα αποτελέσματα αυτά καθιστούν το προτεινόμενο σχήμα κβαντοποίησης σταθερής υποδιαστολής μια αποτελεσματική και φιλική προς το υλικό λύση για την ανάπτυξη μοντέλων RBF-KAN σε πλατφόρμες με περιορισμένους πόρους, όπως είναι τα ενσωματωμένα συστήματα.","Kolmogorov-Arnold Networks (KANs) have recently emerged as an alternative to traditional multi-layer perceptrons (MLPs), replacing fixed activation functions with learnable ones. Deploying them on resource-constrained platforms, however, requires effective compression. This thesis studies Symmetric Post-Training Static Quantization applied to Radial Basis Function-based KANs (RBF-KAN), giving a theoretical overview of quantization methods alongside an analysis of the RBF-KAN architecture family. Two approaches are compared: (a) the PyTorch FX Graph Mode Quantization library, and (b) a custom fixed-point quantizer with mixed-precision support, using symmetric two’s-complement representation with zero zero-point and power-of-2 scales. Both approaches are evaluated on three datasets of increasing complexity and differing task type: image classification (MNIST, CIFAR-10) and multi-task regression and classification on tabular data (Ship Performance Clustering). Both achieve substantial model size reduction with minimal accuracy loss on the classification tasks. On the regression task, though, the custom fixed-point scheme keeps near-floating-point accuracy, while the standard PyTorch FX approach, which is limited to INT8, suffers a severe accuracy drop. This gap highlights the need for quantization schemes that adapt to per-layer, per-tensor dynamic range, including the choice of bit width itself. Overall, these results position the proposed fixed-point quantization scheme as an effective, hardware-friendly path for deploying RBF-KAN models on resource-constrained platforms such as embedded devices."],"dc:identifier":["uoadl:5425166","https://pergamos.lib.uoa.gr/uoa/dl/object/5425166"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Symmetric Post-Training Static Quantization for Radial Basis Function-based Kolmogorov-Arnold Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-08-21T16:41:59Z"}