该研究采用 Wavelet-based Kolmogorov-Arnold Network (wav-kan) 架构来进行高光谱图像分类，利用可学习的小波函数作为激活函数，实现对输入光谱特征的非线性映射，达到有效地捕捉多尺度空间和谱域模式的目的。实验结果表明，该方法在分类性能上优于传统的多层感知器和基于样条曲线的模型，并提出了进一步验证其泛化能力、捕捉尺度不变特征、降维技术对分类性能的影响、优化方法以及与其他同类模型比较的未来工作。

Jun, 2024

本论文介绍了 Wavelet Kolmogorov-Arnold Networks（Wav-KAN）在联邦学习中的开发和应用，并在客户端中实现了 Wav-KAN，通过连续小波变换和离散小波变换实现了多分辨率能力，帮助在客户端之间进行异构数据分布。通过在不同数据集上进行广泛实验，证明了 Wav-KAN 在可解释性、计算速度、训练和测试精度方面具有优越性。我们的联邦学习算法集成了基于小波的激活函数，通过权重、尺度和平移参数化，以提高本地和全局模型性能。结果显示，在计算效率、鲁棒性和准确性方面都有显著改进，突出了小波选择在可扩展神经网络设计中的有效性。

May, 2024

Kolmogorov-Arnold Networks (KANs) are proposed as alternatives to Multi-Layer Perceptrons (MLPs), outperforming them in terms of accuracy and interpretability, while possessing faster neural scaling laws; KANs have potential to improve current deep learning models.

Apr, 2024

通过将 Kolmogorov-Arnold Networks (KANs) 应用于时间序列预测，利用它们的自适应激活函数来增强预测建模能力。证明了在实际卫星流量预测任务中，KANs 相对于传统的多层感知机 (MLPs) 能够以更准确的结果和更少的可学习参数提供更好的性能。此外，还对 KAN-specific 参数的影响进行了深入研究，为自适应预测模型开辟了新的途径，强调了 KANs 作为强大预测分析工具的潜力。

May, 2024

这篇论文提出了卷积科尔莫戈洛夫 - 阿诺德网络（Convolutional KANs），这是标准卷积神经网络（CNN）的一种创新替代方法，我们将科尔莫戈洛夫 - 阿诺德网络（KANs）中的非线性激活函数集成到卷积中，构建出一个新的层。我们在 MNIST 和 Fashion-MNIST 基准测试中对 Convolutional KANs 的性能进行了实证验证，表明这种新方法在准确性方面保持了类似水平，同时只使用了一半的参数。这种参数量的显著减少打开了推进神经网络架构优化的新途径。

Jun, 2024

Kolmogorov-Arnold Networks (KAN) 是 MIT 团队最近提出的一种划时代的模型，提供了一种具有改变游戏规则潜力的创新方法。本文探讨了 KAN 在时间序列预测中的应用，并提出了两个变体：T-KAN 和 MT-KAN。实验证实了这些方法的有效性，证明了它们在时间序列预测任务中显著优于传统方法，不仅提高了预测准确性，还改善了模型的可解释性。

Jun, 2024

本研究探索了使用有理函数作为 Kolmogorov-Arnold 网络的基础函数，并提出了两种不同的方法，基于 Pade 逼近和有理 Jacobi 函数作为可训练的基础函数，建立了有理 KAN (rKAN)。然后，我们评估了 rKAN 在各种深度学习和物理推断任务中的性能，以证明其在函数逼近中的实用性和有效性。

Jun, 2024

我们引入了图科尔莫哥洛夫 - 阿诺德网络（GKAN），一种创新的神经网络架构，它扩展了最近提出的科尔莫哥洛夫 - 阿诺德网络（KAN）的原理，用于图结构化数据。通过采用 KAN 的独特特性，尤其是使用可学习的单变量函数而不是固定线性权重，我们为基于图的学习任务开发了一个强大的模型。

Jun, 2024

本文探讨了 Kolmogorov-Arnold Networks 在计算机视觉领域的应用，提出了参数高效的设计和微调算法，并在图像分类和分割任务中取得了最新成果。

Jul, 2024

研究使用具有固定网络拓扑结构的 Kolmogorov-Arnold 网络（KAN）作为传统多层感知器（MLP）架构的高效可解释替代方法，探讨了 KAN 中平滑性的相关性，并提出了在特定函数类中，具有平滑且结构知情的 KAN 可以达到与 MLP 相等的效果，从而减少训练所需的数据，并降低生成虚假预测的风险，从而提高计算生物医学模型的可靠性和性能。

May, 2024