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

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

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

本文在真实的表格式数据集上进行了 Kolmogorov-Arnold Networks (KANs) 和 Multi-Layer Perceptrons (MLPs) 的基准测试研究，结果显示 KANs 在处理复杂数据时表现出色，但相较于可比较大小的 MLPs，其计算成本较高。

Jun, 2024

我们通过对 MNIST、CIFAR10 和 CIFAR100 数据集进行多次试验，使用批量大小为32，证明了 Kolmogorov-Arnold Network（KAN）在视觉任务中的有效性。研究结果表明，KAN 在 CIFAR10 和 CIFAR100 上优于 MLP-Mixer，但稍逊于最先进的 ResNet-18。本研究揭示了 KAN 在图像分类任务中的潜力，并提出了进一步改进其性能的方向。

Jun, 2024

用可学习的正弦函数替代可学习的基本样条函数可以在MNIST基准测试中提供更好或相当的数值性能，并且速度提高了4-9倍。

Jul, 2024

通过对 Kolmogorov-Arnold 网络（KAN）的全面调查，我们对其理论基础、架构设计、应用场景以及当前研究进展有了深入的了解。KAN 凭借其独特的架构和灵活的激活函数，在处理复杂数据模式和非线性关系方面表现出色，展示了广泛的应用潜力。虽然仍然存在挑战，但 KAN 有望为各个领域的创新解决方案铺平道路，可能彻底改变我们处理复杂计算问题的方式。

Jul, 2024

本文探讨了科尔莫哥洛夫-阿诺德网络（KANs）在对抗条件下的鲁棒性，尤其是在图像分类任务中的表现。通过评估KANs对标准白盒对抗攻击的性能，并与传统神经网络架构进行比较，文章揭示了KANs在对抗性情况下的独特脆弱性，为未来在这一新兴领域的研究奠定了基础。

Aug, 2024

本研究提出了FC-KAN，一种运用常见数学函数组合的科尔莫哥洛夫-阿诺德网络，旨在解决低维数据处理中的功能组合问题。通过实验，FC-KAN在MNIST和Fashion-MNIST数据集上表现优于其他比较的模型，展示了函数组合在未来KAN设计中的潜力。

Sep, 2024

本研究解决了在数据稀缺环境下，多层感知器（MLPs）和 Kolmogorov-Arnold 网络（KANs）之间的有效性差异问题。通过引入具有参数化激活函数的 MLP 设计方法，研究表明在样本量仅为一百左右的情况下，个性化激活函数的 MLP 在预测准确性上显著优于 KAN，提供了关于激活函数选择对神经网络影响的新见解。

Sep, 2024