2025一区新风口：小波变换+KAN！定会顶刊轻松发！

“KAN+小波变换”是一种结合了Kolmogorov-Arnold网络（KAN）和小波变换的神经网络架构，主要用于提升模型的可解释性和性能。

我还整理出了相关的论文+开源代码，以下是精选部分论文

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】

论文1

标题：

FC-KAN: Function Combinations in Kolmogorov-Arnold Networks

Kolmogorov-Arnold网络中的函数组合

方法：

• 函数组合：提出了一种新的Kolmogorov-Arnold网络（FC-KAN），通过在低维数据中组合流行的数学函数（如B样条、小波和径向基函数）来捕捉输入数据的特征。

• 多种组合方法：探索了多种函数输出的组合方法，包括求和、逐元素乘积、求和与乘积的组合、二次和三次函数表示、连接以及连接后的线性变换等。

创新点：

• 函数组合的性能提升：通过组合B样条和高斯差分（DoG）的输出，FC-KAN在MNIST数据集上达到了97.93%的验证准确率，在Fashion-MNIST上达到了89.99%的验证准确率，显著优于其他KAN网络和MLP。

• 低维数据的高效利用：通过在低维数据（如输出层）中进行函数组合，避免了高维数据计算带来的内存错误和效率问题。

• 多种组合方法的探索：发现使用二次函数表示的组合方法在性能上优于其他组合方法，同时保持了较低的训练时间。

• 模型性能的提升：FC-KAN在训练损失和验证准确率上均优于其他KAN网络和MLP，尤其是在处理图像分类任务时表现更为突出。

论文2

标题：

Wav-KAN: Wavelet Kolmogorov-Arnold Networks

小波Kolmogorov-Arnold网络

方法：

• 小波函数集成：提出了一种新的神经网络架构Wav-KAN，将小波函数集成到Kolmogorov-Arnold网络结构中，用于高效地捕捉输入数据的高频和低频成分。

• 多分辨率分析：利用离散小波变换（DWT）进行多分辨率分析，避免了重新计算前面步骤的细节，并结合了数据点密集区域的局部详细信息和稀疏区域的全局趋势。

创新点：

• 性能提升：Wav-KAN在训练速度和测试准确率上均优于Spl-KAN和MLP。例如，使用Derivative of Gaussian（DoG）小波时，Wav-KAN的测试准确率显著高于Spl-KAN。

• 多分辨率分析的优势：通过小波的多分辨率分析能力，Wav-KAN能够更好地处理高频和低频数据，避免了过拟合到噪声的问题。

• 参数效率：与Spl-KAN相比，Wav-KAN在参数数量上更少，且训练速度更快，尤其是在处理高维数据时表现出更高的效率。

• 小波选择的重要性：实验结果表明，不同小波函数的选择对模型性能有显著影响，如Mexican hat和Morlet小波在MNIST数据集上表现出色。

论文3

标题：

A comprehensive survey on Kolmogorov Arnold networks (KAN)

Kolmogorov-Arnold网络的综合综述

方法：

• Kolmogorov-Arnold表示定理：基于Kolmogorov和Arnold的定理，将多变量连续函数表示为有限数量的单变量函数的叠加。

• 网络架构设计：引入可学习的单变量函数替代传统神经网络中的固定线性权重，增强模型的灵活性和可解释性。

创新点：

• 灵活性提升：通过引入可学习的单变量函数，KAN能够动态调整激活函数，适应不同的数据模式，显著提升了模型的灵活性。

• 高维数据处理能力：在处理高维数据时，KAN表现出更高的准确性和效率，例如在高光谱图像分类和时间序列分析中优于传统方法。

• 可解释性增强：KAN的可学习激活函数使得模型的内部机制和决策过程更加直观，提升了模型在需要高可解释性的领域的适用性，如医学诊断和金融预测。

• 参数优化：与传统神经网络相比，KAN显著减少了参数数量，例如卷积KAN（Conv-KAN）在保持高准确率的同时，参数数量仅为传统卷积神经网络（CNN）的一半

论文4

标题：

A new method for classifying colon cancer patients and healthy people from FTIR signals using wavelet transform and machine learning techniques

一种基于小波变换和机器学习技术从FTIR信号中分类结肠癌患者和健康人的新方法

方法：

• 小波变换：使用小波变换将FTIR信号分解为不同的子带，提取每个子带的统计特征。

• 特征提取：从FTIR信号的子带中提取多种统计特征，包括熵、标准差、平均绝对值、简单平方积分、波形长度、最大最小值差和零交叉数。

创新点：

• 分类性能提升：通过小波变换提取的特征，使用SVM分类器达到了97.14%的分类准确率，显著高于传统方法。

• 信号完整性分析：与以往研究不同，该方法直接对FTIR信号的整体进行分析，而不是仅依赖于特定的峰值或比率，从而保留了信号中更多的信息。

• 快速决策：通过测量液体形式的血浆样本，避免了样本干燥所需的时间，加快了决策过程。

• 多特征综合分析：结合多种统计特征进行分类，提高了模型对复杂信号的识别能力，尤其是在1800-1300 cm^-1波数范围内的分类性能。

 

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】