狂登Nature子刊！2025年KAN还是大势！

在人工智能领域，Kolmogorov-Arnold Networks（KAN）正成为一种极具潜力的创新技术。KAN的核心在于将激活函数置于网络的边（连接）上，而不是传统的节点上，并通过B样条函数进行参数化，使得网络能够以较少的参数量实现高精度的预测。这种设计不仅提高了模型的透明度和可解释性，还为科学研究提供了新的视角。KAN在多个领域展现出卓越性能，包括时间序列预测、图学习任务以及卷积神经网络的改进。

随着KAN技术的不断发展，其在人工智能各领域的应用前景将更加广阔。我整理了10篇关于【KAN】的最新相关论文，全部论文PDF版，工中号 沃的顶会 回复“10kan”即可领取。

AF-KAN：ACTIVATION FUNCTION-BASED KOLMOGOROV-ARNOLD NETWORKS FOR EFFICIENT REPRESENTATION LEARNING

文章解析 

文章针对KANs训练时间长和参数效率低的问题，提出AF-KAN。它基于ReLU-KAN进行改进，融入多种激活函数、函数组合及参数减少方法。

通过在MNIST和Fashion-MNIST数据集上实验，验证其性能优势，同时分析了模型的局限性与改进方向。

创新点 

拓展ReLU-KAN，引入多种激活函数及其组合，增强模型特征提取能力，改善ReLU-KAN对负输入处理的不足。

应用注意力机制和数据归一化方法降低参数数量，使AF-KAN在保持与MLP相似参数数量时，性能更具竞争力。

系统研究不同激活函数、函数类型、网格大小和样条阶数对模型性能影响，确定AF-KAN的最优配置。

研究方法 

理论改进：基于Kolmogorov-Arnold表示定理，改进网络结构，设计AF-KAN，明确其各组件原理与作用。

实验对比：以MNIST和Fashion-MNIST数据集为基础，对比AF-KAN与MLP、其他KANs的性能，设置相同参数和相同网络结构两种对比场景。

消融实验：对AF-KAN的激活函数、函数类型、网格大小、样条阶数和数据归一化等进行消融研究，探究各因素对模型性能的影响。

研究结论 

AF-KAN在近似参数数量下，性能显著优于MLP和其他KANs；在相同网络结构下，即便参数少6 - 10倍，仍能保持较高准确率。

确定了AF-KAN的较优配置，如SiLU激活函数、quad1函数类型、较小网格大小和三阶样条等，且数据归一化对提升模型性能至关重要。

AF-KAN存在训练时间长和FLOPs消耗多的问题，但通过优化有提升空间，未来可拓展到更多复杂任务和数据集上进行研究 。

Semi-KAN：KAN Provides an Effective Representation for Semi-Supervised Learning in Medical Image Segmentation

文章解析 

文章针对医学图像分割标注数据匮乏问题，提出Semi-KAN架构。

该架构结合CNN与KAN，在四个公开数据集上实验，证明其在半监督学习场景下性能卓越，为医学图像分割提供新方案，且提升了KAN在该领域的可解释性。

创新点 

首次将KAN应用于半监督医学图像分割，提出Semi-KAN架构，结合CNN局部特征与KAN高层语义特征提取能力。

设计多分支U-Net架构与不确定性估计一致性损失，平衡模型性能与计算成本，提升特征学习效果。

提出增强Semi-KAN可解释性的方法，解决医学图像分析中KAN可解释性应用的难题。

研究方法 

架构构建：设计基于KAN的U-Net管道，由卷积块和KAN-Conv块组成，利用共享编码器和多解码器结构。

实验对比：在多个公开数据集上，将Semi-KAN与前沿半监督学习方法对比，评估指标包括Dice分数、Jaccard指数等。

消融实验：探究激活函数、特征表示学习等对Semi-KAN性能的影响，验证模型各组件有效性。

研究结论 

Semi-KAN在四个数据集上表现出色，即使标注数据极少也能保持较高分割精度，超越多数对比方法。

架构中的可学习激活函数显著提升分割性能，多解码器架构和不确定性估计一致性损失有效增强特征表示学习。

该研究凸显KAN在半监督医学图像分割中的潜力，为医学图像分析领域提供了更有效的方法和思路。