Kolmogorov-Arnold Networks
PulseAugur coverage of Kolmogorov-Arnold Networks — every cluster mentioning Kolmogorov-Arnold Networks across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- instance of Gotit.pub 90%
- instance of ScienceCast 90%
- instance of Manchester Literary and Philosophical Society 90%
- instance of Kolmogorov-Arnold representation theorem 90%
- instance of Influence Flower 90%
- instance of CatalyzeX 90%
- developed ScienceCast 90%
- instance of B-spline 90%
- developed CatalyzeX Code Finder for Papers 90%
- instance of Chebyshev 90%
- affiliated with Kolmogorov-Arnold representation theorem 70%
- 2026-08-12 research_milestone A new method, FS-JEPA, was proposed to improve KANs for medical image segmentation, achieving state-of-the-art results. 来源
8 天有情绪数据
-
新的KANSteer方法模拟文本到图像模型中的非线性概念遍历
研究人员提出了一种新的文本到图像模型解释方法KANSteer，该方法超越了线性表征假设。该假设认为概念被编码为激活空间中的线性方向，但新研究表明，从毛毛虫到蝴蝶等自然概念演变通常是非线性的。KANSteer利用Kolmogorov-Arnold网络（KANs）将这些概念遍历建模为曲线，从而实现更平滑、更具可解释性的中间属性引导。
-
Kolmogorov-Arnold网络在扩展性、偏微分方程和可解释性方面展现出潜力 · 跟踪3个来源
研究人员正在探索Kolmogorov-Arnold网络（KANs）的能力和理论基础，这是一种替代传统多层感知器（MLPs）的方法。一项研究调查了KANs的神经扩展定律以及它们的可学习激活函数如何随着数据集的扩展而演变，发现图像分类和科学回归任务具有不同的扩展行为。另一篇论文将KANs应用于求解自由边界偏微分方程，证明了与物理信息神经网络相比，它们在准确解析复杂区域和界面方面的有效性。第三篇论文通过检查Fisher Simplicity…
-
新的物理信息方法自适应地为复杂方程构建函数表示
研究人员开发了一种新颖的物理信息群组数据处理方法（PI-GMDH），该方法能够自适应地构建函数表示来求解复杂的物理方程。该方法在求解过程中逐步构建表示，评估候选函数方向并优化系数。在不可压缩Navier-Stokes方程的Taylor Green基准测试中，PI-GMDH取得了高度精确的结果，并且与传统的物理信息神经网络和Kolmogorov-Arnold网络相比，所需的活跃函数数量更少。
-
SW-KAN架构通过新的多项式基增强Kolmogorov-Arnold网络
研究人员推出了一种新颖的Kolmogorov-Arnold网络（KAN）架构SW-KAN，该架构利用了Stieltjes-Wigert q-正交多项式。通过在半无限域上定义多项式，该方法解决了先前基于多项式的KAN中存在的域不匹配问题。SW-KAN采用平滑映射来弥合域差距，并使用稳定的递推关系进行高效的多项式评估。实验表明，SW-KAN在图像分类和函数逼近等任务中提供了卓越的准确性-效率权衡，尤其是在资源受限的环境中。
-
DiFF框架利用多普勒线索进行精确人体运动流估计
研究人员开发了DiFF，一个用于从稀疏且嘈杂的4D毫米波雷达数据估计人体运动流的新生成框架。该方法将多普勒速度线索与基于Kolmogorov-Arnold Network (KAN)的条件流匹配模型相结合。DiFF利用KAN注意力机制进行特征提取，并通过先验引导的生成过程来规范化估计，在真实世界数据集上取得了最先进的结果，并在mmBody基准测试中将3D端点误差降低到毫米级别。
-
新框架统一了六种范式下的55个高光谱图像模型
一份新的技术报告介绍了一个名为“高光谱图像模型”的框架，该框架旨在标准化和统一高光谱遥感深度学习模型的发展。该框架整合了六种主要范式下的55个模型，包括CNN、Vision Transformers和Mamba，以及来自各种传感器的24个基准数据集。该倡议旨在通过提供一个通用注册表、标准化的数据适应和稳健的评估方法来防止准确性指标虚高，从而解决该领域的碎片化和不一致问题。
-
受量子启发的QiKAN模型在中子监测器时间序列预测中领先
一篇新研究论文探讨了用于Lomnicky Stit中子监测器时间序列数据预测的各种模型。该研究将简单的季节性基线与LSTM、TCN、N-BEATS和Kolmogorov-Arnold Networks (KAN)等先进的深度学习架构，以及两种受量子启发的变体QiLSTM和QiKAN进行了比较。结果表明，受量子启发的QiKAN模型实现了最低的预测误差，尽管基本的Seasonal Naive模型也表现出竞争力。研究结果表明，具有强大季节性…
-
新方法恢复了高维KANs中的距离感知能力
研究人员发现，Kolmogorov网络（KANs）中的不确定性量化方法Distance-Aware Error for Kolmogorov Networks (DAREK) 存在一种失效模式。在高维设置下，DAREK会产生“虚假节点”，在远离训练数据的地方错误地报告低不确定性，违反了距离感知保证。提出了一种新的“排水”机制，通过将不确定性引导至真实节点来恢复这些保证，在测试数据集上将样本距离感知能力从85%提高到98-99%。
-
Kolmogorov-Arnold网络在HPC训练中表现出强大的可扩展性
一篇新的研究论文分析了Kolmogorov-Arnold网络（KANs）在高性能计算系统上训练的可扩展性。该研究在FinisTerrae III超级计算机上进行，使用了多达8个NVIDIA A100 GPU，发现KAN训练实现了显著的并行效率，可与传统的深度学习工作负载相媲美。研究还分析了通信开销和模型大小扩展性，为最佳GPU拓扑和模型选择提供了部署指南。
-
新论文探讨了不连续函数的Kolmogorov-Arnold稳定性
一篇新论文探讨了Kolmogorov-Arnold表示定理（KART）应用于不连续和无界函数时的稳定性。该研究专门调查了隐藏层的对抗性重新参数化如何影响这种稳定性。研究结果旨在为深度学习架构（如Kolmogorov-Arnold网络（KANs））在对抗性配置下的弹性提供更强的数学基础。
-
新AI框架通过联合概率建模预测临床轨迹
研究人员开发了PGP-Clinical-TimeKAN，这是一个通过联合预测多变量生理数据来预测临床轨迹的新颖框架。该方法结合了缺失感知时间编码器、器官系统先验和非线性消息传递来模拟患者特异性关系。虽然它在降低MIMIC-IV数据上的归一化平均绝对误差和均方根误差方面取得了强劲的性能，但其轨迹推导的风险评分不如专用分类器有效，这表明准确的生理预测本身并不能保证校准的事件检测器。
-
开发者发布带有 KANs 的 RWKV-7 适配器，用于忠实重写散文
一位开发者为 RWKV-7 语言模型创建了一个名为 RWKV-7 KAN Humanizer v7.2 的开源适配器，旨在提高散文的可读性而不改变事实内容。该适配器利用集成到 RWKV-7 前馈块中的 Kolmogorov-Arnold 网络 (KANs)，可以在保持基础模型冻结的情况下，专注于学习重写行为。该项目以 Apache-2.0 许可证发布，包含适配器权重、配置和评估说明，强调负责任地用于忠实重写和研究。
-
新AI框架通过可信置信度分数增强可解释目标检测
研究人员开发了一种新颖的可解释目标检测框架，结合了Kolmogorov-Arnold网络和视觉语言基础模型。该方法旨在通过提高其置信度分数可靠性的透明度来增强AI系统的可信度，尤其是在具有挑战性的视觉条件下。该系统利用Kolmogorov-Arnold网络作为可解释的代理模型，来模拟YOLOv10检测的可信度，并可视化各种特征的影响。此外，BLIP基础模型生成场景描述，创建了一个轻量级多模态接口。在COCO和巴斯大学校园图像上的实验表…
-
新型Transformer框架可无创预测血压
研究人员开发了一种新颖的混合Transformer框架，旨在无创地连续预测血压。该框架利用生理和人口统计学特征序列，而非原始波形，来估算舒张压和收缩压。该系统在MIMIC-III数据库上取得了有希望的结果，实现了低误差率和窄的一致性限度，预示着未来临床应用的潜力。
-
FlashKAN通过融合GPU内核加速Kolmogorov-Arnold网络
研究人员推出FlashKAN，一种新颖的Kolmogorov-Arnold网络（KANs）实现方式，显著加快了前向传播计算。通过用截断幂形式和融合GPU内核替换传统的Cox-de Boor递归，FlashKAN消除了递归操作和跨度查找。新方法还结合了有界坐标稳定技术，以防止数值不稳定，并提供开源包，便于集成。
-
RecKAN引入可学习递归多项式基以增强神经网络
研究人员推出了一种新颖的Kolmogorov-Arnold网络（KAN）方法RecKAN，该方法增强了其学习复杂函数的能力。与使用固定基函数的可学习函数的前代KAN变体不同，RecKAN定义了一个递归多项式基，其系数与网络一同学习。这使得RecKAN能够根据特定问题调整其基函数，超越了经典多项式族的局限性。在包括图像分类和时间序列预测在内的各种数据集上的实验表明，RecKAN在需要复杂局部结构的任务中，其性能优于现有的KAN基线和标准的MLP头。
-
探索 Kolmogorov-Arnold 网络对对抗性平移的鲁棒性
一篇新论文探讨了当 Kolmogorov-Arnold 表示定理 (KART) 应用于神经网络（特别是 Kolmogorov-Arnold 网络 (KANs)）时的鲁棒性。该研究为使用固定的分段线性内函数进行近似表示提供了构造性证明。一项关键发现是开发了一个单一的外函数，该函数在所有被加数中保持不变，并且独立于对抗性平移，前提是事先知道其最大界限。
-
新AI框架通过多尺度图像分析增强儿童肿瘤诊断
研究人员开发了CoPath，一个用于通过病理图像精确轻量级诊断周围神经母细胞瘤（pNTs）的新型框架。CoPath集成了CoHisNet，一个利用Kolmogorov-Arnold网络改进非线性特征建模的多尺度特征融合网络，以及PathVote，它结合了病理学先验信息将斑块级预测聚合为全切片图像决策。该方法解决了儿童肿瘤队列有限、组织学异质性和计算负担等挑战，与现有方法相比，在较低的复杂度下实现了有竞争力的性能。
-
几何约束KAN学习符号回归的自适应边缘函数
研究人员开发了几何约束的Kolmogorov-Arnold网络（KANs），通过标量指数'p'学习边缘几何。这种方法允许自适应响应，根据学习到的指数，从尖锐的、阈值状的行为到更平坦的曲线。在50个符号回归任务中，这些几何约束KANs，特别是Banach-KAN变体，在中值NRMSE方面与固定基线方法相当或超越了它们，并在测量噪声和少样本情况下表现出更优越的稳定性。学习到的指数还为目标依赖的几何排序提供了可解释的见解。
-
新基准评估Kolmogorov-Arnold网络在对抗性攻击下的鲁棒性
研究人员开发了KAN-Robust-Bench，一个旨在评估Kolmogorov-Arnold网络（KANs）在对抗性规避攻击下的鲁棒性的新基准。该研究探索了认证鲁棒性和经验鲁棒性，应用了随机平滑和区间界传播的数学基础来评估{l}2-认证鲁棒性。该基准系统地测试了各种KAN架构和防御策略，以应对FGSM、PGD和C&W等常见攻击，从而确定安全性的最佳配置。