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 Manchester Literary and Philosophical Society 90%
- instance of Influence Flower 90%
- developed ScienceCast 90%
- instance of B-spline 90%
- instance of alphaXiv 90%
- developed CatalyzeX Code Finder for Papers 90%
- instance of Gotit.pub 90%
- competes with multilayer perceptron 80%
- used by ScienceCast 70%
- used by alphaXiv 70%
- instance of Kolmogorov-Arnold representation theorem 70%
- competes with Multi-Layer Perceptrons 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
14 天有情绪数据
-
Core-KAN：基于Kolmogorov-Arnold网络的连续视觉核发布
研究人员推出Core-KAN，一种新颖的连续卷积算子，旨在增强计算机视觉任务。该算子基于Kolmogorov-Arnold网络，将几何尺度自适应与内容相关的滤波解耦，从而能够更灵活、更高效地处理各种分辨率下的图像特征。Core-KAN通过预测局部尺度并构建尺度条件核响应，在任意分辨率下合成空间滤波器，以最小的开销超越了现有的卷积和动态核基线。
-
新型极坐标MKAN架构增强了可解释的射频指纹识别
研究人员推出了一种新颖的深度学习架构——极坐标单调Kolmogorov-Arnold网络（Polar MKAN），该架构专为可解释的射频（RF）指纹识别而设计。该方法旨在通过确保每个潜在维度仅与幅度或相位相关联，来克服安全关键应用中传统深度学习模型的模糊性。在基准测试中，与现有方法相比，Polar MKAN在解耦方面表现出显著的改进，实现了57.2%的DCI解耦，而基线方法的最高解耦率为12.9%。
-
新的KAN方法解剖了Pythia-Herwig在物理事件生成中的差异
研究人员开发了一种新的方法，使用加性Kolmogorov-Arnold网络（KANs）来分析高能物理事件生成器（如Pythia和Herwig）之间的差异。这种方法允许分阶段的功能分析，将差异分解到模拟的各个层面，从硬散射到强子化。研究发现，多重性的差异在淋浴层面很突出，而在强子化后，喷流质量和形状变得更加重要，在完整的生成器配置中出现混合结构。这个基于KAN的框架提供了生成器模型依赖性的详细功能解剖，揭示了持续的结构和支持失败。
-
ER-KANs：新型AI架构提升数据稀疏科学机器学习的鲁棒性
研究人员推出了一种新型科尔莫戈罗夫-阿诺德网络ER-KANs，专为数据稀疏的科学机器学习任务设计。与现有的ChebyKAN和标准KAN等变体不同，ER-KANs在面对嘈杂训练数据时表现出显著提高的鲁棒性。其性能的提升归因于三个关键设计选择：共享高斯RBF基、训练过程中的课程噪声注入以及熵加权自适应正则化。在适度噪声条件下，ER-KANs的准确性可与标准MLP媲美，并且随着噪声水平的增加，其性能下降更为平缓，使其成为数据常不完美的现实科…
-
新的CNQ框架确保生存预测的有效排序
研究人员开发了一个名为 Censored Non-crossing Quantile (CNQ) 的新框架用于生存分析，旨在解决现有方法在处理删失数据方面的局限性。该框架确保估计的分位数曲线在逻辑上保持一致和有序，相比之前的方法有了显著改进。CNQ框架利用了Kolmogorov-Arnold网络和Transformer骨干网络，并在各种模拟设置和真实世界数据集（包括METABRIC和FLCHAIN）中，在pinball损失和区间覆盖率…
-
Kolmogorov-Arnold Networks 在卫星陆地分类中显示出潜力
研究人员评估了 Kolmogorov-Arnold Networks (KANs) 在使用多光谱卫星图像进行陆地分类方面的有效性。在一项研究中，研究人员将 KANs 与随机森林和多层感知器模型在加拿大艾伯塔省的 Landsat 8 数据上进行了比较，结果显示 KANs 的准确性与随机森林相当，并且优于 MLPs。值得注意的是，KANs 在可训练参数少得多的情况下实现了这一性能，并提供了更高的可解释性。
-
新AI模型提供高效、私密的生物信号学习
研究人员开发了一种混合量子启发式Kolmogorov-Arnold网络（HQKAN），用于生物信号数据的隐私感知联邦学习。该新网络使用MIT-BIH和INCART数据集的ECG数据，针对心律失常分类与传统多层感知机（MLP）进行了评估。与MLP基线相比，HQKAN在聚合和少数类指标方面表现出改进的性能，同时显著减少了可训练参数和通信成本。
-
SineKAN：在Kolmogorov-Arnold网络中探索正弦激活函数
研究人员探索了在Kolmogorov-Arnold网络（KANs）这一新颖的神经网络架构中使用正弦激活函数。这项研究发表在arXiv论文和GitHub仓库上，旨在探究用正弦函数替换传统的B样条是否能带来性能提升。该工作还指向了一篇关于该主题的同行评审出版物。
-
高斯KANs的准确性和可靠性得到提升
研究人员开发了一种方法，通过系统分析尺度参数\(\epsilon\)的影响来提高高斯Kolmogorov-Arnold网络（KANs）的可靠性和准确性。该研究确定了一个实用的\(\epsilon\)操作区间，可以增强第一层特征的可区分性，这对于网络的整体性能至关重要。这项研究为高斯KANs提供了一个稳定的设计规则，并证明了其在各种问题类型和维度上的有效性。
-
HYDRA架构通过双曲几何增强Kolmogorov-Arnold网络
研究人员开发了HYDRA，一种通过结合双曲几何来扩展Kolmogorov-Arnold网络（KANs）的新架构。这种方法旨在减少KANs中的参数冗余，这会限制它们的扩展性和效率。HYDRA将输入映射到双曲潜在空间，并使用低秩原型块来共享函数变换，从而在保持各种基准测试中具有竞争力的预测性能的同时，提高了参数效率和可解释性。
-
新的FS-JEPA方法提升了用于医学图像分割的KAN · 跟踪2个来源
研究人员开发了一种名为函数空间联合嵌入预测学习（FS-JEPA）的新方法，以提高Kolmogorov-Arnold网络（KANs）在医学图像分割中的性能。该方法通过在聚合之前预测其行为的结构化签名来训练单个KAN边缘函数，提供了比以前的方法更具信息量的学习目标。在五个基准上的实验表明，FS-JEPA取得了最佳的平均Dice分数，比现有的基于KAN的方法提高了2.25个百分点。
-
KANResDiff 使用 Kolmogorov-Arnold 网络进行模糊医学图像分割
研究人员开发了 KANResDiff，一种用于模糊医学图像分割的新方法，该方法利用 Kolmogorov-Arnold 网络学习局部残差扩散。该方法为扩散过程的不同阶段分配了不同的作用，从而改进了语义建模。关键创新包括用于基于样条的时间嵌入的独立时间编码 (Independent Time Encoding) 和用于灵活确定性-随机交互的残差薛定谔桥 (Residual Schrodinger Bridge)。KANResDiff 在…
-
新型QCPIKAN模型结合量子和经典计算求解模糊微分方程
研究人员推出了一种新颖的量子-经典物理信息Kolmogorov-Arnold网络（QCPIKAN），旨在求解模糊微分方程。该混合网络集成了ChebyKAN模块和参数化量子电路，接受时空坐标和隶属度水平作为输入。它同时近似\alpha-截断的端点函数，并将控制方程和边界条件纳入其训练目标。理论分析表明，当量子纠缠增益超过额外的计算误差时，QCPIKAN比其前身PIKAN具有更小的先验误差界，这在各种微分方程的数值实验中得到了证明。
-
新的K-DAREK框架为神经网络提供可靠的最坏情况误差界限
研究人员开发了一个名为K-DAREK的新框架，用于神经网络，旨在为安全关键型应用提供可靠的最坏情况误差界限。该方法将密集层与基于样条的组件相结合，以确保不确定性估计既具有距离感知性（随着与训练数据的距离增加而增加），又能提供确定性保证。与Kolmogorov--Arnold Networks (KANs)和高斯过程等现有方法相比，K-DAREK在速度和计算效率方面表现出显著的改进，同时在实验中还减少了误差界限违规和碰撞率。
-
流匹配模型在生成和效率方面得到增强 · 跟踪 5 个来源
研究人员正在通过整合已知的物理原理和提高训练效率来推进流匹配模型在生成任务中的应用。一种方法，能量引导流匹配 (EG-FM)，使用移动的终点和自适应调度来逐步揭示高频细节，在图像生成方面取得了最先进的 FID 分数。另一种方法，幅度-方向解耦 (MDD)，通过使用轻量级模型进行幅度和方向引导来加速视频生成，在保持质量的同时显著提高了速度。此外，一种称为 StructFlow 的新技术将空间局部性编码到源分布中，从而实现了细粒度的局部编…
-
新的TravKAN框架提供更快、更可解释的机器人导航
研究人员开发了TravKAN，一个利用Kolmogorov-Arnold网络进行自主机器人可通行性分析的新框架。与现有的深度学习模型相比，这种方法提供了更快的处理速度和更高的可解释性。TravKAN还整合了源自LiDAR反射率数据的新型手工特征，这些特征能够捕捉材料和表面属性。该系统在真实世界数据集上表现强劲，准确性接近XGBoost，同时提供了一个更透明、计算效率更高的分析模型，适用于安全关键型应用。
-
新框架通过分段仿射抽象优化神经网络验证
研究人员开发了一个新的框架，用于验证使用非线性激活函数的神经网络。该方法构建了网络优化的分段仿射抽象，用更简单的分段仿射函数和有界误差项替换复杂的激活函数。采用动态规划算法来寻找最优抽象，平衡分段数量、全局误差和验证复杂度。该方法适用于包括多层感知机和Kolmogorov-Arnold网络在内的各种网络架构，并在基准测试中展示了更紧密的输出界限。
-
Kolmogorov-Arnold网络在FTN信号检测中优于MLP
一篇新的研究论文比较了多层感知器（MLP）和Kolmogorov-Arnold网络（KAN）在检测更快于奈奎斯特（FTN）信号方面的有效性。该研究生成了一个包含近四百万个标记窗口的大型数据集，用于加性高斯白噪声下的FTN BPSK检测。结果表明，KAN的性能显著优于MLP，在参数数量大大减少的情况下实现了更低的比特误码率。
-
在嵌入式RISC-V上，KAN比MLP更慢、成本更高
一篇新的研究论文评估了在嵌入式RISC-V系统上，硬约束循环物理信息神经网络（HRPINNs）中Kolmogorov-Arnold网络（KANs）与传统多层感知机（MLPs）的部署成本。研究发现，尽管KANs在训练时参数效率更高，但在RISC-V RV64GC平台上部署时，其每个积分步的速度明显更慢，能耗也更高。此外，KANs在INT8量化下表现出较低的可靠性，轨迹比同类MLPs更早发散，这表明MLPs对于嵌入式HRPINN应用仍然是…
-
揭示新的KAN压缩和二值KAN恢复技术
研究人员开发了SparseKAN，一种通过减少基函数、神经元和数值精度来压缩Kolmogorov-Arnold网络（KANs）的方法。该方法旨在通过移除冗余参数而不牺牲准确性来提高KANs的效率，在软件和硬件性能方面均有显著改进。另外，另一篇研究论文介绍了BiKAN，该方法通过使用Walsh字符恢复二值KANs中的基函数来解决二值KANs的崩溃问题，从而在各种基准测试中提高了准确性和硬件效率。