标签
该论文提出 SW-KAN，一种基于 Stieltjes-Wigert q-正交多项式的 Kolmogorov-Arnold 网络，通过指数-tanh 域映射和 O(N) 三递推计算，在图像分类与函数逼近任务中实现更优的精度-效率权衡。
FlashKAN提出了一种加速柯尔莫哥洛夫-阿诺德网络（KANs）的方法，通过将Cox-de Boor递归替换为截断幂形式来评估B样条，提供了融合的GPU实现和一个开源包。
RecKAN 为 Kolmogorov-Arnold 网络引入了可学习的递归多项式基，在分类和预测任务上超越了现有的 KAN 变体。
介绍了通过 Banach 对偶性学习边几何的几何约束 Kolmogorov-Arnold 网络，在符号回归任务中展示了优越性能，特别是在测量噪声下。
ER-KAN 是一种新的 Kolmogorov-Arnold 网络变体，专为数据稀缺且有噪声的科学机器学习设计，在鲁棒性和效率方面优于现有 KAN 变体。
本文介绍了一种用于隐私保护联邦 ECG 数据学习的混合量子启发式 Kolmogorov-Arnold 网络，与传统 MLP 相比，在减少参数和通信成本的同时，提高了分类指标。
SineKAN 提出了一种基于正弦激活函数的 Kolmogorov-Arnold 网络变体，在基准任务上，与基线 KAN 模型相比，显示出相当或更好的性能，并有显著的速度提升。
SparseKAN is a unified compression method for Kolmogorov–Arnold Networks that prunes basis functions, neurons, and numerical precision under learnable gates, achieving up to 73% parameter reduction and significant latency improvements on software and FPGA hardware.
本文在嵌入式RISC-V平台上评估了Kolmogorov–Arnold网络（KAN）与MLP作为硬约束循环物理信息网络中残差分支的性能，发现KAN运行更慢、能耗更高，且在INT8量化下可靠性较低。
本文针对基于QKAN的快速权重编程器引入了互补矩阵门控（CMG），实现了坐标级记忆控制，用于量子动力学预测。该方法在量子仿真基准上展现出持续的改进和低均方误差。
本文提出LFS-FRAME，一种无泄漏的堆叠集成框架，结合Kolmogorov-Arnold网络与XGBoost实现稳健的多类分类，在主要类别上达到89.85%的准确率，在子类别上达到81.74%。
SechKAN 是一种新颖的 Kolmogorov-Arnold 网络架构，使用双曲正割函数作为基函数，在函数拟合、偏微分方程问题和图像分类任务中取得了具有竞争力的性能，同时保持了与多层感知机相当的参数效率。
本文评估了Kolmogorov--Arnold网络（KAN）作为可解释组件以及Transformer前馈网络在小语言模型中的替代方案，发现虽然KAN提供了实用的审计接口，但与MLP基线相比，它们并未显示出持续一致的基准优势。
本研究对Kolmogorov-Arnold网络（KANs）和多层感知器（MLPs）在结构化表格分类任务上进行了实证比较，发现KANs在统计上优于MLPs，但计算成本更高。
本文介绍了STKAN，一种集成泰勒多项式Kolmogorov-Arnold网络模块以实现空间和时间令牌混合的时空预测架构。在五个交通基准上的实验显示出竞争性表现，表明非线性函数逼近器可以补充架构设计。
提出几何感知R结构KAN（GRS-KAN），一种将R函数集成到KAN中以编码几何和逻辑约束的混合神经架构，在含不连续性的回归基准上实现了高达67%的RMSE降低。
本文介绍了受Kolmogorov-Arnold网络启发的低功耗模拟神经网络，在连接上放置可训练的非线性函数，使其能够以远少于多层感知器的节点和连接高效执行连续控制任务，并在硬件上演示，预计功耗仅为微瓦级。
本文介绍了作者的硕士论文，该论文利用Kolmogorov-Arnold网络（KAN）在FPGA上实现超快机器学习，通过自定义硬件架构实现亚微秒级推理和在线学习。文章引用了两篇已接收的论文：基于LUT评估的KANELÉ（FPGA 2026最佳论文奖）以及一种在FPGA上进行在线学习的方法（ICML 2026）。
本文系统地探索了混合 KAN 和 MLP 架构用于基于 IMU 的人类活动识别，相比纯 MLP 基线实现了 5.33% 的平均宏 F1 改进。
本文首次建立了使用小批量SGD和带有相关噪声的DP-SGD训练的Kolmogorov-Arnold网络的总体风险界，推动了在隐私敏感领域对KAN的理论理解。