Kolmogorov-Arnold Networks：基于TensorFlow的可解释神经网络新架构

本文介绍了新兴神经网络架构KAN，它用可学习的边激活函数替代传统MLP的固定节点激活函数。本项目提供基于TensorFlow的清晰实现，专注于可解释性与教育价值，帮助理解这一架构的内在机制。

多层感知机（MLP）是深度学习的基础构件，但固定的节点激活函数限制了表达能力且难以解释。2024年提出的KAN灵感源于Kolmogorov-Arnold表示定理，该定理指出任何多元连续函数可表示为单变量连续函数的有限组合。

边激活vs节点激活

传统MLP节点执行加权求和后应用固定非线性激活，边仅传递线性信号；KAN节点仅执行简单求和，边上包含可学习的激活函数（常用B样条参数化），每个边可学习不同模式。

B样条参数化优势

1. 局部支撑性：控制点仅影响局部区域，便于精细调整
2. 平滑性：高阶B样条具有良好光滑性质
3. 可解释性：学习到的激活函数可直接可视化分析

本项目实现重点在教育价值，核心组件是KANLinear层：

• 关键参数：输入输出特征维度、网格大小、样条阶数、正则化系数等
• 核心方法：初始化B样条网格、计算线性与样条变换的组合输出等 B样条基函数通过Cox-de Boor递归公式计算，支持边界扩展处理输入超范围情况。KAN类堆叠多个KANLinear层形成完整网络。

主要优势

1. 相同参数量下拟合精度优于MLP
2. 可解释性强（激活函数可可视化）
3. 适合低维复杂函数建模
4. 能同时学习组合结构和单变量函数

当前局限

1. 训练速度慢于MLP
2. 缺乏大规模训练与GPU加速优化
3. 高维数据表现需更多验证

科学计算与物理建模

符号回归、物理定律学习、偏微分方程求解

医疗与高风险应用

医疗诊断（满足监管要求）、金融风控、自动驾驶

少样本学习

结构化表示或更有效利用有限数据

推荐学习路径：

1. 理解KAN设计原理与MLP的区别
2. 研究KANLinear层实现细节
3. 尝试不同网格大小和样条阶数
4. 可视化学习到的激活函数
5. 与MLP进行性能和可解释性对比

KAN代表神经网络架构的重要探索方向，通过边激活函数提升可解释性同时保持表达能力。虽训练效率存在挑战，但未来在科学计算、医疗AI等领域潜力大。本项目的TensorFlow实现为学习研究提供良好起点，代码清晰且文档详尽。