用于学习Kolmogorov-Arnold网络的图型元网络
机器学习
2026-03-03 v2 人工智能
摘要
权空间模型直接从神经网络参数中学习，能够完成诸如预测其在新数据集上的准确性等任务。诸如将MLP应用到展平参数上之类的粗糙方法表现不佳，这使得更优权空间架构的设计成为核心挑战。虽然先前工作利用标准网络中的置换对称性来指导此类设计，但尚无针对Kolmogorov-Arnold 网络（KANs）的类似分析或定制化架构。本文我们表明，KANs与MLPs共享相同的置换对称性，并提出KAN-graph作为其计算的图表示。基于此，我们发展了WS-KAN——首个能够学习KANs的权空间架构，自然地考虑了其对称性。我们分析了WS-KAN的表达能力，证明其可以复制输入KAN的前向传播——这是衡量权空间架构表达力的标准方法。我们构建了一套横跨多样任务的已训练KANs作为基准，用于经验评估WS-KAN。在所有任务中，WS-KAN均一致优于结构不敏感的基线，常常以显著边际优势表现。我们的代码已公开于https://github.com/BarSGuy/KAN-Graph-Metanetwork。
引用
@article{arxiv.2602.16316,
title = {A Graph Meta-Network for Learning on Kolmogorov-Arnold Networks},
author = {Guy Bar-Shalom and Ami Tavory and Itay Evron and Maya Bechler-Speicher and Ido Guy and Haggai Maron},
journal= {arXiv preprint arXiv:2602.16316},
year = {2026}
}