卷积Kolmogorov-Arnold网络
计算机视觉与模式识别
2025-04-01 v3 人工智能
摘要
在本文中，我们提出了卷积Kolmogorov-Arnold网络，这是一种新颖的架构，它将Kolmogorov-Arnold网络（KAN）中基于可学习样条的激活函数集成到卷积层中。通过用可学习的非线性函数替换传统的固定权重核，卷积KAN在参数效率和表达能力上相比标准卷积神经网络（CNN）有了显著提升。我们在Fashion-MNIST数据集上对卷积KAN进行了实证评估，结果表明，与基线经典卷积相比，在参数减少多达50%的情况下，仍能达到具有竞争力的准确率。这表明KAN卷积能够以更少的资源有效捕获复杂的空间关系，为参数高效的深度学习模型提供了一种有前景的替代方案。
引用
@article{arxiv.2406.13155,
title = {Convolutional Kolmogorov-Arnold Networks},
author = {Alexander Dylan Bodner and Antonio Santiago Tepsich and Jack Natan Spolski and Santiago Pourteau},
journal= {arXiv preprint arXiv:2406.13155},
year = {2025}
}