面向三维点集分类的 Jacobi-KAN 动态图 CNN
机器学习
2025-06-10 v1 人工智能
摘要
我们提出了 Jacobi-KAN-DGCNN，一个将动态图卷积神经网络（DGCNN）与 Jacobi 科特尔-阿诺德网络（KAN）集成用于三维点云分类的框架。该方法将多层感知器（MLP）层替换为可适应的单变量多项式展开，构建在简化的 DGCNN 架构中，以避免 MLP 和 KAN 的深层结构，便于逐层比较。在 ModelNet40 数据集上的比较实验中，采用 Jacobi 多项式的 KAN 层相较于基于传统线性层的 DGCNN 基线在准确率和收敛速度方面表现更佳，同时保持参数效率。我们的结果表明，更高的多项式次数并不自动提升性能，强调需进一步进行理论和实证研究以充分理解多项式基、次数与图基学习机制之间的相互作用。
引用
@article{arxiv.2506.06296,
title = {Dynamic Graph CNN with Jacobi Kolmogorov-Arnold Networks for 3D Classification of Point Sets},
author = {Hanaa El Afia and Said Ohamouddou and Raddouane Chiheb and Abdellatif El Afia},
journal= {arXiv preprint arXiv:2506.06296},
year = {2025}
}