GroupKAN：基于分组样条建模的高效Kolmogorov-Arnold网络
计算机视觉与模式识别
2026-04-15 v2
摘要
医学图像分割需要实现高精度的同时保持计算效率和临床可解释性。虽然最近的Kolmogorov-Arnold网络（KAN）提供了强大的自适应非线性函数，但其全通道样条变换相对于通道维度C会产生二次参数增长，复杂度为 ，其中G和k分别表示网格区间数和样条多项式阶数。此外，受限于无约束样条映射缺乏结构约束，导致功能自由度过大，在有限的医学标注数据下可能引发过拟合。为此，我们提出GroupKAN（分组Kolmogorov-Arnold网络），一种基于分组结构样条建模的高效架构。具体包括：（1）分组KAN变换（GKT），通过跨g个组的组内通道映射限制样条相互作用，将由样条引起的二次膨胀有效降低为 \textbf{}$，从而显著降低有效二次系数；以及（2）分组KAN激活（GKA），在每个组内应用共享样条函数，以实现高效的token级非线性变换。通过对通道相互作用施加结构约束，GroupKAN在不牺牲表达能力的前提下显著减少参数冗余。对三个医学基准（BUSI、GlaS和CVC）的广泛评估表明，GroupKAN实现了79.80%的平均IoU，超越强U-KAN基线+1.11%，而仅需47.6%的参数（3.02M vs. 6.35M）。定性结果进一步显示，GroupKAN生成的激活图更精确地局部化，与真实标签的对齐性优于MLP和KAN，显著提升了临床可解释性。
引用
@article{arxiv.2511.05477,
title = {GroupKAN: Efficient Kolmogorov-Arnold Networks via Grouped Spline Modeling},
author = {Guojie Li and Tianyi Liu and Anwar P. P. Abdul Majeed and Muhammad Ateeq and Anh Nguyen and Fan Zhang},
journal= {arXiv preprint arXiv:2511.05477},
year = {2026}
}