KAConvNet：基于Kolmogorov-Arnold卷积的视觉识别网络
摘要
卷积神经网络 (Convolutional Neural Networks, CNNs) 长期以来是通用计算机视觉任务的主导且有效的方法。最近，基于Kolmogorov-Arnold表示定理的Kolmogorov-Arnold神经网络 (Kolmogorov-Arnold neural networks, KANs) 显示出可能取代深度学习中多层感知器 (Multi-Layer Perceptrons, MLPs) 的潜力。KANs 采用边缘上的可学习非线性激活函数和节点上的简单求和，相较于MLPs 具有参数更少且可解释性更强的优势。然而，目前在将Kolmogorov-Arnold表示定理与卷积方法集成用于计算机视觉任务方面的探索仍有限。现有尝试仅用权重替代可学习激活函数，削弱了KANs的理论基础并限制了其潜在有效性。此外，KANs中使用的B样条曲线存在计算效率低和易过拟合的倾向。本文提出一种 novel 的Kolmogorov-Arnold卷积层 (Kolmogorov-Arnold Convolutional Layer)，深入集成Kolmogorov-Arnold表示定理与卷积。该层因基于 established 数学定理而具备更强的方法可解释性，其设计具有理论一致性。基于Kolmogorov-Arnold卷积层，我们设计了一种高效网络结构KAConvNet (KAConvNet)，在与现有结合KANs与卷积的方法相比表现更佳，且与主流ViTs和CNNs性能相当。我们认为本工作为人工智能领域提供了有价值的见解，并将激发2020年代更具创新性的CNN开发。代码已公开发布于 https://github.com/UnicomAI/KAConvNet。
引用
@article{arxiv.2604.23320,
title = {KAConvNet: Kolmogorov-Arnold Convolutional Networks for Vision Recognition},
author = {Zhaoxiang Liu and Zhicheng Ma and Kaikai Zhao and Kai Wang and Shiguo Lian},
journal= {arXiv preprint arXiv:2604.23320},
year = {2026}
}
备注
published on journal"Image and Vision Computing"