KAN 能否提升 HEP 分类任务？对 LHC 物理实例的 Kolmogorov-Arnold 网络应用

最近，Kolmogorov-Arnold 网络 (KANs) 被提出作为多层感知器的替代方案，表明在性能和可解释性方面具有优势。我们研究了高能物理中典型的二元事件分类任务，包括高级特征，并就 KANs 在该上下文中的性能和可解释性进行评述。Consistent with expectations，我们发现单层 KAN 所学习的激活函数类似于各输入特征的单变量对数似然比。在更深的 KANs 中，第一层的激活函数与单层 KAN 的激活函数不同，这表明更深的 KANs 学习了数据的更复杂表示，这种模式在其他深度学习架构中也常见。我们研究了不同深度和宽度的 KANs，并就性能和可训练参数数目与多层感知器进行比较。对于所选的分类任务，我们发现 KANs 在参数效率方面没有更好的表现。然而，小型 KANs 可能在可解释性方面提供优势，这以轻微的性能损失为代价。