KANGURA：基于Kolmogorov-Arnold网络的几何感知学习与统一表示注意力用于复杂结构的3D建模
人工智能
2025-11-19 v1 计算机视觉与模式识别
机器学习
摘要
微生物电解池 (MFC) 提供了将有机物转化为电能通过微生物过程的可持续能源途径。影响 MFC 性能的关键因素是阴极结构，其中设计和材料属性发挥着关键作用。现有预测模型难以捕捉优化这些结构所必需的复杂几何依赖关系。为解决此问题，我们提出KANGURA：基于Kolmogorov-Arnold网络的几何感知学习与统一表示注意力。KANGURA 引入了一种新的三维 (3D) 机器学习建模方法。它将预测建模为函数分解问题，基于Kolmogorov-Arnold网络 (KAN) 的表示学习重建几何关系，而无需常规的多层感知器 (MLP)。为细化空间理解，几何解耦表示学习将结构变异分离为可解释组件，而统一注意力机制动态增强关键几何区域。实验结果表明，KANGURA 在 ModelNet40 数据集上超过 15 个最先进 (SOTA) 模型，实现了 92.7% 的准确率，并在现实世界的 MFC 阴极结构问题中取得 97% 的准确率。这一成就将KANGURA 确立为3D几何建模的稳健框架，为先进制造和以质量为导向的工程应用中的复杂结构优化开辟了新的可能性。
引用
@article{arxiv.2511.13798,
title = {KANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attention for 3D Modeling of Complex Structures},
author = {Mohammad Reza Shafie and Morteza Hajiabadi and Hamed Khosravi and Mobina Noori and Imtiaz Ahmed},
journal= {arXiv preprint arXiv:2511.13798},
year = {2025}
}