计算机视觉中的KANs：实验研究

本文 presented了对Kolmogorov-Arnold Networks（KANs）应用于计算机视觉任务（尤其是图像分类）的实验研究。KANs在边缘上引入可学习的激活函数，相对于传统固定的激活函数（如多层感知机（MLPs）和卷积神经网络（CNNs））具有更灵活的非线性变换能力。尽管KANs在简化或小规模数据集上显示出前景，但其对于更复杂真实任务（如计算机视觉任务）的有效性仍较不被探索。为填补这一空白，本实验研究旨在提供KANs在特定视觉任务中的表现及其局限性的扩展观察和见解。我们揭示，尽管KANs在特定视觉任务中可以表现良好，但它们面临显著挑战，包括更高的超参数敏感性和更高的计算成本。这些局限性表明KANs需要架构性调整，如与其他架构集成，才能在大规模视觉问题中实用。本研究侧重于经验发现，而非提出新方法，旨在为未来在优化KANs（特别是计算机视觉应用或类似领域）方面的研究提供指导。