医学中的 Kolmogorov Arnold Network 自编码器
机器学习
2025-07-29 v1
摘要
诸如多层感知机 (MLP) 和卷积块等深度学习神经网络架构在当今的研究进展中仍发挥着至关重要的作用。从拓扑角度来看，这些架构可以表示为图，我们在图中学习与节点相关的函数，而固定的边将信息从输入传递到输出。最近的一项研究引入了一种名为 Kolmogorov Arnold Networks (KAN) 的新架构，报告指出将可学习的激活函数置于神经网络的边上可在多种场景下带来更好的性能。多项研究正致力于通过添加重要特性来优化 KAN 架构，例如 dropout 正则化、自编码器 (AE)、模型基准测试，以及最后但同样重要的引入了结合 KAN 学习的矩阵卷积的 KAN 卷积网络 (KCN)。本研究旨在将多个版本的原生 AE（如线性、卷积和变分）与其具有相同或更少参数数量的 Kolmogorov-Arnold 对应模型进行基准比较。使用心电信号作为模型输入，共研究了五种不同的经典 AE 任务：重建、生成、去噪、修复和异常检测。所提出的实验使用了一个医学数据集 \textit{AbnormalHeartbeat}，其中包含从听诊器获取的音频信号。
引用
@article{arxiv.2507.19524,
title = {Kolmogorov Arnold Network Autoencoder in Medicine},
author = {Ugo Lomoio and Pierangelo Veltri and Pietro Hiram Guzzi},
journal= {arXiv preprint arXiv:2507.19524},
year = {2025}
}