Kolmogorov-Arnold 网络：对主张、性能与实际可行性的批判性评估
机器学习
2025-09-16 v8 人工智能
摘要
Kolmogorov-Arnold 网络（KANs）因其通过可学习的单变量激活函数实现的可解释性和性能优势而广受关注。然而，近期的系统评估揭示了理论主张与实证证据之间存在显著差异。本批判性评估通过控制参数和计算成本的公平比较方法，检验 KANs 在 diverse 领域的实际性能。我们的分析表明，KANs 仅在符号回归任务中优于 MLP，而在机器学习、计算机视觉和自然语言处理基准测试中持续落后。所谓的优势主要来自 B 样条激活函数而非架构创新，计算开销（慢 1.36 倍至 100 倍）严重限制了实际部署。此外，关于突破“维度诅咒”的理论主张缺乏严格的数学依据。我们系统性地识别了 KANs 提供价值的条件，确立了未来研究的评估标准，并提出了针对根本局限性的优先级路线图。这项工作为研究者和实践者提供了基于证据的指导，帮助合理采纳 KANs，同时凸显了需解决的关键研究空白。
引用
@article{arxiv.2407.11075,
title = {Kolmogorov-Arnold Networks: A Critical Assessment of Claims, Performance, and Practical Viability},
author = {Yuntian Hou and Tianrui Ji and Di Zhang and Angelos Stefanidis},
journal= {arXiv preprint arXiv:2407.11075},
year = {2025}
}