面向不平衡数据的 Kolmogorov Arnold 网络（KANs）——经验视角

Kolmogorov Arnold 网络（KANs）是神经计算的最新架构进展，提供了对标准神经网络的数学依据替代方案。本研究从类别不平衡分类的角度，对 KANs 在十个基准数据集上的表现进行经验评估。我们观察到，KANs 能在原始不平衡数据上无需任何抽样策略即可表现良好，而 Multi-Layer Perceptrons（MLPs）则不行。然而，常规的不平衡策略与 KANs 的数学结构存在根本性冲突，抽样和焦点损失的实现会显著降低 KANs 的性能，而对 MLPs 仅产生微小的提升。关键在于，KANs 在无比例性能提升的情况下面临计算成本的严重制约。统计验证表明，采用不平衡技术的 MLPs 在所有指标上与 KANs 性能等价（|d| < 0.08），且资源成本极低。这一发现揭示了 KANs 是一种在资源允许的前提下处理原始不平衡数据的专用解决方案。但其严重的性能-资源权衡以及与标准抽样技术的不兼容性，目前限制了其实际部署。我们指出，开发针对不平衡学习的 KANs 特定架构修改、优化计算效率以及理论上解决其与数据增强冲突的关键研究优先事项。本工作为下一代在不平衡分类场景下应用的 KANs 架构奠定了基础性见解。