LabelKAN——用于标签间学习的 Kolmogorov-Arnold 网络：以鸟类群落学习为例
定量方法
2026-01-28 v1 人工智能
种群与进化
摘要
全球生物多样性丧失正在加速，促使昆明-蒙特利尔全球生物多样性框架（GBF）和联合国可持续发展目标等国际努力将资源引向阻止物种衰退。实现这一目标的一个关键挑战是拥有稳健的方法来了解物种在何处出现，以及它们在更广泛的生态群落中如何相互关联。近期基于深度学习的联合物种分布建模在预测性能上有所提升，但有效纳入群落级学习（除了物种-环境关系外，还考虑物种-物种关系）仍是一个突出的挑战。我们引入了 LabelKAN，这是一个基于 Kolmogorov-Arnold 网络（KAN）的新框架，用于从每个标签的预测中学习标签间的联系。在对鸟类物种分布进行建模时，LabelKAN 在绝大多数物种上取得了显著的预测性能提升。特别是，我们的方法对稀有且难以预测的物种表现出显著改善，而这些物种在 GBF 等框架下设定生物多样性目标时往往最为重要。这些性能提升也转化为对物种空间模式更有把握的预测，以及对群落结构更有把握的预测。我们以大蓝鹭为例说明了 LabelKAN 如何带来定性和定量的改进，大蓝鹭是淡水生态系统中的标志性物种，近年来其种群数量在美国各地经历了显著下降。使用 LabelKAN 框架，我们能够识别出纽约州中对大蓝鹭种群进一步下降最为敏感的群落和物种。
引用
@article{arxiv.2601.18818,
title = {LabelKAN -- Kolmogorov-Arnold Networks for Inter-Label Learning: Avian Community Learning},
author = {Marc Grimson and Joshua Fan and Courtney L. Davis and Dylan van Bramer and Daniel Fink and Carla P. Gomes},
journal= {arXiv preprint arXiv:2601.18818},
year = {2026}
}