MonoKAN：可认证的单调 Kolmogorov-Arnold 网络

人工神经网络（ANNs）通过有效识别模式和解决复杂问题，显著推动了多个领域的发展。尽管如此，其可解释性仍是关键挑战，尤其是在需要透明度和问责制的应用中。为此，解释性人工智能（XAI）在解构 ANNs 方面取得了进展，但可解释性本身往往不够。在某些应用中，模型预测必须与专家设定的要求保持一致，时常体现为部分单调约束。虽然文献中存在针对传统多层感知器（MLPs）的单调方法，但仍难以实现可解释性和可认证的部分单调性。最近，基于可学习激活函数（参数化为样条函数）的 Kolmogorov-Arnold 网络（KAN）架构被提出作为 MLP 更可解释的替代方案。基于此，我们引入一种新的 ANN 架构，即 MonoKAN，基于 KAN 架构并实现可认证的部分单调性，同时提升可解释性。为实现此目标，我们采用三次 Hermite 样条，这些样条通过一组简单条件保证单调性。此外，通过在这些样条的线性组合中使用正权重，可确保网络保留输入与输出之间的单调关系。我们的实验表明，MonoKAN 不仅提升了可解释性，还在大多数基准测试中改进了预测性能，超越了最先进的单调 MLP 方法。