基于Shapley值的Kolmogorov-Arnold网络移位不变属性评分

对于许多实际应用，理解特征-结果关系与实现高预测准确率同等重要。虽然传统神经网络在预测方面表现出色，但其黑箱本质掩盖了底层函数关系。Kolmogorov-Arnold网络（KAN）通过在边缘上采用可学习的样条函数激活函数来实现这一点，能够在保持竞争性能的同时恢复符号表示。然而，KAN的体系结构为网络剪枝带来了独特挑战。传统的基于幅值的方法由于对输入坐标偏移敏感，变得不可靠。我们提出了使用Shapley值评估节点重要性的修剪框架——\textbf{ShapKAN}。不同于基于幅值的方法，ShapKAN量化每个节点的实际贡献，确保无论输入参数化如何，重要性排名都保持一致。在合成数据和真实数据集上的大量实验表明，ShapKAN在保持真实节点重要性的同时，实现了有效的网络压缩。我们的做法提高了KAN的可解释性优势，促进了在资源受限环境中的部署。