时间函数电路：从样条图到KAN预测中的忠实解释
机器学习
2026-05-08 v1 人工智能
机器学习
摘要
与MLP不同，Kolmogorov-Arnold网络(KAN)在每个连接上暴露显式的可学习边函数，从而在时间序列预测中实现机制性解释。本文引入时间函数电路，这是一个将KAN边函数从潜在可视化转化为忠实、基于时间的解释的框架。该框架基于一个门控残差KAN构建，该KAN将预测分解为线性基和稀疏激活的KAN校正，它(i)通过输出感知归因将每条边映射到输入滞后，(ii)根据学习到的激活范围对边进行排序，以及(iii)通过包括归零和样条移除在内的边级干预来验证忠实性。移除学习到的B样条分量同时保留基SiLU项会降低预测性能，这提供了证据表明样条形状本身携带了超越基激活的预测价值。在四个复杂度递增的合成场景中，学习到的门随着信号复杂度的增长而逐渐打开得更宽。在状态切换信号上，门控KAN的MSE比纯线性模型低59%。在八个基准测试中，门控架构与线性、注意力和MLP替代方案具有竞争力，同时提供了MLP基校正无法提供的可解释边函数。
引用
@article{arxiv.2605.05685,
title = {Temporal Functional Circuits: From Spline Plots to Faithful Explanations in KAN Forecasting},
author = {Naveen Mysore},
journal= {arXiv preprint arXiv:2605.05685},
year = {2026}
}
备注
9 pages, 4 figures, 6 tables, plus appendix. Under review at NeurIPS 2026