TruKAN：面向更高效 Kolmogorov-Arnold 网络的截断幂函数
计算机视觉与模式识别
2026-02-05 v1 人工智能
机器学习
摘要
为解决计算效率与 Kolmogorov-Arnold 网络（KAN）原则之间的权衡，我们提出 TruKAN，一种基于 KAN 结构和可学习激活函数的新型架构。TruKAN 用源自 k 阶样条理论的截断幂函数取代 KAN 中的 B 样条基函数。此变更在保持 KAN 表达力的同时提升精度和训练时间。每个 TruKAN 层将截断幂项与多项式项相结合，可采用共享或individual 节点。TruKAN 由于其简化的基函数和节点配置，比其他 KAN 变体具有更高的可解释性。通过优先可解释基函数，TruKAN 旨在在近似效能与透明性之间取得平衡。我们开发 TruKAN 模型并集成到高级 EfficientNet-V2 基础框架中，该框架随后在计算机视觉基准数据集上进行评估。为确保公平比较，我们开发了各种模型：基于 MLP、KAN、SineKAN 和 TruKAN 的 EfficientNet 框架，并评估其在小型和深层架构上的训练时间和准确率。训练阶段采用混合优化以提高收敛稳定性。此外，我们研究了所有模型的层归一化技术，并评估了 TruKAN 中共享与individual 节点的影响。总体而言，TruKAN 在复杂视觉任务上在准确率、计算效率和内存使用方面均优于其他 KAN 模型，显示现实优势超越了先前 KAN 研究所探索的有限设置。
关键词
引用
@article{arxiv.2602.03879,
title = {TruKAN: Towards More Efficient Kolmogorov-Arnold Networks Using Truncated Power Functions},
author = {Ali Bayeh and Samira Sadaoui and Malek Mouhoub},
journal= {arXiv preprint arXiv:2602.03879},
year = {2026}
}
备注
23 pages, 9 figures