科尔莫戈洛夫－阿诺德卷积：设计原则与实证研究

本文提出了卷积科尔莫戈洛夫-阿诺德网络（Convolutional KANs），通过集成非线性激活函数，显著减少参数量并保持准确性。

在MNIST和Fashion-MNIST基准测试中，Convolutional KANs的性能验证显示其准确性与传统方法相当，但参数量减少了一半。

KAN在CIFAR10和CIFAR100数据集上的表现优于MLP-Mixer，但稍逊于ResNet-18，显示出其在图像分类任务中的潜力。

KAN在时间序列预测中表现出色，相比传统多层感知机（MLPs），能够提供更准确的结果和更少的可学习参数。

引入小波函数的Wav-KAN架构提升了可解释性和性能，适用于高光谱图像分类任务。

研究提出了一种新方法KCN，将KAN与预训练的卷积神经网络结合，应用于遥感场景分类，取得高准确性且训练需求低。

GKAN扩展了KAN的原理，适用于图结构化数据，开发了基于图的学习任务的强大模型。

KAN在复杂高光谱图像数据分类中的有效性得到验证，提出了混合架构以提高性能，实验结果显示其竞争力。