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。KAN在图像分类和时间序列预测中表现优越，尤其在遥感分类任务中展现出高效性。引入小波函数的Wav-KAN架构进一步提升了可解释性和性能。

本文介绍了Kolmogorov-Arnold网络（KAN）及其变体在联邦学习和时间序列预测中的应用，强调了其在可解释性、准确性和计算效率方面的优势。通过引入小波函数，Wav-KAN提升了模型性能，适用于异构数据分布。研究还探讨了KAN在遥感分类和电流体力泵预测中的潜力，显示出其作为强大预测工具的前景。

Kolmogorov-Arnold 网络（KAN）作为多层感知器（MLP）的替代方案，具有更高的准确性和可解释性。研究表明，KAN在时间序列预测中表现优越，尤其在卫星流量预测任务中，能以更少的参数提供更好的性能。KAN的变体如T-KAN和MT-KAN也显示出显著效果。此外，新方法KCN结合了预训练卷积神经网络，提升了遥感分类的准确性。整体上，KAN及其变体在多个领域展现了强大的潜力。