本研究提出了一种X-KAN方法，通过基于进化规则的机器学习优化多个局部Kolmogorov-Arnold网络，克服了现有神经网络在处理复杂或不连续函数时的局限性。实验结果表明，X-KAN在函数逼近精度上显著优于传统方法，特别适用于复杂函数结构。

本研究探讨了物理信息网络在系统药理学中的应用，特别关注其准确性与速度的挑战。通过改进的tanh-cPIKAN架构，分析了优化器与训练配置对性能的影响，并提供了选择优化器和模型的实用指导，以提高灰箱发现的效率。这为生物医学领域的物理信息网络训练提供了新的见解。

本研究探讨了Kolmogorov和Arnold的表示定理在对抗性攻击中的稳健性，发现其对可数集合的连续对手具有一定的稳健性，但在外部函数的等连续性方面存在障碍，限制了其在神经网络理论中的应用。

本研究提出KANITE框架，利用Kolmogorov-Arnold网络显著提升个体治疗效应（ITE）估计的准确性，优于现有算法，显示出广泛的应用潜力。

本研究解决了Kolmogorov-Arnold网络与ReLU网络之间的关系问题，探索了如何将分段线性Kolmogorov-Arnold网络转换为ReLU网络及其逆过程。该论文提供了明确的构造方法，展示了两者之间的互通性，具有重要的理论意义和实际应用潜力。

本研究提出了TSKANMixer模型，将Kolmogorov-Arnold网络与时间序列混合器结合，以提高时间序列预测的准确性。实验结果表明，TSKANMixer在多个数据集上显著提升了预测性能，展示了KAN在增强传统多层感知器方面的潜力。

本研究提出低张量秩适应（LoTRA）方法，优化Kolmogorov-阿诺德网络在迁移学习中的微调过程，通过自适应学习率策略提升训练效率，并验证其在偏微分方程等任务中的有效性。

该研究提出了科尔莫戈罗夫-阿诺德-傅里叶网络（KAF），旨在解决高维任务中的参数爆炸和高频特征捕捉问题。KAF通过集成可训练的随机傅里叶特征和混合GELU-傅里叶激活机制，提高了参数效率和频谱表示能力。实验证明其在视觉、自然语言处理和音频处理等领域的表现优于现有方法。

本研究分析了卷积Kolmogorov-Arnold网络（CKANs）在处理大型复杂数据集时的效率，结果显示其在小型数据集上表现尚可，但在ImageNet等大型数据集上明显不如传统卷积神经网络（CNNs），为未来CKANs的改进提供了重要参考。

本文提出了一种Granger因果关系Kolmogorov-Arnold网络（GCKAN），填补了因果推断的研究空白。GCKAN通过提取基础权重，结合稀疏惩罚和岭回归，自动选择时间滞后，从而推断时间序列中的Granger因果关系。实验结果显示，该模型在非线性、高维和样本有限的时间序列中表现优异。

本研究解决了传统格兰杰因果关系在处理非线性数据中的局限性，提出了一种新的神经格兰杰因果关系模型，即格兰杰因果关系KAN（GC-KAN）。通过对VAR模型和混沌Lorenz-96系统的测试，研究表明KAN在识别高维数据中的稀疏因果关系方面优于多层感知机（MLP），显示了人工智能在动态系统因果关系发现中的潜在应用价值。

本研究针对112 Gb/s PAM4无源光网络中的非线性均衡问题，提出了一种基于Kolmogorov-Arnold网络的新方法。通过剪枝和广泛的超参数搜索，我们在低计算复杂度下超越了线性均衡器和卷积神经网络。该方法有望显著提高光网络的传输性能。

本研究解决了Kolmogorov-Arnold网络(KAN)与多层感知器(MLP)架构在训练动态上的差异问题。通过比较不同的初始化方案、优化器和学习率，我们发现KAN在高维数据集上的测试准确性被证明是MLP的有效替代方案，尽管其训练动态不够稳定。最后，文章提出了改善大规模KAN模型训练稳定性的建议。

本研究解决了现有Kolmogorov-Arnold网络在准确性和计算效率方面的不足，提出了一种新颖的单参数Kolmogorov-Arnold网络（SKAN）设计方法。通过实验验证，LArctan-SKAN在MNIST数据集上显示出显著的准确性和计算效率提升，训练速度提高了535.01%，表明该模型具有较高的潜在应用价值。

科尔莫戈洛夫-阿诺德网络（KAN）作为多层感知器（MLP）的替代方案，在图像识别任务中表现出更高的准确性和可解释性。研究表明，KAN在MNIST、CIFAR10和CIFAR100数据集上优于传统模型，且在数据稀缺环境下，个性化激活函数的MLP表现更佳。此外，KAN在连续学习和数据表示任务中也展现出良好性能，为深度学习模型优化提供了新思路。

本研究解决了联邦Kolmogorov-Arnold网络（F-KANs）在评估阶段的不足。通过将F-KANs与多层感知机（MLPs）进行比较，发现Spline-KANs在精度上可以在较短时间内达到MLPs的最佳效果，显示了在联邦学习中对Non-IID数据的有效处理潜力。

本文研究了随机梯度下降（SGD）在超参数化两层神经网络训练中的应用，分析了不同激活函数对收敛性的影响，并提出了一种改进的学习率方法以提高训练效率。研究表明，SGD的收敛速度与模型架构、算法及数据集的相互作用密切相关，提出的隐性梯度下降法在稳定性和收敛性上表现优越。

本文通过为特定激活函数的科尔莫哥洛夫-阿诺德网络（KAN）建立泛化界限，解决了理论分析不足的问题。这些界限在保证性能的同时，适用于不同的回归损失函数，为科学任务中的模型设计提供理论支持。

本研究比较了在数据稀缺环境下，多层感知器（MLPs）与Kolmogorov-Arnold网络（KANs）的有效性。结果表明，个性化激活函数的MLP在样本量约为一百时，预测准确性显著优于KAN，强调了激活函数选择对神经网络性能的重要性。

本研究针对传统神经网络在表格数据建模中的局限性，提出了基于TabKANet架构的方法，将Kolmogorov-Arnold网络用于数值特征编码，并与分类特征合并。本模型在六个广泛使用的二分类任务中表现优异，显示出其成为表格建模标准方法的潜力，尤其在数值特征编码方面具有显著优势。