刘子鸣将于2023年9月加入清华大学人工智能学院担任助理教授，研究领域为物理学与人工智能的交叉。他提出的KAN网络提升了神经网络的可解释性。刘子鸣在MIT攻读博士期间与Max Tegmark合作，KAN的设计基于Kolmogorov-Arnold定理，受到广泛关注。

刘子鸣将于2023年9月加入清华大学人工智能学院担任助理教授，研究重点为KAN（Kolmogorov-Arnold Networks），该模型在神经网络可解释性方面优于传统多层感知机（MLP）。他在MIT攻读博士期间与Max Tegmark合作，致力于提升神经网络的可解释性，研究风格结合理论与实验，关注科学与人工智能的交叉领域。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

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。

本研究提出DAE-KAN框架，将Kolmogorov-Arnold网络与物理信息神经网络结合，以有效解决高阶微分代数方程的问题，显著提升计算精度和泛化能力。

本研究针对现有的MLP-Mixer在图像特征提取中的不足，提出了一种新型的KAN-Mixers架构，利用Kolmogorov-Arnold Network (KAN)作为主要层。通过在Fashion-MNIST和CIFAR-10数据集上的评估，KAN-Mixers在分类任务中超过了传统的MLP、MLP-Mixer和KAN模型，显示出其在准确性和可解释性上的潜力。

本研究针对传统多层感知器和科尔莫哥洛夫-阿诺德网络在函数逼近中的性能限制，提出了基于Cauchy积分激活函数的一层神经网络架构XNet。通过理论分析，XNet能够实现任意阶多项式收敛，实验证明其在函数逼近和强化学习中显著降低了逼近误差并加快了训练速度，为科学计算和人工智能应用提供了更高效的架构。

本研究提出了一种新颖的分层Kolmogorov-Arnold网络（HKAN）架构，解决了现有KAN依赖反向传播的问题。HKAN通过随机学习优化参数，采用线性回归简化计算，展现出与KAN相当或更优的准确性和稳定性。

本研究提出KM-UNet，结合Kolmogorov-Arnold网络与状态空间模型，解决了传统卷积神经网络在长距离依赖建模及变换器模型计算复杂性的问题。实验结果表明，KM-UNet在医学图像分割中表现优异，提供了高效且可解释的新基线。

本研究提出Kolmogorov-Arnold网络（KAN）用于高保真语音增强，实验结果表明其在提升语音质量方面表现优异，且对模型规模和运算量影响较小，显示出KAN的潜力。

本研究提出FLORA数据集，包含4,330对时尚服装与文本描述，旨在解决服装设计中缺乏专业数据集的问题。通过在FLORA上细调生成模型，可以显著提升从文本生成时尚设计图像的能力，推动时尚设计与AI的融合。

本研究探讨Kolmogorov-Arnold网络中的不确定性量化，特别是高阶ReLU KAN，以提升贝叶斯方法的计算效率。该方法普适，能同时获取认识性和随机性不确定性，适用于其他基函数，并通过测试验证了其识别功能依赖关系的能力。

科尔莫哥洛夫-阿诺德网络（KANs）作为多层感知器（MLPs）的替代方案，展现出更高的准确性和可解释性。研究表明，KAN在图像分类和图学习任务中表现优异，但计算成本较高。同时，KAN在对抗条件下的脆弱性也被探讨，并提出了FC-KAN以解决低维数据处理问题。这些研究为未来神经网络的发展提供了新见解。

本文介绍了多种改进的U-Net模型在医学图像分割中的应用，包括MultiResUNet、DoubleU-Net、Sharp U-Net、U-Net v2、BRAU-Net++和U-KAN等。这些模型通过不同技术提升了分割的准确性和效率，特别是在处理复杂医学图像时表现优越，强调了新架构创新和严格验证标准的重要性。

本文探讨了同态加密（HE）在神经网络中的应用，提出了多种基于HE的模型和框架，如CryptoGCN和LinGCN，以提高隐私保护和计算效率。研究表明，尽管同态加密能有效保护数据隐私，但仍面临性能和可扩展性挑战。通过优化激活函数和算法，研究实现了显著降低推理时间的深度神经网络，展示了HE在先进应用中的潜力。

本研究提出了一系列基于音频驱动的说话人脸生成方法，包括高保真NeRF技术、统一面部标记生成器和两阶段生成模型，旨在提高口型同步和视觉质量。通过自我监督学习和新颖的扩散模型，解决了现有模型在唇形同步和视觉细节保留方面的不足，实验结果显示性能优于现有技术。

本文介绍了一种基于语义引导的零样本低光增强网络，旨在提升低光图像的检测和分割性能。研究表明，该模型在低光照条件下的目标检测和识别效果优于现有技术。此外，科尔莫戈洛夫-阿诺德网络（KAN）在图像分类和生成AI中表现出色，推动了神经网络架构的优化。

本研究针对自动说话人验证系统（ASV）在面对深度伪造音频时的脆弱性问题，提出了一种新颖的AASIST3架构。通过增强现有AASIST框架，结合Kolmogorov-Arnold网络及其他技术，本方法在性能上实现了超过两倍的提升，显著增强了合成语音的检测能力，提高了ASV系统的安全性。

本文回顾了物理启发式神经网络（PINN）的进展，探讨其在预测物理系统和处理噪声数据中的有效性。提出了改进的神经网络架构和学习率退火算法，以提高训练效率和准确性。同时，分析了可解释性技术在神经网络中的应用，强调了在科学机器学习中实现可解释性的重要性。