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。

本研究提出了一种名为AC-PKAN的科尔莫哥洛夫-阿诺德网络，结合了注意力机制和切比雪夫多项式，旨在解决求解偏微分方程时的计算和内存问题。该架构能够精确近似任意阶PDE解，并在数据稀缺的环境中提升工程问题的解决能力。

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，结合Kolmogorov-Arnold网络与时间序列混合器，提升了时间序列预测的准确性。实验结果显示，该模型在多个数据集上表现优异。

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。

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。

本文提出了一种名为GA-KAN的遗传算法优化方法，旨在提升多层感知器的可解释性。该方法首次将进化计算应用于Kolmogorov-Arnold网络，显著提高了模型性能并减少了参数数量。

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。

本研究提出一种新框架，将人机协作特征选择与双深度Q网络结合，解决高维特征选择的适应性和可扩展性问题，显著提升MNIST和FashionMNIST数据集的分类准确率和模型可解释性。

本研究提出了一种新型机器学习模型，利用Kolmogorov-Arnold网络(KANs)优化6G无线网络中用户传输功率的公平性与网络利用率，展示了在动态环境中有效平衡的潜力。

本文探讨了三铰链回旋体的解剖特征嵌入，提出了一种新的自监督框架以建立不同大脑之间的对应关系。该方法基于Kolmogorov-Arnold网络，实验结果表明其有效克服了传统方法的局限性。

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。

本文提出了卷积科尔莫戈洛夫-阿诺德网络（Convolutional KANs），通过将非线性激活函数集成到卷积中构建新层。实验证明，该网络在MNIST和Fashion-MNIST数据集上的准确性与传统方法相似，但参数量减少了一半，为神经网络优化提供了新思路。

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。