🔥 今日值得一读
RecKAN让KAN基函数自己学！5参数递推覆盖切比雪夫等经典族，分类全胜3个基线，预测MSE还最低！
RecKAN: Kolmogorov-Arnold Networks with a Learnable Recursive Polynomial Basis
👨💼 主理人解读 · 为什么值得关注
用递归多项式基替换KAN的固定基，提升表达力，可应用于函数拟合和科学计算任务。
📖 AI 总结
本文提出了一种名为 RecKAN 的新型 Kolmogorov-Arnold 网络架构，其核心创新在于将传统 KAN 中固定的基函数（如 B-spline、Chebyshev 多项式等）替换为可通过二阶多项式递推关系学习的递归基。该递推式的五个系数与网络参数联合优化，并能统一恢复 Chebyshev、Fibonacci、Pell 等经典多项式族作为特例。实验表明，RecKAN 在图像、文本、生物医学时间序列分类及预测等多个基准上，均优于参数匹配的 Chebyshev、Jacobi 和样条基 KAN 基线，并在 ETTh1 预测任务中取得最低均方误差。作为卷积骨干网络的分类头时，其准确率也超过标准 MLP。此外，研究揭示学习到的递推系数具有可解释性：在处理需强局部结构的任务时，训练会驱动基函数偏离包含所有经典族的线性度增长区间，验证了理论分析。
🔑 关键词速览
| Kolmogorov-Arnold Networks (KANs) | 一种神经网络架构，用每条边上的可学习单变量函数替代标准网络的固定标量权重。 |
| RecKAN | 本文提出的KAN变体，通过可学习的递归多项式基定义边函数，基函数系数与网络联合优化。 |
| Polynomial recurrence | 多项式递推关系，用于生成多项式序列，此处通过二阶递推定义基函数族。 |
| Chebyshev polynomials | 一类经典正交多项式，常用于函数逼近，是KAN中常用的基函数之一。 |
| B-splines | 分段多项式基函数，广泛用于数值逼近和KAN实现，具有局部支持特性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅