10:19arXiv cs.LG@Mikhail Krasnov, Carolina Fortuna, Blaž Bertalanič论文提出MKAN,一种通过指数重参数化B样条系数、正边权和单调基激活函数实现硬单调性保证的KAN变体,训练可用无约束梯度下降。理论贡献是表示代价定理:任何C^K特征提取器(语义邻域分划为球状)存在单调实现,节点数N'=N*+k≤2N*,其中k为原始非单调坐标数。在SMM/ICML-2024基准上,MKAN与SOTA单调神经网络竞争力相当,且是唯一兼具硬单调性与KAN边缘功能透明性的方法。在4个真实数据集的自监督特征尺寸扫描中验证了2N*预测,在受控单调生成数据集上MKAN的Spearman对齐显著高于KAN、MLP和线性基线。AI模型MKANKAN单调性表示代价定理推荐理由:如果你做单调神经网络或者KAN相关研究,这篇论文提出了一个既有理论保障又有实际效果的MKAN,在基准上不输现有方法,而且保持了KAN的可解释性。原文