09:48arXiv cs.LG@Xiang Rao, Yuxuan Shen精选研究者提出QCPIKAN,这是首个量子-经典物理信息Kolmogorov-Arnold网络,采用Chebyshev多项式KAN层和参数化量子电路。理论证明该设计能使高频误差以指数率收敛,并有效抑制数值色散。在三种典型渗流场景(单相流、组分输送、两相流)中验证。相比现有量子-经典物理信息神经网络,QCPIKAN在全局预测精度、局部误差控制、动态演化跟踪和位移前沿定位上表现更优。AI模型QCPIKANKAN量子经典混合物理驱动网络PDE求解推荐理由:这篇论文发布了QCPIKAN,首个混合量子经典PDE求解器,用Chebyshev KAN层加速收敛,渗流模拟精度远超市面同类。原文
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
09:38arXiv cs.AI@Julian Hoever, Gregor SchieleKANLib是一个模块化、可扩展且计算高效的Kolmogorov-Arnold网络(KAN)框架,统一了PyKAN、EfficientKAN和FastKAN等现有实现的核心概念。它支持两种基函数类型、自适应网格缩放、网格扩展及细粒度架构定制,并保持与PyTorch工作流的兼容性。在California Housing基准上,KANLib再现了参考KAN实现的预测行为,同时实现了有竞争力的计算效率。该框架允许探索超出标准KAN公式的架构变体,对预测性能影响微小。论文KANLibKANKolmogorov-Arnold Networks可解释性模块化框架推荐理由:想试KAN但被碎片化实现劝退?KANLib把PyKAN、EfficientKAN、FastKAN统一成一个高效框架,直接上手跑基准。原文