Exploring the Limitations of Kolmogorov-Arnold Networks in Classification: Insights to Software Training and Hardware Implementation

Kolmogorov-Arnold网络（KANs）是一种新型神经网络，因其在人工智能（AI）中可以用更高的准确性和互操作性替代多层感知器（MLPs）而引起了人们的关注和广泛应用。然而，目前对KAN的评估仍然有限，无法提供对特定领域的深入分析。此外，还没有研究对KAN在硬件设计中的实现，这将直接证明KAN是否真正优于MLP在实际应用中。因此，本文专注于使用四种不同类型的数据集验证KAN在分类问题中的表现，并考虑使用Vitis高级综合（HLS）工具进行相应的硬件实现。据我们所知，这是第一篇实现KAN硬件的文章。结果表明，KAN在高复杂数据集上不能比MLP实现更高的准确性，同时利用了更多的硬件资源。因此，在软件和硬件实现中，MLP仍然是实现准确性和效率的有效方法。

验证KAN在分类问题上的表现是否优于MLP，同时探究KAN在硬件实现方面的可行性。

通过四种不同类型的数据集，利用Vitis HLS工具实现KAN的硬件设计，发现KAN在高复杂数据集上无法比MLP获得更高的准确性，同时需要更多的硬件资源。因此，MLP在软硬件实现中仍然是高效准确的选择。

论文是第一篇实现KAN硬件设计的论文，实验使用了四种不同类型的数据集，结果表明KAN无法在高复杂数据集上比MLP获得更高的准确性，同时需要更多的硬件资源。

最近的相关研究还没有涉及KAN在硬件实现方面的探究，但是有一些关于KAN在软件实现方面的研究，如《Kolmogorov-Arnold神经网络在图像分类中的应用》。