Suitability of KANs for Computer Vision: A preliminary investigation

Kolmogorov-Arnold网络（KAN）引入了一种神经建模范式，该范式在网络的边缘上实现可学习的函数，与神经网络中传统的以节点为中心的激活方式不同。本文评估了KAN在视觉建模中的适用性和有效性，重点关注图像识别任务。我们主要分析了使用KAN概念构建的不同网络架构以及卷积和线性层的传统构建块的性能和效率，从而与传统模型进行比较分析。我们的研究旨在为了解KAN在计算机视觉中的潜力做出贡献，突出其优点和进一步研究的领域。我们的评估结果显示，虽然基于KAN的架构在像MNIST这样更简单的视觉数据集上的性能和模型复杂度方面与KAN论文的原始声明相符，但是在稍微复杂一些的数据集（如CIFAR-10）上，优势似乎会减弱。

评估KAN在计算机视觉中的适用性和效能，特别是在图像识别任务中。

KAN通过在网络边缘实现可学习函数，与传统基于节点的神经网络不同，该论文评估了使用KAN概念构建的不同网络架构在图像识别任务中的性能和效率。

论文发现，对于简单的视觉数据集（如MNIST），基于KAN的架构表现与KAN论文原始声明一致，但对于稍微复杂一些的数据集（如CIFAR-10），优势似乎会减弱。实验设计合理，使用了多个数据集进行评估。

最近的相关研究包括：《Kolmogorov-Arnold神经网络：一种通用的动态系统学习方法》（KAN原论文），以及其他关于神经网络和计算机视觉的研究。