今天和大家分享一种创新的深度学习技术：KAN+特征提取。

这种技术通过引入KAN来增强模型的特征处理能力，借由KAN的自适应激活函数，动态调整数据特性，从而有效提取更加准确的特征，实现更高性能的模型表现。

这种优势让KAN+特征提取在图像分类、目标检测、语义分割等任务中表现尤为突出，再加上结合带来的强大性能和效率，让它一跃成为了CV领域一个新兴的研究热点，拥有很大的创新空间。

目前已经有成果表明，KAN+特征提取效果出色，这里为了帮大家省了查资料的时间，我挑选了最新的10篇论文给大家参考，idea和效果都展示了，想发论文的同学抓紧啦。

扫码添加小享，回复“KAN特征”  

免费获取全部论文+开源代码

iKAN: Global Incremental Learning with KAN for Human Activity Recognition Across Heterogeneous Datasets

方法：论文介绍了增量学习框架iKAN，它结合了KAN进行特征提取，用于跨不同数据集的人体活动识别。iKAN框架通过使用KAN代替传统的MLP作为分类器，利用了样条的局部可塑性和全局稳定性，解决了现有方法在处理跨数据集任务时遗忘问题。

创新点：

• 用KAN替换传统的多层感知器（MLP），以提高模型的局部可塑性和全局稳定性。

• 增加了一个特征重分配层，帮助模型适应新任务的输入，同时保持对旧任务的记忆。

• 设计了一个能够处理不同传感器数据的多编码器架构，并通过单一分类器输出一致的结果。

FourierKAN-GCF: Fourier Kolmogorov-Arnold Network--An Effective and Efficient Feature Transformation for Graph Collaborative Filtering

方法：论文提出了一种名为FourierKAN-GCF的图推荐模型。Fourier KAN利用傅里叶系数代替标准KAN中的样条函数，以降低训练难度并增强表示能力。这种方法通过将KAN与特征提取相结合，旨在提高图协同过滤任务的性能。

创新点：

• 引入了FourierKAN，替代传统的多层感知器（MLP）用于图卷积网络（GCN）中的特征变换。此方法增强了图协同过滤（GCF）的表现力，同时简化了训练过程。

• 采用消息丢弃和节点丢弃策略，以提高模型的表示能力和鲁棒性，增强了模型在不同数据集上的性能表现。

扫码添加小享，回复“KAN特征”  

免费获取全部论文+开源代码

GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks

方法：论文介绍了一种名为GraphKAN的新方法，它结合了图神经网络和KANs来增强特征提取。GraphKAN通过用KANs替代MLPs和激活函数，提高了非线性能力和表示能力，尤其在处理图形数据时更为有效。

创新点：

• 初次将KAN应用于图神经网络（GNN），替代传统的多层感知器（MLP），从而解决信息损失问题。

• 通过使用基于样条的单变量函数作为可学习的激活函数，提高了模型的效率和可解释性。

• 通过用KAN替代MLP和固定激活函数，消除了ReLU等激活函数在表示能力上的限制。

Initial Investigation of Kolmogorov-Arnold Networks (KANs) as Feature Extractors for IMU Based Human Activity Recognition

方法：作者将KANs作为一种新型神经网络架构，用于基于惯性测量单元（IMU）的人体活动识别（HAR）任务中的特征提取器。结果显示，KAN特征提取器在所有数据集上均优于CNN，同时参数更为高效。

创新点：

• 首次探索了将KANs用于IMU数据的人类活动识别，替代传统的CNN特征提取器。

• KAN在参数使用上更为高效，与CNN相比，在保持或提升性能的同时，减少了模型参数的数量。

• 提出了并测试了几种不同的KAN架构变体，以适应不同的人类活动识别任务，展示了KAN在这一领域的潜力和灵活性。

扫码添加小享，回复“KAN特征”  

免费获取全部论文+开源代码