必学干货！特征提取搭配KAN，让深度学习成绩一飞冲天！

深度学习的赛道上，新突破不断涌现。今天，为大家带来超有潜力的【KAN+特征提取】技术。在构建深度学习模型时，特征提取的精准度，直接决定模型表现。【KAN+特征提取】另辟蹊径，引入KAN，其自适应激活函数可动态调整数据特性，让模型对关键特征的捕捉更精准，大幅提升特征处理能力，模型性能自然水涨船高。

在图像分类、目标检测、语义分割这些计算机视觉领域的关键任务中，KAN+特征提取优势尽显。出色性能与高效处理能力，让它迅速成为CV领域新热点，满是创新机遇。

已有成果证实KAN+特征提取效果显著。为帮大家节省查阅资料的时间，我们精心挑选了10篇最新论文。这些论文详细展示了该技术的创新思路与实际应用效果。如果你正为论文创作发愁，想在CV领域有所建树，这10篇论文就是绝佳资源，需要参考的自取。

全部论文+开源代码需要的同学看文末。

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

1.方法

在人体活动识别领域，跨数据集任务的处理一直存在难题，现有方法容易出现遗忘问题。该论文提出了增量学习框架iKAN，为该领域带来新突破。

iKAN框架创新性地将KAN引入其中，用于特征提取环节。值得一提的是，它摒弃传统的MLP，改用KAN作为分类器。通过这种方式，充分挖掘样条在局部可塑性与全局稳定性方面的特性，有效克服了现有方法在面对跨不同数据集的人体活动识别任务时，所面临的遗忘困境，推动了该领域技术的进步。

2.创新点

（1）果断抛弃传统的MLP，采用KAN来搭建模型。这一改变让模型的局部可塑性与全局稳定性大大提升，性能也跟着水涨船高。

（2）专门添加特征重分配层，让模型在面对新任务输入时，能快速适应，同时牢牢记住旧任务，再也不用担心遗忘问题。

（3）设计多编码器架构，兼容不同传感器数据，借单一分类器输出统一结果，增强系统实用与可靠性。

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

1.方法

论文中提出了一款新颖的图推荐模型 ——FourierKAN - GCF。该模型的一大关键创新点，在于 Fourier KAN 部分。它摒弃了标准 KAN 所采用的样条函数，转而运用傅里叶系数。这么做有两大显著优势，一是能有效降低模型训练的难度，二是可大幅增强模型的表示能力。通过将 KAN 与特征提取有机结合，FourierKAN - GCF 致力于在图协同过滤任务中实现性能的提升，为相关领域的研究与应用注入新活力。

2.创新点

（1）摒弃传统多层感知器（MLP）在图卷积网络（GCN）中进行特征变换的做法，引入FourierKAN。这一创新性替换，显著增强了图协同过滤（GCF）的表现力，让模型能够更精准地捕捉数据特征。同时，训练过程得到极大简化，降低了模型训练的复杂程度与时间成本。

（2）为提升模型的表示能力与鲁棒性，采用消息丢弃和节点丢弃策略。在面对不同数据集时，这两种策略发挥作用，助力模型有效过滤噪声信息，提升对复杂数据的适应能力，从而在不同数据集上均展现出更出色的性能表现。

三、GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks

1.方法

论文提出GraphKAN新方法，融合图神经网络与KANs。该方法用KANs替换MLPs和激活函数，大幅提升非线性与表示能力，在处理图形数据时，特征提取更高效，优势显著。

2.创新点

（1）开创性地将KAN应用于图神经网络（GNN），替代传统MLP，精准解决信息损失痛点，大幅提升图神经网络的数据处理效能。

（2）选用基于样条的单变量函数作为可学习激活函数，极大提高模型效率，同时赋予模型良好的可解释性，让模型优势更显著。

（3）以KAN取代MLP和固定激活函数，彻底消除ReLU等激活函数的表示能力限制，显著增强模型对复杂模式的表征能力。

观 住 ：【AI学术工坊】🚀🚀🚀工 种 浩！（dddd）

回复“C160”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏哦~