KAN-MLP-Mixer：对使用 Kolmogorov-Arnold 网络 (KAN) 改进基于 IMU 的人类活动识别的全面研究

摘要

arXiv:2605.19031v1 Announce Type: new Abstract: Kolmogorov-Arnold Networks (KANs) have demonstrated an exceptional ability to learn complex functions on clean, low-dimensional data but struggle to mai

and MLP HAR KAN KANs

2026-05-20 1 阅读约1分钟阅读 Mengxi Liu, Sizhen Bian, Vitor Fortes, Francisco Calatrava Nicolas, Daniel Gei{\ss}ler, Maximilian Kiefer-Emmanouilidis, Bo Zhou, Paul Lukowicz

arXiv:2605.19031v1 公告类型：新摘要：Kolmogorov-Arnold Networks (KAN) 已展现出在干净、低维数据上学习复杂函数的卓越能力，但很难在嘈杂和不完美的现实数据集上保持性能。相比之下，传统的多层感知器（MLP）对噪声的容忍度更高，计算效率更高。在 HAR 模型中用 KAN 替换所有 MLP 组件通常会降低准确性和计算效率，这凸显了一个开放的挑战：如何将 KAN 的精度与 MLP 的噪声鲁棒性和效率结合起来。为了解决这个问题，我们系统地探索了 KAN 模块在深度 HAR 网络中的各种放置，并提出了一种混合架构，可以战略性地协同两种范式的优势，该架构使用基于 KAN 的输入嵌入层，保留用于中间特征混合的 MLP 层，并引入专门的 LarctanKAN 模块用于最终活动分类。在 8 个公共 HAR 数据集中，与纯 MLP 模型相比，混合 KAN-MLP 模型的平均宏观 F1 分数相对提高了 5.33%，显着优于独立的 KAN 和 MLP 基线。此外，将此混合策略集成到其他最先进的 HAR 架构中可以持续提高其性能。我们的研究结果表明，KAN、MLP 或其他传统神经组件的精心组合可以为现实世界的可穿戴传感环境产生更强大、更准确的 HAR 模型。

订阅66必读