《Expert Systems with Applications》：Adaptive Hermite Kolmogorov-Arnold Networks (AHKAN): Stable Geometric Neural Operators for Multi-Level Connectivity and Derivative-Informed Learning
编辑推荐：
经典的科尔莫戈罗夫-阿诺德网络（Kolmogorov-Arnold Networks，KANs）采用固定阶次的全局基函数（如B样条、径向基函数）以及缺乏可解释性的抽象权重。本研究提出了自适应埃尔米特科尔莫戈罗夫-阿诺德网络（Adaptive Hermite K
经典的科尔莫戈罗夫-阿诺德网络（Kolmogorov-Arnold Networks，KANs）采用固定阶次的全局基函数（如B样条、径向基函数）以及缺乏可解释性的抽象权重。本研究提出了自适应埃尔米特科尔莫戈罗夫-阿诺德网络（Adaptive Hermite Kolmogorov-Arnold Networks，AHKAN），其具备可训练的伪导数系数（θ0：数值，θ1：斜率，θ2：曲率）、空间自适应的多项式阶次以及单位分解归一化。在异质基准测试集上，AHKAN相较于三次B样条KAN将均方误差（Mean Squared Error，MSE）降低了2.1至5.0倍，其中θ1系数编码了类梯度的几何结构——这对于需要导数保真度的物理信息应用至关重要。应用于自然主义功能磁共振成像（functional Magnetic Resonance Imaging，fMRI）数据（7特斯拉，n=8名受试者，每次运行451个时间点）时，AHKAN展现了传统架构所不具备的四项神经影像能力：(i) 卓越的时间序列重建：通过保留相位关系，相关性较B样条KAN提升了+25%；(ii) 基于导数的时间特征表征：直接从拟合模型中提取的伪导数特征θ1（斜率）和θ2（曲率）编码了血氧水平依赖（Blood Oxygenation Level Dependent，BOLD）信号的局部几何结构，无需刺激起始信息或显式的血流动力学响应函数（Hemodynamic Response Function，HRF）建模；(iii) 事件检测：通过斜率幅度超过阈值实现自动化的叙事边界识别；(iv) 多级连接框架：幅度、斜率和曲率的相关性揭示了n=8名受试者中截然不同的耦合模式，50%的感兴趣区域（Region of Interest，ROI）对在组平均斜率连接中表现出相对于滑动窗口的符号反转，67%表现出负的组平均曲率相关性（p<0.001，相位随机化置换，错误发现率校正），这与互补的加速动力学一致；其机制性解释需要超出本研究范围的因果验证。至关重要的是，AHKAN的自适应阶次机制基于内在几何结构而非信号幅度来分配复杂度：由于复杂的自发动力学，低方差的默认模式网络需要最高的二次主导性（42.6%的时间点），超过了高方差的感觉皮层（39.5%），复杂度与方差的相关性r=0.250证实了这些信号属性的正交性。通过对六类一维函数的系统基准测试，确立了三次多项式阶次（r=3）作为稳健的默认设置，AHKAN在异质场景下平均MSE（1.112对1.705）较其最接近的竞争者ReLU-KAN高出53%；在KA可分解双变量函数上的初步二维扩展显示了具有竞争力的性能，AHKAN在不平滑异质函数（fsharp）上领先（MSE = 0.015，而BSpline-KAN为0.015）。鲁棒性分析证实，AHKAN在时间平滑（半高全宽0-8秒，Δr=?0.008）下具有重建稳定性，并且相对于Savitzky-Golay曲率具有更优的噪声弹性（在σ=2.0时，SG稳定性崩溃至r=0.063，而AHKAN为r=0.446）。该架构解决了预测准确性与机制可解释性之间的根本张力：AHKAN的伪导数结构优先考虑几何保真度而非逐点平滑，在中方差fMRI区域中+25%的相关性优势源于导数信息的时间特征保留而非幅度拟合。凭借其在导数约束学习、用于偏微分方程求解的物理信息神经网络以及神经影像时间序列分析中的应用，AHKAN建立了一个通用逼近保证与几何可解释性相互增强而非竞争目标的框架。
研究背景与意义
经典的科尔莫戈罗夫-阿诺德网络（KANs）通常采用固定的全局基函数，如B样条或径向基函数（RBFs），且伴随缺乏可解释性的抽象权重。为了克服这一局限，研究人员开展了题为“自适应埃尔米特科尔莫戈罗夫-阿诺德网络（AHKAN）”的研究。该研究提出了一种全新的架构，旨在通过引入可训练的伪导数系数、空间自适应的多项式阶次以及单位分解归一化，解决现有模型在预测精度与机制可解释性之间的矛盾。此项研究成果发表在国际知名期刊《Expert Systems with Applications》上，不仅在数学函数逼近领域实现了突破，更在7特斯拉超高场强自然主义功能磁共振成像（fMRI）数据分析中展现了巨大的应用潜力，为神经影像学提供了一种能够同时捕捉信号幅度、斜率和曲率的新型多级连接框架。
关键技术方法
研究人员主要采用理论架构创新与实证数据验证相结合的方法。在技术架构上，设计了具备可训练伪导数系数的AHKAN模型，并引入了空间自适应多项式阶次及单位分解归一化策略。在实证验证方面，研究使用了7-Tesla超高场强采集的自然主义fMRI数据，涵盖8名受试者，每名受试者在单次运行中采集451个时间点。此外，研究人员还构建了包含六类一维函数的系统基准测试集，并在KA可分解的双变量函数上进行了初步的二维扩展测试，以全面评估模型的鲁棒性与泛化能力。
研究结果
异质基准测试与鲁棒性分析
通过对六类一维函数进行系统的基准测试，研究人员确立了三次多项式阶次（r=3）作为模型的稳健默认设置。实验结果表明，AHKAN在异质场景下的平均均方误差（MSE）表现优异，达到1.112，较其最接近的竞争者ReLU-KAN（1.705）降低了53%。在针对KA可分解双变量函数的初步二维扩展测试中，AHKAN在不平滑异质函数（fsharp）上同样保持领先，MSE仅为0.015，而BSpline-KAN为0.016。此外，鲁棒性分析证实，AHKAN在时间平滑处理（半高全宽0至8秒）下表现出极高的重建稳定性，相关性变化仅为Δr=?0.008。更为关键的是，该模型展现出卓越的噪声弹性，当噪声水平σ达到2.0时，Savitzky-Golay曲率方法的稳定性崩溃至r=0.063，而AHKAN仍能维持在r=0.446的高位。
神经影像应用与多级连接框架
将AHKAN应用于自然主义fMRI数据后，研究人员发现了四项传统架构无法具备的神经影像能力。首先是卓越的时间序列重建能力，通过有效保留信号的相位关系，AHKAN的相关性较B样条KAN提升了+25%。其次是独特的基于导数的时间特征表征，模型提取的伪导数特征θ1（斜率）和θ2（曲率）成功编码了血氧水平依赖（BOLD）信号的局部几何结构，全程无需依赖刺激起始信息或显式的血流动力学响应函数（HRF）建模。第三是自动化事件检测，即通过监测斜率幅度是否超过预设阈值，实现了对叙事边界的精准识别。最后是构建多级连接框架，通过分析幅度、斜率和曲率的相关性，研究揭示了不同脑区之间截然不同的耦合模式。统计显示，50%的感兴趣区域（ROI）对在组平均斜率连接中表现出相对于滑动窗口的符号反转，67%的区域表现出负的组平均曲率相关性（p<0.001），这有力地印证了大脑中存在互补的加速动力学机制。
自适应机制与信号属性正交性
研究发现，AHKAN的自适应阶次机制并非依据信号幅度来分配计算复杂度，而是基于信号的内在几何结构。具体而言，尽管默认模式网络的信号方差较低，但由于其具备复杂的自发动力学特性，该网络对二次项的依赖度最高，占据了42.6%的时间点，甚至超过了高方差的感觉皮层（39.5%）。通过计算，研究人员确认复杂度与方差之间的相关性仅为r=0.250，这一数据从数学上证实了信号复杂度与信号幅度在AHKAN模型中属于完全正交的属性。
结论与讨论
讨论部分指出，AHKAN架构成功化解了预测准确性与机制可解释性之间的根本性冲突。其核心在于，AHKAN的伪导数结构始终将几何保真度置于逐点平滑之上，这使得模型在中方差fMRI区域取得+25%相关性优势的根本原因，在于其对导数信息时间特征的完美保留，而非单纯的幅度拟合。综上所述，AHKAN不仅在导数约束学习、物理信息神经网络（用于偏微分方程求解）等领域具有广泛应用前景，更重要的是，它开创性地将通用逼近的数学保证与几何层面的可解释性融合在同一框架下，使得二者不再是相互竞争的此消彼长目标，而是成为了相互增强的统一整体。
