《Foods》：An Interpretable Kolmogorov–Arnold Network for FTIR Detection and Quantification of Adulteration Across Diverse Food Matrices
编辑推荐：
受经济动机驱动的橄榄油、咖啡和果汁掺假是一个持续存在的食品欺诈问题，傅里叶变换红外光谱（FTIR）结合化学计量学可提供快速筛查。线性偏最小二乘回归（PLS）是可解释的，但无法捕捉非线性混合；神经网络增加了灵活性，但代价是成为黑箱。研究人员评估了一种Kolmog
受经济动机驱动的橄榄油、咖啡和果汁掺假是一个持续存在的食品欺诈问题，傅里叶变换红外光谱（FTIR）结合化学计量学可提供快速筛查。线性偏最小二乘回归（PLS）是可解释的，但无法捕捉非线性混合；神经网络增加了灵活性，但代价是成为黑箱。研究人员评估了一种Kolmogorov-Arnold网络（KAN），该网络在其边上放置可学习的单变量函数，因此本质上是可解释的，并将其与PLS、支持向量回归、随机森林、多层感知器和一维卷积网络在三个衰减全反射（ATR）-FTIR数据集（橄榄油+葵花籽油、咖啡+麦芽粉、橙汁+苹果汁；分别约350、400和400个光谱）上进行比较。所有模型在相同的、无泄漏的验证协议下进行比较，该协议按物理样本划分光谱。紧凑的KAN持续具有竞争力（交叉验证的决定系数（R2）分别为0.86、0.93和0.69），并生成了封闭形式方程，其变量映射到公认的振动带，且其重要性排序与SHapley Additive exPlanations（SHAP；Spearman ρ = 0.86–0.90）一致；符号转换不损失精度。研究人员还报告了以下局限性：PLS在化学性质为线性的情况下（咖啡）表现最强，多层感知器在果汁上表现最强，但其方程最弱（不同随机种子下R2为0.47–0.75）；参数匹配的感知器达到了KAN的精度；留一品牌验证使所有模型性能下降。因此，KAN在受控的多基质条件下是一种有前景、紧凑且真正透明的替代方案，但并非一种可部署的方法。
**论文解读：基于可解释Kolmogorov-Arnold网络的FTIR食品掺假检测与量化研究**
**1. 研究背景、问题与意义**
食品掺假，特别是受经济动机驱动的橄榄油、咖啡和果汁掺假，是全球食品行业面临的持续欺诈问题，严重侵蚀消费者信任并可能威胁健康。传统的检测方法如色谱法虽然准确，但耗时且成本高。傅里叶变换红外光谱（FTIR）结合衰减全反射（ATR）模式，因其快速、无需试剂的特点，成为食品真实性筛查的常用工具。然而，将光谱指纹转化为定量结果依赖于校准模型。目前，偏最小二乘回归（PLS）因其可解释性而成为主流方法，其回归系数可直接映射到波数，关联化学基团。但PLS是线性模型，无法处理光谱与成分之间的非线性关系。相比之下，支持向量回归（SVR）、随机森林（RF）和深度神经网络（如多层感知器MLP、一维卷积网络1D CNN）等灵活模型虽能捕捉非线性，但代价是成为“黑箱”，缺乏直接的可解释性，事后解释工具如SHAP虽能归因，却无法揭示模型的内在函数形式。Kolmogorov-Arnold网络（KAN）恰好针对这一权衡，它在每条边上学习可显式检查的单变量函数，从而在训练后能被剪枝并转化为紧凑的符号公式，实现内在可解释性。本研究旨在系统评估KAN是否能在严格无泄漏的验证协议下，作为FTIR食品掺假筛查的实用校准模型，同时保持竞争力与透明度。该研究发表在《Foods》期刊上。
**2. 主要关键技术与方法**
研究人员采用了以下关键技术：首先，收集了三种化学性质不同的食品基质（橄榄油掺葵花籽油、咖啡掺麦芽粉、橙汁掺苹果汁）的ATR-FTIR光谱数据集，每种基质包含约350-400个光谱，来自5个商业品牌的55个物理样本。其次，采用了严格无泄漏的验证协议，按物理样本（而非单个光谱或品牌）划分训练集和测试集，并采用五重交叉验证重复五次。第三，模型比较包括PLS、SVR、RF、MLP、1D CNN和KAN，其中KAN使用单隐藏层（宽度3）和三次B样条边函数，所有模型均采用内部交叉验证选择超参数。第四，通过剪枝和符号转换从KAN中提取封闭形式方程，并利用PLS载荷将方程变量映射回振动带。最后，通过Spearman秩相关比较KAN的内在特征重要性与事后SHAP归因。
**3. 研究结果**
**3.1 光谱特征与化学性质**：三种基质呈现不同的FTIR指纹。橄榄油光谱以甘油三酯特征为主，葵花籽油掺假主要影响共价键强度，导致光谱几乎重叠，是最具挑战性的校准。咖啡光谱中，麦芽粉引入的淀粉C-O特征在纯咖啡中缺失，差异明显，校准接近线性。果汁光谱受水背景主导，糖信息微弱，掺假后光谱几乎不可区分，校准难度最大。
**3.2 定量基准**：咖啡基质中，线性PLS表现最佳（R2=0.968），KAN（R2=0.927）虽具竞争力但显著低于PLS（p=0.007），符合近线性校准预期。橄榄油基质中，KAN（R2=0.855）与PLS（R2=0.855）和MLP（R2=0.864）统计上无显著差异，明显优于SVR（p=0.026）。果汁基质中，MLP数值最强（R2=0.774），KAN（R2=0.686）与PLS、SVR、RF和MLP无显著差异，显著优于1D CNN（p=0.007）。KAN在所有基质中参数最少（580-1060个），但参数匹配的MLP达到相同精度，故参数效率并非KAN的优势。
**3.3 掺假检测与检测限**：二元检测的F1分数在橄榄油和咖啡中超过0.9。检测限方面，橄榄油所有模型相似（13.7-14.9%），咖啡中KAN为10.3%，介于最优（8.2%）与最差（14.9%）之间，果汁中所有模型检测限均较高（30.7-55.5%），表明该基质仅适用于筛查水平而非痕量检测。
**3.4 稳健性**：通过十次独立分组留出验证，KAN的R2在橄榄油（0.83±0.06）和咖啡（0.95±0.02）中稳定，在果汁中（0.72±0.09）波动较大，但RF和1D CNN在果汁上方差更大，表明KAN在最难基质上更可靠。
**3.5 对未见品牌的泛化**：留一品牌验证中，所有模型性能均下降。橄榄油和咖啡中，KAN在四个品牌上转移良好，但第五个品牌出现优化不稳定（R2从-4.01到0.83）。果汁中，所有模型均失败，品牌间光谱变异超过掺假信号。KAN在未见品牌上存在逐次运行方差，需通过集成方法解决。
**3.6 消融实验与参数匹配基线**：消融表明，样条网格大小是最关键的参数，过大（G=20）导致灾难性过拟合；稀疏化强度仅在窄范围（λ=10?3至10?2）有效，过大（λ=10?1）破坏模型；预处理选择在果汁中至关重要，一阶导数（SG1）显著优于其他方法。参数匹配的MLP与KAN精度相当，证明KAN的贡献在于封闭形式方程而非参数效率。符号转换不损失精度，甚至略有提升，归因于结构正则化。
**3.7 方程与解释的稳定性**：符号方程的预测R2在橄榄油和咖啡中稳定（0.846±0.010和0.972±0.004），在果汁中波动较大（0.666±0.086）。内在重要性排序的Spearman秩相关在随机种子间较高（0.69-0.94），在交叉验证折叠间中等（0.28-0.74），在预处理间依赖矩阵。KAN不执行可靠的变量选择，但预测方程是可重复的。
**3.8 可解释性：方程、化学与SHAP一致性**：剪枝和符号转换产生紧凑封闭形式方程，其精度与原样条网络相当。橄榄油方程结合了主导PLS得分上的线性项和少量有界非线性项，其载荷映射到脂质区域（C-H伸缩、酯C=O和指纹C-O带），证明化学意义。KAN的内在特征重要性与事后SHAP归因高度一致（Spearman ρ=0.86-0.90），表明KAN内在报告了黑箱模型需通过外部解释器才能恢复的驱动因素，同时提供了函数形式和方程。
**3.9 可解释模型的适用场景**：当校准本质线性时（咖啡），PLS已接近最优，KAN的价值在于提供透明方程而非更高精度。当校准非线性或微妙时（橄榄油、果汁），KAN匹配最强基线，且在果汁上比黑箱模型更稳定。KAN的独特贡献在于将竞争性精度与内在透明度结合，方程可逐项检查并映射到振动带，且不损失精度，这对食品真实性分析中需向监管机构证明的方法至关重要。
**3.10 与先前研究比较及局限性**：与先前研究相比，本研究的KAN校准精度较低但诚实，并提供了内在封闭形式方程和波段级解释，这是先前方法所缺乏的。局限性包括：掺假样本为实验室制备的二元混合物，商业品牌数量有限（每个基质5个），物理样本数量适中，参考值为名义混合比例未经验证，检测为筛查水平，KAN优势不在于参数效率，方程不选择稳定稀疏变量子集，光谱来自单一仪器和实验室。
**4. 结论**
研究人员评估了一种内在可解释的Kolmogorov-Arnold网络，用于橄榄油、咖啡和果汁中基于FTIR的掺假检测与量化，采用严格无泄漏、样本分组的验证方法。紧凑的KAN持续具有竞争力——在橄榄油和果汁上与最强基线统计上无显著差异，在接近线性的咖啡上接近最佳线性模型——同时提供了封闭形式方程，其变量对应公认的振动带，且重要性排序与事后SHAP归因一致。将训练后的网络转化为符号形式不损失任何基质的精度。该结果的边界同样明确：线性PLS在化学性质为线性时仍是更好的模型；多层感知器在果汁上数值最强，但其符号方程最不可靠；参数匹配的多层感知器达到KAN的精度，因此简约性本身并非贡献；提取的方程作为预测器可重复，但不选择稳定变量子集；在留一品牌验证下，所有模型性能下降，KAN在未见品牌上还出现逐次运行不稳定性，且没有模型在果汁上成功。在这些边界内，KAN提供了竞争性精度与真正内在透明度的结合，非常适合食品真实性分析中的探索和方法开发工作，但基于现有证据，尚不适用于常规部署。未来工作应针对本研究暴露的三个空白——更多独立品牌和仪器、市场收集而非实验室制备的掺假样品，以及KAN在分布偏移下训练的稳定性——最可能通过随机重启动的集成方法解决。
