El artículo introduce Redes de Kolmogorov-Arnold Estructurales (KANs) que colocan funciones aprendibles en la estructura de convolución en lugar de en las entradas individuales del kernel, organizando el diseño según si la función actúa sobre los valores de píxel o la forma del filtro. Presenta tres realizaciones: SV-KAN con una función de valor compartida, AG-KAN usando un adaptador gaussiano adaptativo al contenido, y RF-KAN que construye filtros a partir de perfiles de cresta orientados en una base de wavelet Morlet.
- RF-KAN y SV-KAN logran 88.47% y 88.20% de precisión en CIFAR-10, respectivamente, con aproximadamente 0.4M parámetros.
- Estos modelos superan a las convoluciones simples y a los KANs por borde en aproximadamente una quinta parte de los parámetros.
- RF-KAN construye filtros utilizando amplitudes adaptativas al contenido de funciones de base wavelet oscilatorias localizadas.
- Los estudios de ablation identifican la forma aprendida como el componente crítico, cuya eliminación provoca una caída en la precisión de más de cuarenta puntos.
Los autores consideran esto significativo porque demuestra que las alternativas eficientes en parámetros para los KANs por borde pueden lograr un rendimiento superior aprovechando formas de filtro adaptativas al contenido en lugar de solo activaciones aprendibles.