KAN嵌进特征提取链路，正成为近期最见效的一类改造思路。用可学习样条替代固定激活，非线性拟合与逐层可解释性可以兼得。医学影像的细微病灶、遥感的多尺度地物、工业质检的低对比缺陷，表征质量都有实打实的提升。
本文从近年顶会顶刊中整理了10篇二者结合的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），不管是快速搭baseline、找创新切口，还是跟最新技术趋势，都能省不少从零摸索的功夫。
长按识别下方二维码，回复【特征kan】
无偿领全部论文合集及项目代码
AKTMD: Attention-KAN-Based Neural Networks for Transportation Mode Detection
基于注意力-KAN网络的交通方式检测
文章内容
针对交通方式检测中传感器时序相关性强、非线性建模难且缺乏可解释性的问题，提出AKTMD注意力-KAN混合模型，由卷积KAN、多头注意力与线性KAN三部分组成。卷积KAN借助可学习B样条激活，以更少参数分别提取各传感器的短时依赖，同时增强非线性表达与可解释性；多头注意力并行捕捉联动传感器的长时依赖，在精度与效率间取得平衡；线性KAN完成特征映射与分类。在SHL与HTC数据集上准确率分别达98.12%和95.52%，较TMD-BERT提升5.05%与3.29%，且计算开销更低。
DualKanbaFormer: Kolmogorov-Arnold Networks and State Space Model Transformer for Multimodal Aspect-based Sentiment Analysis
面向多模态方面级情感分析的Kolmogorov-Arnold网络与状态空间模型Transformer
文章内容
针对多模态方面级情感分析中注意力机制难以高效建模方面词与观点词的长程依赖、视觉表征缺乏全局上下文的问题，提出DualKanbaFormer框架。文本与图像分别由RoBERTa和ResNet-152编码，经方面-文本、方面-视觉多交互注意力获得任务相关表征；文本与视觉双支路各构建KanbaFormer模块，多头注意力捕捉局部依赖，Mamba状态空间建模全局上下文，KAN拟合高阶非线性交互，并以门控方式融合两路输出，最后经多模态门控融合完成分类。在Twitter-15、Twitter-17上准确率达78.71%与72.69%，F1为75.53%与71.48%，整体优于AMIFN等基线。
KAN-D2Net: Kolmogorov–Arnold Dynamic Gating Network With Dual-Domain Multiscale Feature Aggregation for Hyperspectral Stripe Noise Removal
双域多尺度特征聚合的Kolmogorov-Arnold动态门控高光谱条带噪声去除网络
文章内容
针对高光谱影像条带噪声各向异性强、易与地物边缘混叠，且现有方法未充分融合频域与空谱信息的问题，提出KAN-D2Net。模型在频域对条带噪声建模以刻画其方向性，聚合多尺度空间特征提升表达能力，并借助可学习图结构通道注意力聚焦关键波段以改善光谱恢复；核心的KAN动态门控模块以可学习激活函数适配复杂噪声分布，增强非线性表达。在模拟数据与GF-5、OHS-01、EO-01真实数据上，该方法可彻底去除条带，结构纹理无过平滑，光谱保真优于ASSTV、BM4D、HCANet等对比方法，MPSNR、MSSIM、MSAM指标全面领先。
↓↓听说在下方一键三连的都Accept了🌝
