KAN
自提出至今，一直备受顶会青睐，前不久KAN被ICLR25接收为Oral Paper，与之相关的研究越发火热，其中
结合小波变换
的思路尤盛。
一方面，小波变换的多尺度分析能力可以为KAN提供更丰富的特征表示，从而提高模型的性能。另一方面，KAN的灵活性和表达能力可以让这组合在处理复杂数据集时表现出色。二者可谓相辅相成，在特征提取、故障诊断等方面发挥了重要作用，如今更是
成为了信号处理领域的前沿课题。
作为热门前沿方向，KAN+小波变换的多篇高质量的论文已经在多个顶会顶刊上发表，比如一区上的一篇成果，通过结合两者，在乳腺癌诊断各指标上都非常出色。如果有同学想以此发论文，建议多看看这些论文找灵感，我已经整理打包好了
一部分
新成果
，基本都有开源代码
，需要的可无偿获取。
扫码添加小享，
回复“
小波KAN
”
免费获取
全部论文+开源代码
Prediction of Infiltrating Ductal Carcinoma using Morlet Wavelet Integrated Kolmogorov Arnold Network
方法：
论文提出了一种结合小波变换（Morlet小波）和KAN的模型，用于预测乳腺癌中的浸润性导管癌（IDC）。通过在KAN模型中集成Morlet小波变换，能够有效提取组织病理学图像中的特征，从而提高模型的诊断性能。
创新点：
-
将Morlet小波变换与Kolmogorov Arnold网络集成，用于从组织病理学图像中提取特征。
-
采用了一种数据增强技术，平衡了IDC_regular_ps50_idx5数据集中的组织病理图像。
-
通过结合Morlet小波变换，实现了91.07%的特异性、90.83%的精确度、88.87%的召回率和89.97%的整体准确率。
Wav-KAN: Wavelet Kolmogorov-Arnold Networks
方法：
本文提出了一种名为Wav-KAN的新型神经网络架构，通过将小波变换与KAN相结合，显著提升了神经网络的可解释性和性能。Wav-KAN利用小波函数的多分辨率分析能力，能够高效地捕捉输入数据中的高频和低频成分，同时避免过拟合噪声。
创新点：
-
Wav-KAN 通过将小波函数整合到科尔莫戈罗夫-阿诺德网络结构中，有效捕捉输入数据的高频和低频成分。
-
Wav-KAN 利用了离散小波变换（DWT）进行多分辨率分析，避免了在细节提取过程中需要重复计算前一步骤的问题。
-
KAN通过在边缘而非节点上放置可学习的一元函数来替代线性权重，使得每个节点仅对前一层的一元函数进行求和。
扫码添加小享，
回复“
