查看“WikiEdge:ArXiv-2404.19756/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2404.19756/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''[[多层感知器]]（[[Multi-Layer Perceptrons]], MLPs）的局限性'''：
#* MLPs作为[[深度学习]]的基础模型，在处理非线性函数逼近方面发挥着重要作用，但其固定激活函数限制了其表达能力和可解释性。
#* MLPs在处理高维数据时面临[[维度灾难]]，且其参数数量随网络深度和宽度增加而急剧增加，导致训练难度和过拟合风险提高。
# '''[[Kolmogorov-Arnold]] 表示定理的启发'''：
#* Kolmogorov-Arnold 表示定理提出，任何多变量连续函数都可以通过单变量连续函数的有限组合和加法运算表示，为构建新型[[神经网络]]提供了理论基础。
#* 基于该定理的[[Kolmogorov-Arnold 网络]]（KANs）通过在网络边缘学习激活函数，而非传统MLPs中的节点，为解决MLPs的局限性提供了新思路。
# '''[[人工智能]]与[[科学]]的结合（AI + Science）'''：
#* 随着人工智能技术的发展，其在科学研究中的应用日益广泛，特别是在[[数学]]和[[物理]]等领域，AI的辅助能够加速科学发现和理论验证。
#* KANs因其在准确性和可解释性方面的优势，被视为AI + Science任务中的有力工具，有助于科学家重新发现数学和物理定律。
综上所述，这篇文献的背景强调了在深度学习领域中对新型神经网络结构的需求，以及Kolmogorov-Arnold 网络在解决现有MLPs局限性和促进AI与科学研究结合中的潜力。