2026年5月18日、Mengxi Liuら8名の著者による論文「KAN-MLP-Mixer: A comprehensive investigation of the usage of Kolmogorov-Arnold Networks (KANs) for improving IMU-based Human Activity Recognition」がarXivに投稿された。この研究は、新興のKolmogorov-Arnoldネットワーク（KAN）と従来の多層パーセプトロン（MLP）を組み合わせて、慣性計測装置（IMU）ベースの人間活動認識（HAR）の性能を向上させる方法を探求している。
KANはクリーンで低次元のデータ上で複雑な関数を学習する卓越した能力を示すが、ノイズが多く不完全な実世界のデータセットでは性能を維持するのに苦労する。対照的に、従来のMLPはノイズに対してはるかに寛容で計算効率も高い。HARモデル内のMLPコンポーネントをすべてKANに置き換えると、精度と計算効率が低下することが多く、KANの精度とMLPのノイズ堅牢性および効率性をどのように組み合わせるかという未解決の課題が浮き彫りになっている。
この問題に対処するため、研究チームは深層HARネットワーク内でのKANモジュールのさまざまな配置を系統的に調査し、両方のパラダイムの強みを戦略的に相乗させるハイブリッドアーキテクチャを提案した。このアーキテクチャは、KANベースの入力埋め込み層を使用し、中間特徴混合のためにMLP層を保持し、最終的な活動分類のために専用のLarctanKANモジュールを導入する。
8つの公開HARデータセットでの実験により、ハイブリッドKAN-MLPモデルは純粋なMLPモデルと比較して平均マクロF1スコアで5.33%の相対改善を達成し、単独のKANおよびMLPベースラインを大幅に上回ることが示された。さらに、このハイブリッド戦略を他の最先端HARアーキテクチャに統合すると、その性能が一貫して向上する。これらの発見は、KAN、MLP、または他の従来のニューラルコンポーネントを注意深く組み合わせることで、実世界のウェアラブルセンシング環境に対してより堅牢で正確なHARモデルが得られることを実証している。論文は24ページ、9つの図を含み、人工知能および信号処理の分野に関連している。