KAN-MLP-Mixer：IMUベースの人間活動認識改善のためのKolmogorov-Arnoldネットワーク（KAN）利用に関する包括的調査
本研究は、Kolmogorov-Arnoldネットワーク（KAN）の精度と多層パーセプトロン（MLP）のノイズロバスト性・効率性を組み合わせたハイブリッドアーキテクチャを提案し、IMUベースの人間活動認識（HAR）に適用する。8つの公開データセットにおいて、純粋なMLPと比較して平均マクロF1スコアを5.33%向上させ、単独のKANやMLPベースラインを大幅に上回る。また、このハイブリッド戦略は他の最先端HARアーキテクチャの性能も一貫して向上させる。
Kolmogorov-Arnoldネットワーク（KAN）は、クリーンで低次元のデータに対して複雑な関数を学習する優れた能力を示すが、ノイズが多く不完全な実世界のデータセットでは性能が低下する。対照的に、従来の多層パーセプトロン（MLP）はノイズに対する耐性がはるかに高く、計算効率も優れている。HARモデルのすべてのMLPコンポーネントを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のノイズロバスト性・効率性をどのように組み合わせるかという課題が浮き彫りになっている。
この課題に対処するため、本論文では深層HARネットワーク内のKANモジュールの様々な配置を系統的に探求し、両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する。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、中間特徴混合にはMLP層を保持し、最終的な活動分類には特殊なLarctanKANモジュールを導入する。
8つの公開HARデータセットにおいて、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スコアを5.33%向上させ、単独のKANおよびMLPベースラインを大幅に上回る。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、一貫して性能が向上する。これらの結果は、KAN、MLP、または他の従来のニューラルコンポーネントを慎重に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向けのよりロバストで正確なHARモデルが得られることを示している。
本研究はMengxi Liuら8名の著者により行われ、arXiv（番号2605.19031）に掲載されており、全24ページ、9図からなる。複数の公開データセットを用いた実験により、ハイブリッド戦略の汎用性が確認された。今後の研究では、KANとMLPの比率の最適化や、他のセンシングタスクへの応用が期待される。