KAN-MLP-Mixer：Kolmogorov-Arnold网络用于改进基于IMU的人体活动识别的综合研究
本研究提出一种混合架构KAN-MLP-Mixer，结合Kolmogorov-Arnold网络(KAN)的精度与多层感知机(MLP)的噪声鲁棒性和效率，用于基于IMU的人体活动识别(HAR)。在8个公开数据集上，混合模型相比纯MLP模型平均宏F1分数提升5.33%，显著优于单独的KAN和MLP基线。该策略还能一致提升其他先进HAR架构的性能。
Kolmogorov-Arnold网络（KAN）在干净低维数据上展现了出色的复杂函数学习能力，但在噪声且不完美的真实世界数据集上性能下降。相比之下，传统的多层感知机（MLP）对噪声更容忍且计算高效。完全用KAN替换HAR模型中的MLP组件通常会导致准确率和计算效率下降，这引出了一个开放挑战：如何结合KAN的精度与MLP的噪声鲁棒性和效率？
为应对这一挑战，该论文系统探索了深度HAR网络中KAN模块的各种放置方式，并提出了一种混合架构，战略性地协同两种范式的优势。该架构采用基于KAN的输入嵌入层，保留MLP层用于中间特征混合，并引入专门的LarctanKAN模块用于最终活动分类。
在8个公开HAR数据集上，混合KAN-MLP模型相比纯MLP模型实现了平均宏F1分数相对提升5.33%，显著优于单独的KAN和MLP基线。此外，将该混合策略集成到其他最先将的HAR架构中也能一致地提升其性能。研究结果表明，精心编排的KAN、MLP或其他传统神经网络组件组合能够产生更鲁棒、更准确的HAR模型，适用于真实世界的可穿戴传感环境。
这项研究由Mengxi Liu等8位作者完成，论文发表在arXiv上（编号2605.19031），共24页9张图。实验覆盖了多个公开数据集，验证了混合策略的通用性。未来的工作可以进一步优化KAN与MLP的比例，以及探索在其他感知任务中的应用。