本文提出的 KAN-MLP-Mixer 是一项针对基于惯性测量单元（IMU）的人体活动识别（HAR）任务的系统性研究，由 Mengxi Liu 等共 8 位作者完成，于 2026 年 5 月 18 日提交至 arXiv，编号为 arXiv:2605.19031v1，归类于人工智能（cs.AI）与信号处理（eess.SP）交叉领域。论文共 24 页、含 9 幅图，提供了 PDF、实验性 HTML 以及 TeX 源码等多种访问形式。
研究的出发点在于两类网络范式各自的优劣。Kolmogorov-Arnold Networks（KAN）在干净、低维的数据上展现出极强的复杂函数学习能力，但面对真实世界中含噪、不完美的数据集时，性能往往难以维持。相反，传统多层感知机（MLP）对噪声的容忍度更高，计算效率也更好。作者指出，在 HAR 模型中若简单地把所有 MLP 组件替换为 KAN，通常会同时损害准确率与计算效率，这暴露了一个尚未解决的开放问题：如何把 KAN 的精确性与 MLP 的噪声鲁棒性和高效性结合起来。
为回答这一问题，作者并未停留在单一替换方案上，而是系统性地探索了 KAN 模块在深度 HAR 网络中的多种放置位置，并据此提出一种混合架构。该架构包含三个关键设计：输入端采用基于 KAN 的嵌入层，以便在特征进入网络之初就发挥 KAN 的精细建模能力；中间层保留 MLP 层负责特征混合，从而继承其对噪声的鲁棒性与计算效率；最终的活动分类环节则引入专门的 LarctanKAN 模块，用于输出活动类别。
实验在八个公开 HAR 数据集上展开。结果显示，这一混合 KAN-MLP 模型相较于纯 MLP 模型取得了平均宏 F1 分数约 5.33% 的相对提升，并显著优于单独的 KAN 基线与 MLP 基线。更重要的是，作者进一步将该混合策略迁移到其他先进的 HAR 架构中，发现这些架构的性能也能获得一致提升，说明该思路具有一定的通用性，而非仅适用于某一特定网络结构。
论文的结论强调，将 KAN、MLP 以及其他常规神经组件进行精心编排的组合，能够为真实可穿戴传感环境带来更稳健、更准确的 HAR 模型。这一发现对实际部署具有直接意义：可穿戴设备采集的 IMU 信号天然带有噪声与不完美，单纯追求表达能力的 KAN 或单纯追求效率的 MLP 都难以单独胜任，而按层次分工的混合设计则在两者之间取得了更好的平衡。论文的完整版本、图件与源码可通过 arXiv 页面及其 DOI 获取。