🔢 mathematics

Explicit Construction of Approximate Kolmogorov Superpositions with C2 Smoothness

Dit artikel presenteert een expliciete constructie van benaderende Kolmogorov-superposities met behulp van $C^2$ -gladde inwendige en uitwendige functies om willekeurige $\alpha$ -Hölder-continue functies te benaderen met een foutenmarge van $N^{-\alpha}$ , waardoor de pathologische gedragingen van klassieke representaties worden overwonnen terwijl hun strategie voor exacte representatie behouden blijft.

Oorspronkelijke auteurs: Lunji Song, Zilan Cheng, Juan Diego Toscano, Li-Lian Wang

Gepubliceerd 2026-05-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lunji Song, Zilan Cheng, Juan Diego Toscano, Li-Lian Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Geheel: Een 3D-puzzel ontwarren met 1D-snaren

Stel je voor dat je een complex, meerdimensionaal object hebt, zoals een gigantisch, ingewikkeld 3D-sculptuur (dat een functie met vele variabelen vertegenwoordigt, zoals $x_1, x_2, \dots, x_d$ ). Decennialang hebben wiskundigen een "magische truc" gekend (de Stelling van Kolmogorov Superpositie) die zegt dat je dit 3D-sculptuur volledig kunt beschrijven met alleen een stapel eenvoudige, één-dimensionale snaren (functies van één variabele).

Er was echter een addertje onder het gras. De oorspronkelijke "snaren" die bij deze magische truc werden gebruikt, waren wilde en gekartelde. Ze waren zo ruw en gebroken dat ze geen enkele gladde kromming hadden, waardoor ze onmogelijk te gebruiken waren in moderne hulpmiddelen zoals computersimulaties of neurale netwerken (die voorkeur geven aan gladde, vloeiende lijnen).

Dit artikel presenteert een nieuwe, gladdere versie van de magische truc. De auteurs hebben expliciet een set "gladde snaren" ontworpen die het complexe 3D-sculptuur nog steeds kunnen reconstrueren, maar dan zonder de gekartelde, gebroken randen. Ze bewijzen dat deze nieuwe snaren goed werken en elke gladde of licht hobbelige vorm met hoge nauwkeurigheid kunnen benaderen.

Het Probleem: De "Wilde" Snaren

In de oorspronkelijke theorie waren de "binnenste snaren" (die de invoer ontvangen) als trappen gemaakt van gebroken glas.

Ze gingen in kleine, scherpe stappen omhoog en omlaag.
Ze waren zo gekarteld dat als je op de meeste punten hun helling (afgeleide) probeerde te meten, deze nul was of niet gedefinieerd.
Omdat ze zo "wild" waren, konden computers ze niet effectief gebruiken voor leren of voorspelling.

Het artikel vraagt zich af: Kunnen we deze gebroken-glassnaren vervangen door gladde, gepolijste exemplaren zonder het vermogen om de 3D-vorm te reconstrueren te verliezen?

De Oplossing: Het Bouwen van Gladde "Binnenste" Snaren

De auteurs ontwierpen een nieuw type "binnenste snaar" (een binnenfunctie genoemd) dat $C^2$ -glad is.

Wat betekent $C^2$ -glad? Stel je voor dat je een auto bestuurt.
- Een gekartelde snaar is als het tegen een kuil aanrijden: je schokt naar voren, stopt dan, en schokt weer.
- Een $C^1$ -gladde snaar is als een gladde weg: je schokt niet, maar het stuur kan nog steeds scherp draaien.
- Een $C^2$ -gladde snaar is als een perfect hellend racecircuit. Niet alleen is de weg glad, maar de kromming van de weg verandert ook soepel. Je kunt erop rijden zonder enige plotselinge schokken of scherpe bochten.

Hoe hebben ze het gebouwd?
In plaats van gebroken treden te gebruiken, gebruikten ze een "lijm" gemaakt van speciale wiskundige vormen (polynomen en sinusgolven).

De Gaten: Ze creëerden kleine gaten in de weg waar de snaar zachtjes omhoog buigt (met behulp van een "uitgesmeerde" vorm).
De Vlakke Delen: Tussen de gaten blijft de snaar grotendeels vlak, maar beweegt hij toch vooruit.
Het Resultaat: Een enkele, continue, gladde lijn die nooit stopt met vooruitbewegen (strikt stijgend) en geen scherpe hoeken heeft.

Het "Kaart"-Probleem: Het Chaos Ordenen

Zodra je gladde snaren hebt, moet je ze combineren om de 3D-wereld af te beelden op een 1D-lijn. Dit is als proberen een rommelige kamer in één lange gang te proppen.

Als je dingen willekeurig inpakt, kunnen voorwerpen uit verschillende delen van de kamer naast elkaar in de gang eindigen, wat voor rommel zorgt (wiskundigen noemen dit "dislocatie").

De Oplossing van de Auteurs:
Ze bedachten een precies recept voor het mengen van de snaren.

Ze kenden verschillende "gewichten" (genaamd $\lambda$ ) toe aan elke dimensie.
Ze bewezen dat als je deze gewichten net goed kiest (gebaseerd op de grootte van de gaten), de "gang" georganiseerd blijft.
De Analogie: Stel je voor dat je boeken sorteert op hoogte. Als je ze zomaar in een stapel gooit, kan een kort boek naast een hoog boek eindigen. Maar als je een specifieke sorteervolgorde gebruikt (hun wiskundige recept), blijft elk kort boek bij andere korte boeken, en blijft elk hoog boek bij hoge boeken. Dit zorgt ervoor dat de 1D-kaart de structuur van het 3D-object behoudt.

De "Buitenste" Snaren: Het Kaart Lezen

Zodra het 3D-object is platgelegd tot een 1D-lijn (het "binnenste" deel), moet je de waarde op dat punt lezen om het uiteindelijke antwoord te krijgen. Dit is de buitenfunctie.

De auteurs bouwden deze buitenfuncties door te kijken naar de "centra" van de ingepakte 3D-blokken.
Ze gebruikten een gladde interpolatiemethode (punten verbinden met gladde krommen) om een functie te creëren die de 1D-lijn kan lezen en de juiste waarde voor de oorspronkelijke 3D-vorm kan uitvoeren.

De Resultaten: Hoe Goed Is Het?

Het artikel bewijst twee hoofdzaakken:

Nauwkeurigheid: De nieuwe gladde constructie kan elke functie met een bepaald niveau van gladheid (genaamd $\alpha$ -Hölder continu) benaderen met een fout die voorspelbaar krimpt naarmate je meer "snaren" toevoegt (het verhogen van $N$ ). De fout wordt kleiner met een snelheid van $O(N^{-\alpha})$ .
Verificatie: Ze voerden computertests uit op functies met tot wel 9 dimensies. De resultaten kwamen perfect overeen met hun wiskundige voorspellingen, wat aantoont dat de fout precies zo snel afnam als ze hadden gezegd.

Waarom Dit Belangrijk Is (Volgens Het Artikel)

Het Is Praktisch: In tegenstelling tot de oorspronkelijke "wilde" functies, kunnen deze nieuwe gladde functies daadwerkelijk worden gebruikt in neurale netwerken (computersystemen voor leren).
Het Is Expliciet: De auteurs zeiden niet alleen "het bestaat"; ze gaven de exacte formules en stappen om deze functies te bouwen.
Het Lost Een Lange Durende Vraag Op: Jarenlang vroegen onderzoekers zich af of je deze gladde versies kon maken zonder de magie van de oorspronkelijke stelling te breken. Dit artikel zegt "Ja", en laat precies zien hoe.

Samenvattend: De auteurs namen een wiskundige magische truc die gebruikmaakte van gekartelde, gebroken snaren en vervingen die door gladde, gepolijste snaren. Ze bewezen dat deze nieuwe snaren complexe 3D-vormen nog steeds perfect kunnen reconstrueren, waardoor de theorie klaar is voor echte computer-toepassingen.

Technische Samenvatting: Expliciete Constructie van Benaderende Kolmogorov-superposities met $C^2$ -Gladheid

Probleemstelling
De Kolmogorov-superpositiestelling (KST) stelt dat elke continue multivariate functie kan worden weergegeven als een superpositie van continue univariate functies. Echter, bestaande constructieve bewijzen (bijvoorbeeld door Sprecher, Kahane en Lorentz) vertrouwen op binnenfuncties die "wilde" en "pathologische" gedragingen vertonen, zoals trapsgewijze structuren met afgeleiden die bijna overal verdwijnen. Deze niet-gladde functies zijn ongeschikt voor moderne toepassingen, met name in neurale netwerkarchitecturen (zoals Kolmogorov-Arnold-netwerken of KAN's), waar differentieerbaarheid en gladheid cruciaal zijn voor optimalisatie en convergentieanalyse. Hoewel er benaderende versies zijn voorgesteld om de niet-differentieerbaarheid van exacte representaties te omzeilen, is een rigoureuze, expliciete constructie van gladde ( $C^2$ ) benaderende superposities die de essentie van Kolmogorov's strategie behoudt, een open vraag gebleven.

Methodologie
De auteurs stellen een nieuwe, expliciete constructie voor van benaderende Kolmogorov-superposities die $C^2$ -gladheid bereikt voor zowel binnen- als buitenfuncties. De methodologie verloopt in drie hoofdfasen:

Constructie van Gladde Binnenfuncties:
In plaats van trapfuncties te gebruiken, definiëren de auteurs een genererende functie $\phi(t)$ die is samengesteld door twee specifieke vormfuncties aan elkaar te plakken:
- Een "uitgesmeerde" $C^2$ -Heaviside-functie $S(z)$ (afgeleid van een trigonometrisch polynoom) die wordt gebruikt op kleine "gaten" van grootte $\delta = N^{-2}$ .
- Een quintisch polynoom $P(z)$ dat wordt gebruikt op de hoofdsubintervallen van grootte $h = N^{-1}$ .
  Deze stukken worden samengevoegd tot een strikt stijgende, stuksgewijs $C^2$ -functie. De binnenfuncties $\psi_q(x)$ worden vervolgens gegenereerd door toepassing van geschikte translaties en dilataties op deze enkele genererende functie $\phi$ . Een afstelfactor $\nu$ controleert het gedrag bij de overgangen, waardoor de functies strikt stijgend en $C^2$ -glad blijven met controleerbare afgeleiden.
Scheiding van Hyperkubussen en Parameterselectie:
Het domein $[0, 1]^d$ wordt gepartitioneerd in hyperkubussen die gescheiden zijn door gaten. De auteurs definiëren Kolmogorov-afbeeldingen $\Psi_q(x) = \sum_{p=1}^d \lambda_p \psi_q(x_p)$ . Een kritieke uitdaging is het waarborgen dat deze afbeeldingen de hyperkubussen scheiden (d.w.z. dat verschillende hyperkubussen worden afgebeeld op disjuncte intervallen in het 1D-domein) om globale interpolatie mogelijk te maken.
Het artikel leidt expliciete voorwaarden af voor de schalingsparameters $\lambda = (\lambda_1, \dots, \lambda_d)$ en de afstelfactor $\nu$ om strikte monotonie van de afgebeelde hoekpunten van de hyperkubussen te garanderen. Door een kwadratische vergelijking op te lossen voor $\nu$ (aangeduid als $\nu^*$ ) en een recursieve rij te definiëren voor de partiële sommen van $\lambda$ , bieden de auteurs een expliciete set parameters $\lambda^*$ die ervoor zorgt dat de afgebeelde datapunten goed geordend en gescheiden zijn, waardoor "dislocaties" die gebruikelijk zijn in eerdere constructies worden gemitigeerd.
Constructie van Buitenfuncties:
De buitenfuncties $g_q$ worden geconstrueerd via rijgewijze interpolatie van de gesamplede doelfunctiewaarden in de centra van de hyperkubussen. De auteurs maken gebruik van dezelfde vormfunctie $S(z)$ die in de binnenconstructie werd gebruikt om stuksgewijze $C^2$ -interpolatie uit te voeren tussen de afgebeelde datapunten. Dit waarborgt dat ook de buitenfuncties $C^2$ -glad zijn.

Belangrijkste Bijdragen

Expliciete $C^2$ -Constructie: Het artikel biedt de eerste expliciete constructie van benaderende Kolmogorov-superposities waarbij zowel binnen- als buitenfuncties strikt stijgend en $C^2$ -glad zijn. Dit overwint het "wilde" gedrag van inherente functies in exacte KST-representaties.
Rigoureuze Parameterselectie: De auteurs leiden een specifieke set schalingsparameters $\lambda^*$ en een afstelfactor $\nu^*$ af die de scheiding van hyperkubussen onder de Kolmogorov-afbeeldingen garanderen. Dit lost het probleem van datapunt-dislocatie op, wat cruciaal is voor de geldigheid van de interpolatie.
Convergentieanalyse: Het artikel bewijst dat de geconstrueerde benadering $f_N$ convergeert naar elke $\alpha$ -Hölder-continue functie $f \in H^\alpha([0, 1]^d)$ met een nauwkeurigheid van $O(N^{-\alpha})$ . Het bewijs houdt expliciet rekening met de foutbijdragen van zowel punten binnen hyperkubussen als punten die in de gaten vallen.
Numerieke Verificatie: De auteurs implementeren het algoritme en verifiëren de theoretische convergentiesnelheden numeriek voor dimensies $d$ variërend van 2 tot 9, waarbij wordt aangetoond dat de waargenomen foutafname overeenkomt met de voorspelde $O(N^{-\alpha})$ -snelheid.

Resultaten
Het belangrijkste theoretische resultaat (Stelling 4.1) stelt dat voor elke $\alpha$ -Hölder-continue functie $f$ , de fout tussen $f$ en de geconstrueerde benadering $f_N$ voldoet aan:
$\|f - f_N\|_\infty \leq C \cdot N^{-\alpha}$
waarbij $C$ afhankelijk is van de dimensie $d$ en de Hölder-constante. De numerieke experimenten bevestigen deze convergentieorde voor diverse testfuncties, waaronder die met singulariteiten en hoogdimensionale invoer ( $d \leq 9$ ). De resultaten geven aan dat de convergentiesnelheid voornamelijk wordt bepaald door de gladheid van de doelfunctie ( $\alpha$ ) en het aantal buitenste sommaties ( $N$ ), waarbij de dimensie $d$ invloed heeft op de constanten maar niet op de asymptotische orde.

Betekenis en Claims
De auteurs claimen dat dit werk een open vraag oplost betreffende de constructie van gladde benaderende Kolmogorov-superposities. De betekenis van deze constructie ligt op verschillende gebieden:

Toepassingen in Neurale Netwerken: De gladheid en strikte monotonie van de geconstrueerde functies maken ze geschikt voor implementatie in neurale netwerken (specifiek Kolmogorov-Arnold-netwerken of KAN's). De constructie biedt een theoretisch kader waarin de binnenfuncties kunnen worden geparametriseerd door gladde ansatzklassen (bijvoorbeeld splines, MLP's) zonder de theoretische belemmering van niet-differentieerbaarheid.
Convergentietheorie: Door een expliciete, gladde tussenrepresentatie te bieden, ebt het artikel de weg vrij voor het vestigen van rigoureuze convergentietheorieën voor KAN's. Het maakt de decompositie van de totale fout mogelijk in de benaderingsfout van de KST-representatie en de benaderingsfout van het neurale netwerk-ansatz.
Theoretisch Inzicht: De constructie onthult dat naarmate de dimensie $d$ toeneemt, de binnenfuncties bijna vlak worden binnen de hyperkubussen (met afgeleiden die naar nul naderen), een natuurlijk gevolg van het coderen van hoogdimensionale informatie in één dimensie. Dit inzicht suggereert dat het loslaten van de eis om af te beelden op één dimensie (in plaats daarvan af te beelden op $d-1$ of lagere dimensies) een vruchtbare richting voor toekomstig onderzoek zou kunnen zijn.

Het artikel benadrukt dat hoewel de exacte KST-representatie wiskundig elegant is, de praktische bruikbaarheid ervan beperkt wordt door niet-gladheid. Dit werk overbrugt de kloof tussen het theoretische bestaan van dergelijke representaties en hun praktische, gladde implementatie in computationele kaders.