🤖 machine learning

FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks

Dit paper introduceert FI-KAN, een nieuw type Kolmogorov-Arnold-netwerk dat leerbare fractale interpolatiefuncties integreert om de benadering van niet-gladde en fractale functies aanzienlijk te verbeteren door de basisfuncties dynamisch aan te passen aan de regulariteit van het doelwit.

Oorspronkelijke auteurs: Gnankan Landry Regis N'guessan

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Gnankan Landry Regis N'guessan

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

Stel je voor dat je een kunstenaar bent die probeert een landschap te schilderen.

In de wereld van kunstmatige intelligentie (AI) zijn er verschillende soorten "kwasten" (wiskundige hulpmiddelen) om deze landschappen na te bootsen.

Het oude probleem: De gladde kwast
Tot nu toe gebruikten de slimste AI-modellen (zoals KANs) kwasten die alleen gladde, vloeiende lijnen kunnen maken. Ze zijn fantastisch voor het schilderen van een kalme zee of een perfect ronde bol. Maar wat als je een landschap moet schilderen dat ruw is? Denk aan een rotsachtige bergwand, een onrustige zee met schuim, of een berggebied met scherpe pieken en diepe dalen?
Als je een ruw landschap probeert te schilderen met een kwast die alleen gladde lijnen kan, moet je duizenden kleine, gladde lijntjes naast elkaar zetten om de ruwheid te benaderen. Het resultaat is vaak wazig, onnauwkeurig en je verspilt veel inkt (rekenkracht).

De nieuwe oplossing: FI-KAN (De "Fractale Kwast")
De auteurs van dit paper hebben een nieuwe soort kwast bedacht: FI-KAN.
In plaats van alleen gladde lijnen, kan deze kwast ruwe, zelf-herhalende patronen maken. Denk aan een kwast die niet alleen een lijn trekt, maar ook kleine, ruwe takjes aan die lijn toevoegt, en aan die takjes weer nog kleinere takjes. Dit noemen wiskundigen "fractalen".

Hoe werkt het precies?

De Leerbaarheid: De AI kan tijdens het leren zelf beslissen: "Moet mijn kwast glad zijn, of moet hij ruw zijn?"
- Als het landschap een gladde heuvel is, maakt de kwast zich glad (zoals een gewone KAN).
- Als het landschap een ruwe berg is, maakt de kwast zich ruw en fractaal.
De Twee Varianten:
- Pure FI-KAN: Dit is de "extreme" versie. De kwast is altijd fractaal. Hij is geweldig voor ruwe bergen, maar hij faalt totaal als je een gladde hemel moet schilderen (hij maakt de hemel onnodig korrelig).
- Hybrid FI-KAN: Dit is de "slimme" versie. Deze kwast heeft twee kanten: een gladde kant (voor de basis) en een ruwe kant (voor de details). Hij gebruikt de gladde kant voor de heuvels en schakelt de ruwe kant in voor de rotsen. Dit werkt bijna altijd het beste.

Waarom is dit zo belangrijk? (De Analogie van de Bouwmeester)
Stel je voor dat je een huis moet bouwen.

De oude methode (KAN): Je bouwt alles met gladde bakstenen. Als je een hoekige toren wilt bouwen, moet je honderden kleine, gladde stenen op een rare manier stapelen om de hoek te benaderen. Het kost veel tijd en het ziet er niet echt uit als een toren.
De nieuwe methode (FI-KAN): Je hebt een set blokken die je zelf kunt vervormen. Voor de vloer gebruik je gladde tegels. Voor de toren gebruik je blokken die van nature hoekig en ruw zijn. Je bouwt de toren veel sneller, nauwkeuriger en met minder materiaal.

Wat zeggen de resultaten?
De auteurs hebben hun nieuwe kwast getest op allerlei moeilijke taken:

Wiskundige puzzels: Waar de oude AI faalde bij ruwe functies, haalde de nieuwe AI tot wel 79 keer betere resultaten.
Ruwe PDE's (Wiskundige vergelijkingen voor natuurkunde): Denk aan hoe water stroomt door een rotsachtige ondergrond of hoe hitte zich verspreidt in een hoekig gebouw. De oude AI zag hier vaak alleen een wazige vlek. De nieuwe AI zag de scherpe hoeken en ruwe patronen duidelijk.
Ruisbestendigheid: Als je een ruw landschap schildert met veel "vlekken" (ruis) eroverheen, is de nieuwe kwast beter in het onderscheiden van het echte landschap en de vlekken.

De grote les
De belangrijkste boodschap van dit paper is simpel: Pas je gereedschap aan aan het werk.
Als je een gladde taak hebt, gebruik dan een gladde kwast. Als je een ruwe, complexe taak hebt, gebruik dan een ruwe kwast. De AI kan nu zelf leren welke kwast hij nodig heeft, in plaats dat de programmeur het voor hem moet kiezen.

Kortom: FI-KAN is een slimme, aanpasbare kwast die AI-systemen in staat stelt om zowel de zachte glooiingen als de ruwe, chaotische details van onze wereld veel beter te begrijpen en na te bootsen.

Titel: FI-KAN: Fractale Interpolatie Kolmogorov–Arnold Netwerken

Auteurs: Gnankan Landry Regis N'guessan et al.
Publicatie: arXiv:2603.28288v1 [cs.LG] (30 maart 2026)

1. Het Probleem

Neurale functiebenadering (zoals MLP's en Kolmogorov-Arnold Networks of KAN's) maakt vaak impliciete aannames over de gladheid (regulariteit) van de te benaderen functies.

Bestaande KAN's: Gebruiken B-spline-basisfuncties op een vast rooster. Deze zijn optimaal voor gladde functies (Sobolev-ruimten met hoge afgeleiden) maar falen fundamenteel bij niet-gladde doelen.
De beperking: Veel wetenschappelijke en technische signalen (turbulentie, financiële tijdreeksen, breukoppervlakken, biomedische signalen) vertonen fractale eigenschappen, zelfgelijkvormigheid of een Hôlder-regulariteit die lager is dan 1 (niet-Lipschitz).
Het gevolg: Het benaderen van een fractale functie (met een box-counting dimensie $dim_B > 1$ ) met gladde basisfuncties vereist een exponentieel groter aantal basisfuncties om dezelfde nauwkeurigheid te bereiken. De polynoom-reproductie-eigenschappen van splines bieden hier geen voordeel. Er is een mismatch tussen de geometrie van de basisfuncties en de regulariteit van het doel.

2. Methodologie: FI-KAN Architectuur

De auteurs introduceren FI-KAN, een architectuur die de B-spline-basisfuncties in KAN vervangt door of aanvult met Fractale Interpolatiefuncties (FIF) afgeleid van de theorie van Iterated Function Systems (IFS).

De kerninnovatie is dat de verticale contractieparameters $\{d_i\}$ van het IFS worden behandeld als leerbare parameters. Dit geeft elke rand-activatie een differentieerbare fractale dimensie die zich tijdens het trainingstraject aanpast aan de regulariteit van het doel.

Er worden twee varianten gepresenteerd:

Pure FI-KAN (Barnsley-framework):
- Vervangt B-splines volledig door FIF-basisfuncties.
- De randfunctie is: $\phi(x) = w_{base}\sigma(x) + \sum w_{frac} \phi_m(x; d)$ .
- Wanneer de contractieparameters $d=0$ zijn, reduceert dit tot stuksgewijs lineaire "hat"-functies.
- Doel: Testen van de hypothese dat fractale basissen essentieel zijn voor ruwe doelen.
Hybrid FI-KAN (Navascués-framework):
- Behoudt het B-spline-pad (als klassieke benadering $b$ ) en voegt een fractale correctie-pad toe ( $h$ ).
- Implementeert de $\alpha$ -fractale decompositie: $f^\alpha_b = b + h$ .
- De fractale correctie $h$ is een zelf-affiene verstoring die nul is op de interpolatiepunten.
- Doel: Bieden van robuustheid over het hele spectrum van glad tot ruw. Het netwerk start als een standaard KAN en ontwikkelt fractale structuur alleen waar de data dit vereist.

Regularisatie:
Een nieuwe fractale dimensie regularisator ( $R_{fractal}$ ) wordt geïntroduceerd. Deze straalt een "Occam's razor" uit op het niveau van de geometrie van de functie: het straalt fractale complexiteit af (dimensie $>1$ ) tenzij de data voldoende bewijs levert voor ruwheid. Dit is fundamenteel anders dan L1/L2-regularisatie op gewichten.

3. Belangrijkste Bijdragen

Theoretisch onderbouwde architecturen: Twee varianten gebaseerd op klassieke wiskundige frameworks (Barnsley en Navascués), niet op ad-hoc modificaties.
Leerbare fractale dimensie: Een continue, differentieerbare "knop" om te schakelen tussen gladde ( $dim_B=1$ ) en ruwe ( $dim_B>1$ ) basisfuncties.
Regulariteit-matching hypothese: Empirisch bewijs dat de geometrische structuur van basisfuncties cruciaal is en moet overeenkomen met de regulariteit van het doel.
Interpreteerbare complexiteitscontrole: De geleerde fractale dimensie fungeert als een diagnostisch hulpmiddel dat de regulariteit van het doel weerspiegelt.
Uitgebreide validatie: Resultaten op synthetische functies, ruwe PDE-oplossingen (met hoeksingulariteiten en ruwe coëfficiënten) en in ruisomstandigheden.

4. Resultaten

De experimenten tonen aan dat FI-KAN aanzienlijke verbeteringen biedt ten opzichte van standaard KAN's en MLP's, afhankelijk van de regulariteit van het doel:

Hôlder Regulariteit Sweep ( $\alpha \in [0.2, 2.0]$ ):
- Hybrid FI-KAN presteert op elk regulariteitsniveau beter dan KAN (van $1.3\times$ tot $33\times$ verbetering in MSE).
- Pure FI-KAN faalt op gladde doelen (polynomen) omdat fractale basissen geen polynomen van hoge graad kunnen reproduceren, maar presteert goed op zeer ruwe doelen. Dit bevestigt dat de mismatch in geometrie de oorzaak is van de slechte prestaties.
Fractale Doelen:
- Op Weierstrass- en Takagi-landsberg-functies bereikt Hybrid FI-KAN tot 6.3x lagere MSE dan KAN.
- De fractale correctie vangt multi-schaal structuren die splines volledig missen.
Niet-Gladde PDE-oplossingen:
- Ruwe coëfficiënten diffusie: Hybrid FI-KAN bereikt een verbetering van 65x tot 79x ten opzichte van KAN. De fractale correctie vangt de gestructureerde ruwheid die uit de PDE-operator voortvloeit.
- L-vormig domein (Hoeksingulariteit): Een verbetering van 3.5x bij het benaderen van de $r^{2/3}$ singulariteit.
- Stochastische warmtevergelijking: Verbeteringen van 6.5x tot 25x afhankelijk van de ruisintensiteit.
Ruisrobustheid:
- FI-KAN toont superioriteit bij het trainen met ruis (bijv. 5 dB SNR), met behoud van een 4.7x voordeel op fractale doelen. De fractale basissen fungeren als een impliciete multi-schaal denoiser.
Complexiteitsanalyse:
- Een regularisatie-sweep toont aan dat het netwerk de fractale dimensie automatisch aanpast: voor gladde doelen convergeert de geleerde dimensie naar 1.0 (glad), terwijl deze voor ruwe doelen stijgt naar $>1.1$ .

5. Betekenis en Conclusie

Dit werk vestigt regulariteit-matching basisontwerp als een principiële strategie voor neurale functiebenadering.

Paradigmaverschuiving: Het toont aan dat het niet alleen gaat om het aantal parameters of de diepte van het netwerk, maar om de geometrische regulariteit van de basisfuncties. Een architectuur die goed is voor gladde functies, is fundamenteel suboptimaal voor fractale functies.
Praktische Toepassingen: FI-KAN is bijzonder relevant voor domeinen waar niet-gladde structuren de regel zijn in plaats van de uitzondering, zoals:
- Ondergrondse stroming in heterogene media.
- Elliptische PDE's op niet-convexe domeinen.
- Stochastische PDE-oplossingen.
- Geofysische signaalverwerking en biomedische signalen.
Beperkingen: Pure FI-KAN is minder efficiënt op gladde doelen en vereist meer rekentijd (door sequentiële recursie) dan standaard KAN. De Hybrid-variant biedt echter een robuuste oplossing die zowel gladde als ruwe doelen aankan.

Samenvattend biedt FI-KAN een wiskundig onderbouwde manier om neurale netwerken aan te passen aan de intrinsieke geometrie van het probleem, waardoor ze aanzienlijk efficiënter en nauwkeuriger worden bij het modelleren van complexe, niet-gladde fenomenen.