💻 computer science

Rethinking Time Series with Kolmogorov-Arnold Networks: A Systematic Review

这项系统综述评估了 Kolmogorov-Arnold 网络（KANs）在时间序列分析中的适用性，结论指出，尽管 KANs 在处理各种领域的平滑模式时，在具有可解释性的短时预测方面表现出色，但其目前的应用受到异质性证据、处理长程依赖和机制转换方面的挑战，以及对标准化基准和严格可解释性验证需求的限制。

原作者： Antoni Mól, Dariusz Jemielniak, Leon Ciechanowski

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Antoni Mól, Dariusz Jemielniak, Leon Ciechanowski

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在试图预测未来。也许你想知道明天你所在的社区会消耗多少电力，或者手机里的电池表现会如何，甚至想知道天气会如何变化。多年来，这类工作的首选工具就像是巨大的“黑盒机器人”（被称为深度学习模型），它们擅长猜测，却完全无法解释自己为什么会那样猜。而且，它们有时在处理长期模式时显得笨拙。

Kolmogorov-Arnold 网络（Kolmogorov-Arnold Networks），简称 KANs 正式登场了。不要把 KANs 看作一个黑盒，而要把它看作一位大师级厨师——他不仅仅是把食材扔进锅里，还能向你展示精确的食谱，一步步解释每一种香料是如何改变风味的。

以下是关于这项新系统综述的精彩报道，它对这些 KANs 进行了“试吃测试”，看看它们是否已经准备好登上主菜舞台。

主菜：KANs 究竟在做什么

传统的神经网络就像是一条工厂装配线，其中的机器（神经元）是固定的，只有传送带（权重）会被调整。KANs 则颠覆了这一逻辑。它们不再使用固定的机器，而是在节点之间的连接上使用可调节、可学习的函数。

想象一下，标准网络是一个管道系统，水流通过固定的弯头；而 KANs 则是一个管道系统，其中的弯头本身可以拉伸、收缩并重塑形状，以完美契合水流。这使得它们能够更高效地学习数据中复杂且平滑的模式。

味觉测试：KANs 的闪光点

研究人员审查了 36 项研究，发现 KANs 在特定的、有结构的各种环境中表现极其出色。

能源与电池： 在电网和电动汽车电池的世界里，KANs 就像是超级精准的机械师。在一项研究中，一个 KAN 模型预测电池健康状况的误差（RMSE）仅为 0.00570，击败了旧模型的 0.00607。在另一项研究中，它预测电动汽车电池剩余电量的准确度（R²）达到了 0.9755，而旧模型仅为 0.9693。
自然与基础设施： 在预测河流流量或大坝在压力下会如何弯曲时，KANs 是明星选手。对于 1 天河流流量的预测，KANs 在莱茵河上的准确度（R²）达到了 0.975，而之前的冠军（Transformer）仅能达到 0.955。
“小数据”超能力： 最酷的技巧之一是什么？KANs 非常小巧。在一次异常检测测试中，一个 KAN 模型仅用了 274 个参数（大脑的“记忆槽”）就完成了任务，而旧模型需要 10,421 个。这意味着减少了 97%！这就像是用极少量的拼图碎片就解开了谜题，而不是用一整盒碎片。

“请稍等”区域：KANs 的失误之处

这是论文按下刹车键的部分。KANs 并不是包治百病的灵丹妙药。

金融市场陷阱： 如果你认为 KANs 会像巫师一样预测股市或加密货币价格，论文给出的建议是：再想想。 在金融市场中，价格波动剧烈且规则变化突兀（就像一场目标点不断移动的游戏），KANs 表现挣扎。一个尝试预测加密货币价格的模型，其准确度（R²）仅为 0.1378 到 0.1796。论文指出，这是因为金融市场过于混乱且“粗糙”，不适合 KANs 所钟爱的那些平滑数学曲线。
长期预测： KANs 擅长短期预测（如 1 到 3 天），但当你试图观察更远的未来时，它们的优势就会消失，表现得和旧模型一样。
“慢炖”问题： 虽然 KANs 在体积上很高效，但它们的训练速度可能较慢。在一项研究中，一个 KAN 模型训练了 843 秒，而基准模型仅用了 244 秒 就完成了。这就像是一道味道极佳但需要比平时多花三倍时间准备的慢炖料理。

“可解释性”之谜：我们真的能读懂食谱吗？

KANs 最大的卖点在于它们应该是“可解释的”。你应该能够观察模型并看到它学到的数学公式，就像看到食谱一样： $X_{t+1} = e^{X_t^2} + \sin(3.14 \cdot X_{t-1})$ 。

论文证实，是的，它们确实可以吐出这些公式。然而，这里有一个陷阱。作者警告说，仅仅因为你能看到公式，并不意味着人类专家真正理解了它，或者比看待黑盒时更信任它。

权衡取舍： 为了让模型简单到可以阅读“食谱”，你往往必须牺牲一部分准确性。在一项测试中，“可读版”的 KAN 表现明显逊色于“不可读版”。
缺失的证明： 论文指出，虽然我们拥有了公式，但没有人真正询问过人类专家（如医生或工程师）这些公式是否能帮助他们做出更好的决策。这就像拥有一张精美的地图，但我们还没有测试它是否真的能帮你找到路。

结论：一种专门化的工具，而非通用方案

那么，最终的启示是什么？

论文表明，KANs 是一个极具前景的专业化工具，适用于数据平滑、有结构且属于短期预测的问题——例如预测用电量、河流水平或电池健康状况。在这些领域，它们通常比旧模型更准确、更小巧且更透明。

然而，它们并不是万能的解决方案。它们还没有准备好取代所有其他模型，尤其是在像金融这样混乱的领域或进行长期预测时。作者还指出，该领域仍处于起步阶段；许多研究并未报告模型的运行时间或内存占用情况，这使得很难断定它们是否已准备好投入现实世界使用。

简而言之，KANs 是 AI 管弦乐队中一件出色的新乐器，非常适合演奏平滑、复杂的旋律，但在混乱的摇滚演唱会中，它们可能会迷失方向。在让我们让它们领衔演出之前，我们需要更多的练习（和更多的测试）。

技术摘要：通过 Kolmogorov-Arnold 网络重新思考时间序列：系统性综述

1. 问题陈述

时间序列分析在金融、医疗、能源和气候科学等领域至关重要，但面临着现有方法难以解决的持续挑战。传统的统计方法（如 ARIMA）由于受限于线性性和平稳性假设，往往无法应对非平稳数据或概念漂移（concept drift）。深度学习架构，包括循环神经网络（RNN）和长短期记忆网络（LSTM），深受梯度消失/爆炸、序列处理中的计算效率低下以及灾难性遗忘的影响。最近，Transformer 架构已被应用于时间序列，但面临着架构不匹配的问题，例如自注意力机制的置换不变性与时间顺序之间的冲突、二次方计算复杂度，以及在较小数据集上容易过拟合的问题。此外，现有模型通常缺乏可解释性，也缺乏处理概念漂移（即底层数据分布随时间演变）的鲁棒机制。

本文认为，基于 Kolmogorov-Arnold 表示定理的新型架构——Kolmogorov-Arnold 网络（KANs），提供了一种根本不同的建模范式。与使用固定激活函数并学习线性权重的多层感知器（MLP）不同，KANs 在网络的边（edges）上放置了可学习的非线性单变量函数（通常是 B-splines）。这种结构在理论上允许更高效的函数逼近和内在的可解释性，有望填补当前时间序列模型留下的空白。

2. 研究方法

本研究是对 KANs 在时间序列分析中适用性的系统性综述。

检索策略： 作者检索了四个数据库（ScienceDirect, IEEE Xplore, Springer, 和 arXiv），涵盖 2024 年 4 月至 2025 年 11 月期间发表的文献。检索词结合了“Kolmogorov–Arnold Network”与“time series”、“temporal data”以及“forecasting/prediction”。
筛选标准： 从最初的 243 条记录中，选择了 36 项研究进行详细分析。纳入标准要求对 KANs 在时间序列任务上的经验评估、性能指标（准确性、泛化性、适应性）的报告，以及足够的方法论透明度。专注于纯理论研究而缺乏经验应用，或与时间序列无关的研究被排除在外。
分析框架： 本综述从六个关键领域综合了证据：能源系统、环境监测、生物医学信号、金融、基础设施和通用预测基准。分析侧重于三个主要研究问题（RQs）：
1. KANs 在何种条件下优于既有架构？
2. KANs 的定性可解释性与事后解释方法（如 SHAP, LIME）相比，在用户理解度和信任度方面表现如何？
3. 与传统模型相比，其计算效率与准确性的权衡关系如何（训练复杂度、推理、模型大小）？

3. 核心贡献

本文对 KANs 在时间序列领域的现状进行了全面综合，提供了：

领域特定性能综合： 详细绘制了 KAN 性能在不同领域的分布图，识别了该架构擅长的领域（结构化、平滑模式）以及表现挣扎的领域（高波动性、突发性状态转变）。
对可解释性的批判性评估： 对区分“可视化学习函数的能力”与“这些可视化对于决策的实际效用”进行了严谨评估。综述指出，目前缺乏来自领域专家关于 KAN 可解释性主张的经验验证。
计算基准分析： 分析了参数效率与训练时间之间的权衡，指出在已报告的文献中，计算指标的报告存在显著缺失。
研究空白识别： 作者识别了当前证据库中的关键局限性，特别是关于概念漂移的评估、统计显著性检验，以及缺乏针对 KAN 特有的漂移适应性的标准化基准。

4. 结果

4.1 性能模式

成功案例： KANs 在具有平滑、结构化时间模式和物理约束的领域中，始终表现出优越或相当的性能。
- 能源与基础设施： 在径流预测中，KANs 在 1–3 天的预测期内优于 Transformer（R² > 0.95）。在负荷预测中，KANs 比基准模型实现了 20–34% 的 RMSE 提升。
- 生物医学： KANs 在电池荷电状态（SoC）估计（R² = 0.9755）和 ECG 异常检测中表现强劲，且通常比 MLP 或 LSTM 使用更少的参数。
- 参数效率： 在 12 项报告了参数数量的研究中，有 9 项显示 KAN 变体在达到与基准模型相当或更好的性能时，所需的参数量大幅减少（降幅为 61% 至 98%）。
局限性：
- 金融预测： KANs 在以高波动性和非平稳性为特征的金融市场中表现不佳。加密货币预测的 R² 值较低（0.13–0.18），这表明基于样条曲线（spline-based）的平滑函数逼近不适用于对抗性和状态切换型的动态环境。
- 长周期预测： 性能优势在超过 3 天的预测期后往往会减弱，并在 7 天时趋同于 Transformer 的表现。
- 特定失败案例： KANs 在概率负荷预测（对比 Quantile-ANN）、房地产价格预测（对比 XGBoost）以及特定的长期基准测试套件中表现逊于基准模型。

4.2 计算效率

训练时间： 与参数效率相反，在大多数报告的研究中，KANs 的训练时间明显更长（例如，长出 1.77 倍至 3.45 倍）。这归因于在反向传播过程中优化样条系数带来的计算开销。
推理与内存： 在有报告的案例中，KANs 的 GPU 显存消耗较低（例如，在一项研究中减少了 85%），这与其参数效率相一致。然而，关于推理延迟的数据非常稀缺。
报告缺失： 一个重要的发现是计算基准数据的匮称；仅有少数 36 项研究报告了训练时间、推理延迟或内存使用情况，这限制了得出关于部署可行性的确定性结论。

4.3 可解释性

机制： KANs 通过 B-spline 可视化、边权重图以及提取符号数学公式（例如 $X_{t+1} = e^{X_t^2} + \sin(3.14 \cdot X_{t-1})$ ）提供了内置的可解释性。
批判性评估： 综述发现，尽管存在这些机制，但其实际效用尚未得到证实。
- 目前缺乏用户研究来验证领域专家是否发现 KAN 的可视化比 SHAP 等事后方法更易理解或更具行动力。
- 权衡： 实现视觉可解释性通常需要简化网络架构，这可能导致显著的性能下降（例如，在一项研究中，F1 分数从 0.70 降至 0.54）。
- 复杂性： 理解包含数百个 B-spline 图的密集网络在认知上仍然非常困难，且提取符号公式通常需要复杂的后处理（剪枝），这挑战了“设计即解释”的主张。

4.4 概念漂移

目前关于 KANs 与概念漂移的证据尚处于初步阶段。虽然某些架构（如 WormKAN）在识别状态转变方面展现了潜力，但仍缺乏针对成熟漂移检测基准（如 ADWIN, DDM）的系统性评估。该领域缺乏关于 KAN 如何适应突然或逐渐分布变化的受控研究。

5. 重要性与主张

论文得出结论，Kolmogorov-Arnold 网络代表了时间序列分析领域中一种极具前景但具有选择性的架构创新。

选择性部署： KANs 最适合具有平滑、受物理约束的时间模式（如能源、水文学、生物医学信号）的领域，在这些领域，参数效率和潜在的可解释性具有价值。
并非通用解决方案： 它们并不是对现有最先进模型的普遍改进，尤其是在高波动性金融预测和长程预测任务中表现乏力。
方法论成熟度： 作者强调，目前的证据库是初步的、异质性的且报告不均的。该领域缺乏统计显著性检验、标准化基准以及对可解释性主张的严格验证。
未来方向： 论文呼吁未来的工作应优先考虑标准化基准、统计测试、概念漂移评估，以及以用户为中心的实验，以验证 KAN 的理论可解释性是否能转化为改善人类决策的实际效用。

总之，本文主张对 KANs 进行谨慎的、基于证据的采用，敦促学术界超越技术性的符号提取演示，转向对其实际效用和局限性的严谨经验验证。