1、该定理是 KAN 的理论基础：任何多元连续函数可分解为一元函数的组合
2、 已有研究（如 SplineCNN）将样条函数用于卷积层，增强网络捕捉非线性特征的能力，尤其适用于几何深度学习（处理非欧数据）；
3 架构核心
传统 MLP 在 "节点" 使用固定激活函数，而 KAN 在 "网络边" 使用可学习激活函数（关键创新），实现从 "静态节点函数" 到 "动态边函数" 的转变，模型更灵活。
4 
5 定理是 KAN 的理论依据：任何多元连续函数可分解为一元函数的组合；
KAN 基于此定理，将传统 MLP 的 "线性权重矩阵" 替换为 "可学习样条函数"，从而减少参数、提升泛化能力。
一、KANConv
1、将线性权重矩阵替换为，可学习样条函数，降低参数表达能力提升，
2、该定理是 KAN 的理论基础：任何多元连续函数可分解为一元函数的组合
3、核心优势：相比其他架构，KAN 卷积层所需参数显著减少，且能通过 B 样条函数 "平滑表示任意激活函数"，这是 ReLU 等固定激活函数无法实现的。
4、Kolmogorov-Arnold 网络（Convolutional KANs），这种架构旨在将 Kolmogorov-Arnold 网络（KANs）的非线性 激活函数 整合到卷积层中，从而替代传统卷积神经网络（CNNs）的线性变换
二、数学表达
三、核心
卷积 KAN 的核心创新是用 "可学习样条函数构成的卷积核" 替代 "固定权重卷积核"，既保留了 CNN 的空间特征提取能力，又继承了 KAN"参数少
1、些案例体现了 KAN 卷积的核心优势 ------将复杂的多步骤操作压缩到单次卷积中完成