Kolmogorov-Arnold 기반 해석 가능 네트워크(KAN)는 강력한 이론적 표현력을 가지지만, 고차원 작업에서는 매개변수 폭발과 고주파 특징 포착 문제에 직면합니다. 이 문제를 해결하기 위해, 본 논문에서는 학습 가능한 랜덤 푸리에 특징(RFF)과 새로운 하이브리드 GELU-푸리에 활성화 메커니즘을 효과적으로 통합하여 매개변수 효율성과 스펙트럼 표현 능력의 균형을 맞춘 Kolmogorov-Arnold-Fourier 네트워크(KAF)를 제안합니다. 주요 기술적 기여는 다음과 같습니다: (1) 행렬 결합 특성을 통해 KAN의 이중 행렬 구조를 병합하여 매개변수를 크게 줄입니다. (2) 고차원 근사 작업에서 스펙트럼 왜곡을 제거하기 위해 학습 가능한 RFF 초기화 전략을 도입합니다. (3) 훈련 과정 동안 주파수 표현을 점진적으로 향상시키는 적응형 하이브리드 활성화 함수를 구현합니다. 종합적인 실험은 비전, NLP, 오디오 처리 및 미분 방정식 해결 작업을 포함한 다양한 영역에서 KAF의 우수성을 보여주며, 이론적 해석 가능성과 실용성 및 계산 효율성을 효과적으로 결합합니다.
