Si bien las redes interpretables basadas en Kolmogorov-Arnold (KAN) poseen una potente expresividad teórica, enfrentan problemas de explosión de parámetros y captura de características de alta frecuencia en tareas de alta dimensión. Para abordar estos desafíos, este artículo propone una red Kolmogorov-Arnold-Fourier (KAF) que integra eficazmente características aleatorias de Fourier (RFF) aprendibles y un novedoso mecanismo híbrido de activación GELU-Fourier para equilibrar la eficiencia de los parámetros y las capacidades de representación espectral. Nuestras principales contribuciones incluyen: (1) reducir significativamente los parámetros mediante la fusión de la estructura matricial dual de las KAN con la propiedad de acoplamiento matricial; (2) introducir una estrategia de inicialización de RFF aprendible para eliminar la distorsión espectral en tareas de aproximación de alta dimensión; y (3) implementar una función de activación híbrida adaptativa que mejora progresivamente la representación de frecuencia durante el entrenamiento. Experimentos exhaustivos demuestran la superioridad de KAF en diversos dominios, incluyendo visión, PLN, procesamiento de audio y resolución de ecuaciones diferenciales, combinando eficazmente la interpretabilidad teórica con la practicidad y la eficiencia computacional.
