Mặc dù mạng có thể diễn giải (KAN) dựa trên Kolmogorov-Arnold sở hữu khả năng biểu đạt lý thuyết mạnh mẽ, nhưng chúng phải đối mặt với các vấn đề bùng nổ tham số và nắm bắt đặc trưng tần số cao trong các tác vụ có nhiều chiều. Để giải quyết những thách thức này, bài báo này đề xuất một mạng Kolmogorov-Arnold-Fourier (KAF) tích hợp hiệu quả các đặc trưng Fourier ngẫu nhiên có thể học được (RFF) và một cơ chế kích hoạt GELU-Fourier lai mới để cân bằng hiệu quả tham số và khả năng biểu diễn phổ. Những đóng góp chính của chúng tôi bao gồm: (1) giảm đáng kể các tham số bằng cách hợp nhất cấu trúc ma trận kép của KAN với đặc tính ghép ma trận; (2) giới thiệu một chiến lược khởi tạo RFF có thể học được để loại bỏ méo phổ trong các tác vụ xấp xỉ nhiều chiều; và (3) triển khai một hàm kích hoạt lai thích ứng cải thiện dần khả năng biểu diễn tần số trong quá trình đào tạo. Các thí nghiệm toàn diện chứng minh tính ưu việt của KAF trên nhiều lĩnh vực, bao gồm thị giác, NLP, xử lý âm thanh và các tác vụ giải phương trình vi phân, kết hợp hiệu quả khả năng diễn giải lý thuyết với tính thực tiễn và hiệu quả tính toán.
