Kolmogorov–Arnold 表示定理再探

基于摘要分析。本文研究 Kolmogorov–Arnold 表示定理能否解释神经网络采用多个隐藏层的问题，核心贡献是修改原有函数表示，使被表示函数的平滑性能够传递至外层函数，并讨论其与深层 ReLU 网络逼近的关系。 原始表示将多元函数分解为内层函数与外层函数，在结构上类似具有两个隐藏层的神经网络，但这种对应存在关键障碍：外层函数依赖于被表示的目标函数，即使目标函数平滑，外层函数仍可能剧烈变化。因此，仅凭形式相似性不足以解释网络深度的作用。 作者报告，所推导的修改表示可将目标函数的平滑性质传递给外层函数，并可由 ReLU 网络良好逼近。作者据此提出，相较于两个隐藏层，更自然的解释是深层神经网络，其中大部分层用于逼近内层函数。这是关于函数表示与网络逼近的理论论述，不应直接理解为某种具体网络在实际任务上的性能优势。平滑性定义、函数类别、逼近误差界，以及网络深度和宽度的依赖关系尚未验证。 本文的主要对象是一般多元函数表示，并非 EEG 解码或 BCI。平台推测（待验证）：其潜在关联在于为平滑目标函数的深层网络逼近提供理论分析视角；但摘要未给出与 EEG 数据结构、监督条件或噪声模型的具体对应，尚不足以形成可操作的迁移方案。已有 EEG 相关工作尚未检索确认。