通过样条-小波 Kolmogorov-Arnold Networks 学习局部性感知基函数用于函数型数据分类

基于摘要分析。本文研究函数型数据分类：针对固定基函数族难以高效表示局部判别模式的问题，提出 Spline-Wavelet KAN for Adaptive Basis Learning（SKAB），以可学习的局部性感知基函数构建分类表示。原研究对象是由离散观测刻画的连续过程，并非专门针对 EEG 或 BCI。 核心机制是利用函数型数据分析（FDA）与 Kolmogorov-Arnold Networks（KANs）的结构对应，将 KAN 表述为 Coordinate-to-Basis Generator（CBG），把函数定义域中的坐标映射为基函数。SKAB 使用紧支撑 B-spline 小波原子作为边函数来参数化 CBG，再将每条函数型观测投影到所学基函数上，得到供下游预测使用的系数表示。其相对固定基函数族的主要变化，是让基函数随分类任务学习，并通过局部支撑结构刻画局部模式；具体损失、训练流程及投影计算方式尚未验证。 作者报告，在合成与真实世界数据集的分类实验中，SKAB 具有竞争力，尤其适用于判别模式集中在局部区域的数据。摘要未给出数据集名称、样本规模、划分协议、对照方法或具体指标，实验协议、消融及统计信息尚未验证。摘要称代码可用，但所给材料没有具体代码地址，复现条件仍需核对。 平台推测（待验证）：若 EEG 任务的判别信息集中于稳定的局部时间区间，这种自适应基函数机制可能用于时序表示学习。该假设依赖离散信号能够形成可比较的函数域坐标，并有足够的分类监督；可复用 CBG 与投影思路，多通道表示及时间对齐则需改造。低信噪比、跨被试时序偏移、通道差异和小样本可能使局部基函数拟合噪声。可先在固定被试内划分的 EEG 分类任务上，对照固定 B-spline 基与 SKAB，并在相同分类器下测试时间抖动和加噪后的表现，以检验局部基学习是否带来稳定收益。已有 EEG 相关工作尚未检索确认。