哈尔滨工业大学（深圳）和宾夕法尼亚大学联合团队提出了一种基于Kolmogorov-Arnold Networks (KANs)的新架构PointKAN，用于点云分析，在多个下游任务上表现出色，参数量显著减少。
PointKAN通过引入几何仿射模块、局部特征处理模块和全局特征处理模块，结合Efficient-KANs结构，提高了模型的效率和泛化能力，特别是在小样本学习任务上。
研究团队还提出了PointKAN-elite版本，进一步降低了参数量和计算成本，验证了KANs在点云分析中的独特优势。
哈尔滨工业大学（深圳）和宾夕法尼亚大学联合团队提出了一种基于Kolmogorov-Arnold Networks (KANs)的新架构PointKAN，用于点云分析，在多个下游任务上表现出色，参数量显著减少。
PointKAN通过引入几何仿射模块、局部特征处理模块和全局特征处理模块，结合Efficient-KANs结构，提高了模型的效率和泛化能力，特别是在小样本学习任务上。
研究团队还提出了PointKAN-elite版本，进一步降低了参数量和计算成本，验证了KANs在点云分析中的独特优势。
