我会从回顾多层感知器开始，以展示神经网络中典型线性层的工作原理。然后，我将介绍数据拟合的概念，这是理解贝塞尔曲线和B样条所必需的。  
在介绍Kolmogorov-Arnold网络之前，我还将解释神经网络的通用逼近定理以及它的等价形式Kolmogorov-Arnold表示定理。  
在视频的最后部分，我将通过逐步推导Kolmogorov-Arnold表示定理的公式来解释这种新型网络的结构，同时与多层感知器进行比较。  
我们还将探讨这种网络的一些特性，例如易于解释性和持续学习的可能性。  
论文链接: https://arxiv.org/abs/2404.19756  
幻灯片PDF: https://github.com/hkproj/kan-notes  
章节  
00:00:00 - 引言  
00:01:10 - 多层感知器  
00:11:08 - 数据拟合简介  
00:15:36 - 贝塞尔曲线  
00:28:12 - B样条  
00:40:42 - 通用逼近定理  
00:45:10 - Kolmogorov-Arnold表示定理  
00:46:17 - Kolmogorov-Arnold网络  
00:51:55 - MLP与KAN的比较  
00:55:20 - 可学习函数  
00:58:06 - 参数数量  
01:00:44 - 网格扩展  
01:03:37 - 可解释性  
01:10:42 - 持续学习