PyKAN项目中无监督学习的激活函数优化实践

背景介绍

在机器学习领域，PyKAN项目作为一个新兴的神经网络框架，其核心创新点在于采用了可解释的激活函数。近期在无监督学习任务中发现了一个有趣的现象：当使用不同随机种子初始化模型时，最后一层激活函数的形态会发生变化，有时会从预设的高斯函数转变为类似二次函数的形态。

问题分析

在标准实现中，PyKAN的最后一层通常配置为高斯激活函数。然而实际训练过程中发现：

1. 使用某些随机种子(如seed=55)时，最后一层激活函数会呈现出类似二次函数的局部形态
2. 这种现象并非真正的函数类型改变，而是高斯函数在特定输入范围内的局部表现
3. 根本原因在于模型学习过程中对输入输出进行了可学习的仿射变换

技术解决方案

针对这一问题，开发者提出了两种解决方案：

1. 调整正则化参数

通过降低正则化强度参数lamb的值，可以缓解某些随机种子下激活函数形态异常的问题。这种方法保持了模型的灵活性，但需要针对不同任务调整正则化强度。

2. 引入keep_fit参数

更结构化的解决方案是新增一个keep_fit布尔参数，当设置为True时：

• 强制保持高斯激活函数的原始形态
• 禁止模型对输入输出进行仿射变换
• 确保激活函数严格保持预设的高斯特性

这种方法虽然会略微降低模型的灵活性，但能保证激活函数形态的一致性，特别适用于对函数形态有严格要求的应用场景。

实现效果

采用keep_fit方案后，模型在不同随机种子下都能保持最后一层为标准高斯函数，解决了形态变异的问题。这一改进使得模型表现更加稳定，特别是在需要严格控制函数形态的无监督学习任务中。

工程实践建议

对于PyKAN使用者，建议：

1. 在标准应用中保持keep_fit=False以获得最大模型灵活性
2. 当遇到激活函数形态敏感的任务时，可尝试启用keep_fit=True
3. 配合适当调整正则化参数，可以平衡模型表现与函数形态稳定性

这一改进体现了PyKAN框架在保持模型可解释性方面的持续优化，为复杂学习任务提供了更可靠的基础设施。