InKAN：用截断幂形式替代Cox-de Boor递归，提速KAN前向传播
新论文提出InKAN，将均匀三次B样条激活改为截断幂形式并融合为单一GPU内核，消除递归和散聚操作，同时提供开源pip包inkan，可作为现有KAN层的即插即用替代。
AI解读：KAN网络把可学习的B样条激活放在边而非节点上，但标准Cox-de Boor递归在每次前向传播里串行执行k次，竟能消耗超过 90% 的时间，这让KAN的实用性大打折扣。InKAN的突破口是用逼近论里的截断幂形式来表达均匀三次B样条——每条样条只需五个移位的 (x)_+^3 项，然后把torch.compile融合进单一GPU内核，彻底移除递归、跨度查找和散聚操作。为避免经典数值问题，它还加入有界坐标稳定化，把归一化输入钳制到 [0, k+1]，防止灾难性抵消。对机器学习研究者或工程师来说，这意味着可以执行pip install inkan直接替换现有KAN层，无需重写模型代码，前向速度有望显著提升，尤其适合批量处理或迭代训练场景。不过论文仅 7 页且正在评审，尚未提供具体性能对比数据，实际加速幅度仍有待验证。
arXiv论文（编号 2609.01956，正在ICLR 2027评审）提出InKAN，用截断幂形式替代Cox-de Boor递归来评估B样条激活，声称可消除递归和散聚操作，并发布开源pip包inkan，作为现有KAN层的即插即用替代。
技术方案与实现
Kolmogorov-Arnold Networks（KAN）将可学习B样条激活放置在网络边上，而非节点上。标准Cox-de Boor递归对k次样条激活需要k次串行遍历，前向传播时间中超过 90% 消耗在此。
InKAN用截断幂形式（truncated power form）替换该递归。这是逼近论中的经典结果，将每个均匀三次B样条表示成五个在移位节点位置的 (x)_+^3 项。
论文的三个贡献为：(1) 使用torch.compile融合实现，将所有操作折叠为单一GPU内核，消除所有递归、跨度查找（span lookup）和散聚（scatter-gather）操作；(2) 有界坐标稳定化，将归一化输入钳制到 [0, k+1]，防止历史上促使Cox-de Boor递归出现的灾难性抵消；(3) 提供生产就绪的开源包，可通过pip install inkan安装。