KAN-Dreamer：将Kolmogorov-Arnold网络作为世界模型中的函数逼近器进行基准测试

arXiv 25.12 2025 62.9 method, benchmark

TLDR

将KAN集成到DreamerV3世界模型，在控制任务上实现样本效率和训练速度持平。

评分理由

The paper presents a novel integration of KAN architectures into the DreamerV3 framework, with empirical results showing comparable performance to MLPs on a single DeepMind Control task. Strengths include addressing computational overhead of KANs and providing a preliminary benchmark. Weaknesses are limited evaluation scope (only one environment) and lack of real-world or diverse tasks.

Read-first 评分解释

综合优先阅读分 62.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 39。

方法质量 25%

100

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估、实验、结果

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

55.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：237。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

interactive world model

generative world model

world simulator

video world model

深度分析

创新点

将KAN架构集成到DreamerV3框架中，创建KAN-Dreamer
用KAN和FastKAN层替换DreamerV3中的特定MLP和卷积组件
实现了一个定制的、完全向量化的版本，并简化了基于JAX的世界模型的网格管理
将研究结构化地分为三个子系统：视觉感知、潜在预测和行为学习
证明改编后的FastKAN作为奖励和继续预测器的即插即用替代品，性能与基于MLP的架构持平

方法

作者用KAN和FastKAN层替换DreamerV3中的MLP和卷积组件，在JAX中实现了一个完全向量化的版本并简化了网格管理。他们在DeepMind Control Suite（walker_walk）上通过分析样本效率、训练时间和渐近性能进行评估，并与原始基于MLP的架构进行比较。

关键结果

实验结果表明，使用改编后的FastKAN作为奖励和继续预测器的即插即用替代品，其性能与原始基于MLP的架构相当，在样本效率和训练速度上均保持持平。

局限性

初步研究仅限于DeepMind Control Suite中的单个环境（walker_walk）
仅在奖励和继续预测器上测试，未涉及世界模型的所有组件
KAN的计算开销仍然是一个问题，尽管FastKAN有所缓解
仅与MLP基线进行比较，未与其他KAN变体或MBRL算法比较
实现是JAX特定的，限制了泛化性

技术栈

JAXKANFastKANDreamerV3DeepMind Control Suite

资源

论文