速報 Kolmogorov–Arnold 網路(KANs):揭示訓練動態、泛化與差分隱私下的限制 研究聚焦Kolmogorov–Arnold網路(KANs)訓練理論。作者分析兩層KANs在梯度下降下的動態與泛化,並在NTK可分假設下以logistic損失為例,證明多對數寬度能達到1/T的優化率與1/n的泛化率;在(ε,δ)-差分隱私下效用界為√d/(nε),顯示私有訓練對寬度有更嚴格要求。