KANLab: форк TensorFlow Playground показывает обучение KAN в браузере

Исследователи Lukas Niehaus, Robin Rawiel и Ulf Krumnack выпустили KANLab — интерактивный браузерный инструмент для обучения сетей Колмогорова — Арнольда (KAN). Это прямой форк TensorFlow Playground, знакомой многим по курсам машинного обучения песочницы. Малая KAN обучается в открытой вкладке, а каждая B-spline-активация перерисовывается по ходу градиентного спуска. Проект описан в препринте arXiv 2610.20117 (14 октября 2026 года), его автор представил работу в Hugging Face Daily Papers. Код открыт под лицензией Apache-2.0.

Почему KAN трудно объяснить на лекции

KAN опираются на теорему Колмогорова — Арнольда: любую непрерывную функцию многих переменных можно собрать из одномерных функций и сложения. В классическом перцептроне веса стоят на рёбрах, а нелинейность фиксирована в узлах. В KAN наоборот: на рёбрах сидят обучаемые одномерные функции, чаще всего B-сплайны. Архитектура появилась в 2024 году и с тех пор обросла вариантами и надстройками.

Именно надстройки мешают преподавателю. В современных реализациях KAN есть residual-связи и обучаемые масштабирующие параметры. Кривая на ребре перестаёт быть просто функцией своих контрольных точек, и студенту сложнее связать картинку с тем, что оптимизируется.

Что авторы убрали и зачем

KANLab сознательно отказывается и от residual-связей, и от обучаемого масштабирования. Отображаемая B-spline-кривая — это в точности её обучаемые контрольные точки, без скрытых множителей. Такой выбор делает инструмент упрощённым по сравнению с боевыми реализациями. Но он нужен для главной цели: чтобы пользователь видел причину и следствие, а не приближение.

Среда та же, что у TensorFlow Playground: компактная двумерная задача классификации, где всю сеть можно уместить на экране и проследить глазами.

Что можно делать в интерфейсе

Авторы перечисляют следующие возможности:

• просматривать активационные функции на каждом ребре сети;
• менять активации вручную, например перетаскивать отдельные контрольные точки;
• наблюдать, как градиентный спуск исправляет ручное вмешательство и возвращает кривую к оптимуму;
• выбирать схемы инициализации и сравнивать, как они влияют на старт обучения;
• изучать дисперсию активаций;
• выполнять интерактивный прунинг, то есть удалять рёбра сети;
• переобучать сеть после прунинга и смотреть, что осталось.

Прунинг и повторное обучение в такой среде удобно показывать наглядно. Студент видит, какие рёбра несут нагрузку, а какие превратились в почти плоские кривые. Проверить, как сеть восстанавливается после ручной порчи активации, можно за минуту, без Python и GPU.

Где взять и кому пригодится

Инструмент доступен по адресу kanlab.app, есть демо-Space на Hugging Face (luniehaus/kanlab) и репозиторий на GitHub (lniehaus/kanlab). На момент публикации у репозитория около четырёх звёзд, а у статьи один апвоут. Проект совсем молодой и в первую очередь учебный.

Практический смысл здесь вполне приземлённый. Преподавателям курсов по глубокому обучению KANLab даёт готовую демонстрацию для лекции или семинара: запустить можно в любом браузере, а модифицировать и встроить в свои материалы позволяет лицензия Apache-2.0. Исследователям, которые только входят в тему KAN, он помогает быстро выстроить интуицию о роли контрольных точек, инициализации и прунинга, прежде чем переходить к библиотекам с полным набором усложнений. Для реальных задач инструмент не предназначен: двумерные игрушечные датасеты и упрощённая архитектура ничего не говорят о качестве KAN на больших данных. Авторы просят обратную связь, особенно от тех, кто уже включает KAN в учебные программы, так что отзывы можно оставлять в репозитории или под статьёй на Hugging Face.