iKAN：基于全局增量学习和KAN实现跨异构数据集的人体活动识别

本研究提出了一种用于可穿戴传感器人体活动识别的增量学习框架，同时解决两个挑战：灾难性遗忘和非均匀输入。可扩展框架iKAN开创性地将增量学习与Kolmogorov-Arnold网络(KAN)结合，用KAN替换多层感知机作为分类器，利用样条的局部可塑性和全局稳定性。为使KAN适应人体活动识别，iKAN使用任务特定特征分支和特征重分布层。与现有主要通过调整输出维度或分类器节点数量来适应新任务的增量学习方法不同，iKAN专注于扩展特征提取分支以容纳来自不同传感器模态的新输入，同时保持一致的维度和分类器输出数量。