无监督学习更稳
用可学习激活函数和邻域聚合取代固定MLP，让故障特征提取在少量标注下依然稳定。
孙红春 · Kuiliang, Chen · Hao, Chen
Measurement Science and Technology 2026
用可学习的KAN层取代固定MLP，激活函数能根据数据调整，从而更有效地捕获复杂故障模式。
KAN聚合器通过消息传递机制，以可学习变换融合邻域结构信息，提升节点特征的表征能力。
采用对比学习和特征重构的无监督训练机制，即使缺乏标注也能高效提取特征，降低了数据标注成本。
融合KAN网络的可解释性与知识图谱，在特征学习过程中增强语义理解，使诊断结果更透明可信。