Modelos de Difusión Interpretables y Eficientes para Reconstrucción de Datos Complejos

Resumen

El presente trabajo tuvo como objetivo presentar un enfoque experimental-computacional, orientado a evaluar el desempeño de la arquitectura Kolmogorov-Arnold Network Splines (KANS), capaz de reconstruir datos complejos preservando la interpretabilidad del modelo. Esta red se fundamenta en el teorema de representación de Kolmogorov-Arnold, el cual permite descomponer funciones multivariadas en composiciones de funciones univariadas, modeladas mediante splines adaptativos. Se implementó una  KAN utilizando Python/PyTorch, evaluando el desempeño de las KANS en comparación con redes neuronales multicapa (MLPs) en tareas de eliminación de ruido y reconstrucción del conjunto de datos sintético Swiss Roll. Los resultados mostraron que las  KANS superan a las MLPs en términos de exactitud eficiencia computacional , y número de parámetros requeridos. Además, se evidencia una mayor capacidad de generalización y una explicabilidad superior al permitir identificar puntos críticos en los datos mediante los splines. Se concluye que la arquitectura KANS representa una alternativa eficiente y explicable en contextos donde los datos son limitados y se exige transparencia en la toma de decisiones, como en aplicaciones clínicas o de ingeniería. Finalmente, se plantean líneas futuras de investigación que incluyen la integración con mecanismos de atención y validación en entornos reales de alta dimensionalidad.