KAN-CL：基于柯尔莫哥洛夫 - 阿诺德网络的逐节点重要性正则化持续学习方法

灾难性遗忘是持续学习的核心障碍，现有正则化方法缺乏对参数服务输入区域的感知。本文提出 KAN-CL 框架，利用柯尔莫戈洛夫 - 阿诺德网络（KAN）的紧支撑样条参数化特性，实现逐节点粒度的重要性加权锚定。在卷积骨干网络上部署该分类头并配合标准 EWC 正则化，显著降低了遗忘率，同时在多个基准测试中精度匹配或超越现有基线。神经正交核分析进一步证实，KAN 的样条局部性诱导了跨任务结构秩亏，从而在特征学习机制下确立了遗忘边界。