KANLab: un fork de TensorFlow Playground muestra el entrenamiento de KAN en el navegador

Los investigadores Lukas Niehaus, Robin Rawiel y Ulf Krumnack han lanzado KANLab, una herramienta interactiva en el navegador para entrenar redes de Kolmogórov-Arnold (KAN). Es un fork directo de TensorFlow Playground, el entorno de pruebas que muchos conocen de los cursos de machine learning. Una KAN pequeña se entrena en la pestaña abierta, y cada activación B-spline se redibuja a medida que avanza el descenso de gradiente. El proyecto se describe en el preprint arXiv 2610.20117 (14 de octubre de 2026), y su autor presentó el trabajo en Hugging Face Daily Papers. El código es abierto, bajo licencia Apache-2.0.

Por qué es difícil explicar las KAN en una clase

Las KAN se basan en el teorema de Kolmogórov-Arnold: cualquier función continua de varias variables puede construirse a partir de funciones unidimensionales y sumas. En un perceptrón clásico, los pesos están en las aristas y la no linealidad es fija en los nodos. En las KAN ocurre al revés: en las aristas hay funciones unidimensionales entrenables, casi siempre B-splines. La arquitectura apareció en 2024 y desde entonces ha acumulado variantes y añadidos.

Son precisamente esos añadidos los que complican la tarea del docente. Las implementaciones modernas de KAN incluyen conexiones residuales y parámetros de escalado entrenables. La curva de una arista deja de ser simplemente una función de sus puntos de control, y al estudiante le cuesta más relacionar la imagen con lo que se está optimizando.

Qué han eliminado los autores y por qué

KANLab prescinde de forma deliberada tanto de las conexiones residuales como del escalado entrenable. La curva B-spline que se muestra es exactamente el conjunto de sus puntos de control entrenables, sin multiplicadores ocultos. Esta decisión hace que la herramienta sea una versión simplificada frente a las implementaciones de producción. Pero responde al objetivo principal: que el usuario vea la causa y el efecto, y no una aproximación.

El entorno es el mismo que el de TensorFlow Playground: un problema compacto de clasificación bidimensional, en el que toda la red cabe en pantalla y puede seguirse a simple vista.

Qué se puede hacer en la interfaz

Los autores enumeran las siguientes funciones:

• ver las funciones de activación de cada arista de la red;
• modificar las activaciones a mano, por ejemplo arrastrando puntos de control individuales;
• observar cómo el descenso de gradiente corrige la intervención manual y devuelve la curva al óptimo;
• elegir esquemas de inicialización y comparar cómo influyen en el arranque del entrenamiento;
• estudiar la varianza de las activaciones;
• aplicar pruning interactivo, es decir, eliminar aristas de la red;
• reentrenar la red tras el pruning y ver qué queda.

En un entorno así, el pruning y el reentrenamiento resultan fáciles de mostrar de forma visual. El estudiante ve qué aristas soportan la carga y cuáles se han convertido en curvas casi planas. Comprobar cómo se recupera la red después de estropear una activación a mano lleva un minuto, sin Python ni GPU.

Dónde encontrarlo y a quién le sirve

La herramienta está disponible en kanlab.app. Hay un Space de demostración en Hugging Face (luniehaus/kanlab) y un repositorio en GitHub (lniehaus/kanlab). En el momento de la publicación, el repositorio tiene unas cuatro estrellas y el artículo, un upvote. El proyecto es muy joven y, ante todo, educativo.

Su utilidad práctica es bastante terrenal. Para los docentes de cursos de deep learning, KANLab ofrece una demostración lista para una clase o un seminario: funciona en cualquier navegador, y la licencia Apache-2.0 permite modificarla e integrarla en sus propios materiales.

A los investigadores que se acercan por primera vez a las KAN les ayuda a formar rápidamente una intuición sobre el papel de los puntos de control, la inicialización y el pruning, antes de pasar a bibliotecas con el conjunto completo de complicaciones. La herramienta no está pensada para tareas reales: los datasets bidimensionales de juguete y la arquitectura simplificada no dicen nada sobre la calidad de las KAN con datos grandes. Los autores piden comentarios, sobre todo de quienes ya incluyen las KAN en sus programas docentes, y se pueden dejar en el repositorio o bajo el artículo en Hugging Face.