KANLab : un fork de TensorFlow Playground pour voir un KAN s'entraîner dans le navigateur

Les chercheurs Lukas Niehaus, Robin Rawiel et Ulf Krumnack ont publié KANLab, un outil interactif pour entraîner des réseaux de Kolmogorov-Arnold (KAN) dans le navigateur. C'est un fork direct de TensorFlow Playground, ce bac à sable que beaucoup connaissent grâce aux cours de machine learning. Un petit KAN s'entraîne dans l'onglet ouvert, et chaque activation B-spline est redessinée au fil de la descente de gradient. Le projet est décrit dans le preprint arXiv 2610.20117 (14 octobre 2026), dont l'auteur a présenté le travail sur Hugging Face Daily Papers. Le code est ouvert sous licence Apache-2.0.

Pourquoi un KAN est difficile à expliquer en cours

Les KAN reposent sur le théorème de Kolmogorov-Arnold : toute fonction continue de plusieurs variables peut être construite à partir de fonctions à une variable et d'additions. Dans un perceptron classique, les poids se trouvent sur les arêtes et la non-linéarité est fixée dans les nœuds. Dans un KAN, c'est l'inverse : les arêtes portent des fonctions à une variable apprenables, le plus souvent des B-splines. L'architecture est apparue en 2024 et s'est depuis enrichie de nombreuses variantes et surcouches.

Ce sont justement ces surcouches qui gênent l'enseignant. Les implémentations modernes de KAN comportent des connexions résiduelles et des paramètres de mise à l'échelle apprenables. La courbe sur l'arête cesse alors d'être une simple fonction de ses points de contrôle, et l'étudiant a plus de mal à relier l'image à ce qui est réellement optimisé.

Ce que les auteurs ont retiré, et pourquoi

KANLab renonce volontairement aux connexions résiduelles comme à la mise à l'échelle apprenable. La courbe B-spline affichée correspond exactement à ses points de contrôle apprenables, sans multiplicateur caché. Ce choix rend l'outil plus simple que les implémentations utilisées en production. Mais il sert l'objectif principal : que l'utilisateur voie la cause et l'effet, et non une approximation.

L'environnement est celui de TensorFlow Playground : un petit problème de classification en deux dimensions, où tout le réseau tient à l'écran et peut être suivi à l'œil nu.

Ce que l'on peut faire dans l'interface

Les auteurs énumèrent les fonctionnalités suivantes :

• consulter les fonctions d'activation sur chaque arête du réseau ;
• modifier les activations à la main, par exemple en déplaçant des points de contrôle individuels ;
• observer la descente de gradient corriger l'intervention manuelle et ramener la courbe vers l'optimum ;
• choisir des schémas d'initialisation et comparer leur effet sur le début de l'entraînement ;
• étudier la variance des activations ;
• élaguer le réseau de façon interactive, c'est-à-dire supprimer des arêtes ;
• réentraîner le réseau après l'élagage et voir ce qu'il en reste.

Dans un tel environnement, l'élagage et le réentraînement se prêtent bien à une démonstration visuelle. L'étudiant voit quelles arêtes portent la charge et lesquelles se sont réduites à des courbes quasi plates. Vérifier comment le réseau se rétablit après la dégradation manuelle d'une activation prend une minute, sans Python ni GPU.

Où le trouver et à qui il peut servir

L'outil est disponible à l'adresse kanlab.app. Un Space de démonstration existe sur Hugging Face (luniehaus/kanlab), ainsi qu'un dépôt sur GitHub (lniehaus/kanlab). Au moment de la publication, le dépôt compte environ quatre étoiles et l'article un upvote. Le projet est tout jeune et avant tout pédagogique.

L'intérêt pratique reste très terre à terre. Pour les enseignants de cours de deep learning, KANLab offre une démonstration prête à l'emploi pour un cours ou un séminaire : elle se lance dans n'importe quel navigateur, et la licence Apache-2.0 permet de la modifier et de l'intégrer à ses propres supports.

Pour les chercheurs qui abordent tout juste les KAN, il aide à se construire rapidement une intuition du rôle des points de contrôle, de l'initialisation et de l'élagage, avant de passer à des bibliothèques dotées de toutes les complications. Il n'est pas conçu pour des tâches réelles : les jeux de données jouets en deux dimensions et l'architecture simplifiée ne disent rien de la qualité des KAN sur de gros volumes de données. Les auteurs sollicitent des retours, en particulier de ceux qui intègrent déjà les KAN dans leurs programmes d'enseignement.

Les avis peuvent être laissés dans le dépôt ou sous l'article sur Hugging Face.