KANLab: fork do TensorFlow Playground mostra o treinamento de KANs no navegador

Os pesquisadores Lukas Niehaus, Robin Rawiel e Ulf Krumnack lançaram o KANLab, uma ferramenta interativa de navegador para treinar redes de Kolmogorov-Arnold (KAN). É um fork direto do TensorFlow Playground, o ambiente de testes que muita gente conhece de cursos de machine learning. Uma KAN pequena é treinada na própria aba aberta, e cada ativação B-spline é redesenhada ao longo do gradiente descendente. O projeto é descrito no preprint arXiv 2610.20117 (14 de outubro de 2026), e um dos autores apresentou o trabalho no Hugging Face Daily Papers. O código é aberto, sob a licença Apache-2.0.

Por que as KANs são difíceis de explicar em sala de aula

As KANs se baseiam no teorema de Kolmogorov-Arnold: qualquer função contínua de várias variáveis pode ser construída a partir de funções de uma variável e de adição. No perceptron clássico, os pesos ficam nas arestas e a não linearidade é fixa nos nós. Na KAN, é o contrário: as arestas carregam funções unidimensionais treináveis, na maioria das vezes B-splines. A arquitetura surgiu em 2024 e, desde então, ganhou diversas variantes e extensões.

São justamente essas extensões que atrapalham o professor. As implementações modernas de KAN têm conexões residuais e parâmetros de escalonamento treináveis. A curva na aresta deixa de ser apenas uma função de seus pontos de controle, e fica mais difícil para o aluno relacionar a imagem com aquilo que está sendo otimizado.

O que os autores removeram e por quê

O KANLab abre mão, de forma deliberada, tanto das conexões residuais quanto do escalonamento treinável. A curva B-spline exibida corresponde exatamente aos seus pontos de controle treináveis, sem multiplicadores ocultos. Essa escolha deixa a ferramenta mais simples que as implementações de uso real. Mas ela serve ao objetivo principal: que o usuário enxergue causa e efeito, e não uma aproximação.

O cenário é o mesmo do TensorFlow Playground: um problema de classificação bidimensional compacto, em que a rede inteira cabe na tela e pode ser acompanhada a olho nu.

O que dá para fazer na interface

Os autores listam as seguintes funcionalidades:

• visualizar as funções de ativação em cada aresta da rede;
• alterar ativações manualmente, por exemplo arrastando pontos de controle individuais;
• observar como o gradiente descendente corrige a intervenção manual e leva a curva de volta ao ótimo;
• escolher esquemas de inicialização e comparar como eles afetam o início do treinamento;
• examinar a variância das ativações;
• fazer poda (pruning) interativa, ou seja, remover arestas da rede;
• retreinar a rede depois da poda e ver o que restou.

Nesse ambiente, é fácil demonstrar a poda e o retreinamento de forma visual. O aluno vê quais arestas carregam o peso do modelo e quais se transformaram em curvas quase planas. Testar como a rede se recupera depois de uma ativação ser estragada à mão leva um minuto, sem Python e sem GPU.

Onde encontrar e para quem serve

A ferramenta está disponível em kanlab.app, com um Space de demonstração no Hugging Face (luniehaus/kanlab) e um repositório no GitHub (lniehaus/kanlab). No momento da publicação, o repositório tinha cerca de quatro estrelas, e o artigo, um upvote. O projeto é muito recente e, antes de tudo, educacional.

O uso prático é bastante direto. Para professores de cursos de deep learning, o KANLab oferece uma demonstração pronta para aula ou seminário: roda em qualquer navegador, e a licença Apache-2.0 permite modificá-lo e incorporá-lo ao material didático.

Para pesquisadores que estão começando com KANs, ajuda a construir rapidamente a intuição sobre o papel dos pontos de controle, da inicialização e da poda, antes de passar a bibliotecas com o conjunto completo de complicações. A ferramenta não se destina a tarefas reais: datasets bidimensionais de brinquedo e uma arquitetura simplificada não dizem nada sobre a qualidade das KANs em dados grandes. Os autores pedem feedback, especialmente de quem já inclui KANs em programas de ensino, e os comentários podem ser deixados no repositório ou no artigo no Hugging Face.