GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks

大量应用涉及嵌入非欧几里得空间的具有基础关系的数据。图神经网络（GNNs）用于通过捕捉图中的依赖关系来提取特征。尽管表现突破性，但我们认为多层感知器（MLPs）和固定激活函数会导致信息丢失，从而妨碍特征提取。受 Kolmogorov Arnold Networks（KANs）的启发，我们首次尝试了使用KANs的GNNs。我们放弃了MLPs和激活函数，而是使用KANs进行特征提取。实验证明了GraphKAN的有效性，强调了KANs作为一种强大工具的潜力。代码可在https://github.com/Ryanfzhang/GraphKan找到。

论文旨在解决在非欧几里得空间嵌入下存在关联关系的大量应用数据的特征提取问题，通过使用Kolmogorov Arnold Networks（KANs）替代Multi-layer perceptrons（MLPs）和激活函数来提高特征提取效果。

使用KANs替代MLPs和激活函数进行特征提取，提高GNNs的性能。

论文使用GraphKAN进行实验，并展示了其在多个数据集上的有效性。代码已经在GitHub上开源。该研究表明KANs是一个有潜力的工具，值得进一步研究。

最近在这个领域中的相关研究包括：《Graph Convolutional Networks》、《Semi-Supervised Classification with Graph Convolutional Networks》、《Gated Graph Sequence Neural Networks》等。