본 논문은 깊은 합성곱 신경망(CNN)의 훈련 비용이 높고 계산 효율이 낮다는 문제점을 해결하기 위해 잔차 콜모고로프-아놀드 네트워크(RKAN) 모듈을 제안합니다. RKAN 모듈은 기존의 합성곱 연산의 선형적 한계와 고정된 활성화 함수를 극복하기 위해 다항식 특징 변환을 통합하여, 적은 계층으로도 복잡한 패턴을 학습할 수 있도록 합니다. ResNet과 같은 기존 네트워크에 쉽게 통합 가능하며, CIFAR-100, Food-101, ImageNet 등 다양한 벤치마크 데이터셋에서 기존 모델보다 성능 향상을 보였습니다.
