본 논문은 기존 Multi-Layer Perceptron(MLP)의 대안으로 부상한 Kolmogorov-Arnold Networks (KANs)의 효율적인 사용을 위해 KAN 압축에 대한 새로운 이론적 프레임워크인 PolyKAN을 제시한다. PolyKAN은 KAN의 조각별 다항식 구조를 활용하여 모델 크기 감소와 근사 오차에 대한 공식적인 보증을 제공한다. 압축 문제를 다면체 영역 병합 작업으로 공식화하고, KAN의 엄격한 다면체 특성 분석, $\epsilon$-등가 압축의 완전한 이론 개발, 지정된 오차 경계 내에서 거의 최적의 압축을 달성하는 동적 프로그래밍 알고리즘 설계를 포함한다.
