본 논문은 주의 기반 그래프 신경망(GNN)의 성능 저하 원인이 이웃 노드의 점수 매기는 과정에 대한 이해 부족에 있다는 점을 지적합니다. 기존 주의 기반 GNN들의 점수 함수들을 통합하여 콜모고로프-아놀드 네트워크(KAN) 구조를 점수 매기는 과정에 통합한 새로운 점수 함수, 콜모고로프-아놀드 어텐션(KAA)을 제안합니다. KAA는 거의 모든 기존 주의 기반 GNN에 적용 가능하며, 노드 중요도 순위 매기기 오류의 상한을 정량적으로 추정하는 최대 순위 거리(MRD) 척도를 도입하여 KAA의 표현력을 다른 점수 함수와 비교 분석합니다. 분석 결과, 제한된 매개변수와 너비 및 깊이 제약 하에서 선형 변환 기반 및 MLP 기반 점수 함수는 유한한 표현력을 갖는 반면, 0차 B-스플라인 함수로 매개변수화된 단일 계층 KAN을 사용하는 KAA는 거의 무한한 표현력을 보입니다. 다양한 백본 모델을 사용한 노드 수준 및 그래프 수준 작업에 대한 광범위한 실험을 통해 KAA를 강화한 점수 함수가 기존 함수보다 일관되게 우수한 성능을 보이며, 경우에 따라 20% 이상의 성능 향상을 달성함을 보여줍니다.
