본 논문은 그래프 신경망(GNN)의 해석성 부족 문제를 해결하기 위해 스플라인 기반 활성화 함수를 에지에 적용한 새로운 GNN 모델인 그래프 콜모고로프-아놀드 네트워크(GKAN)를 제안합니다. GKAN은 노드 분류, 링크 예측, 그래프 분류 작업에서 기존 최첨단 GNN 모델들을 능가하는 성능을 다섯 가지 벤치마크 데이터셋 실험을 통해 보여줍니다. 또한, GKAN의 설계는 모델의 의사결정 과정에 대한 명확한 통찰력을 제공하여 사후 해석 가능성 기법의 필요성을 없앱니다. 논문은 GKAN의 방법론, 성능 및 해석성을 논의하며, 해석성이 중요한 분야에서의 잠재력을 강조합니다.