본 논문에서는 컨볼루션 계층에 Kolmogorov-Arnold Networks (KANs)의 학습 가능한 스플라인 기반 활성화 함수를 통합한 새로운 아키텍처인 Convolutional Kolmogorov-Arnold Networks (Convolutional KANs)를 제시합니다. 기존의 고정 가중치 커널을 학습 가능한 비선형 함수로 대체함으로써, Convolutional KANs는 표준 Convolutional Neural Networks (CNNs)에 비해 파라미터 효율성과 표현력을 크게 향상시킵니다. Fashion-MNIST 데이터셋에서 Convolutional KANs를 실험적으로 평가한 결과, 기준 CNN보다 최대 50% 적은 파라미터로 경쟁력 있는 정확도를 달성했습니다. 이는 KAN Convolution이 적은 자원으로 복잡한 공간적 관계를 효과적으로 포착할 수 있음을 시사하며, 파라미터 효율적인 심층 학습 모델에 대한 유망한 대안을 제공합니다.
