본 논문은 주목 메커니즘을 사용하는 그래프 신경망(GNN)의 성능 향상을 위해 Kolmogorov-Arnold Attention (KAA)을 제안합니다. 기존 attentive GNN들의 이웃 노드 점수 매기는 과정에 대한 이해가 부족하여 성능 저하가 발생하는 문제를 해결하고자, Kolmogorov-Arnold Network (KAN) 아키텍처를 점수 매기는 과정에 통합했습니다. KAA는 다양한 기존 attentive GNN에 적용 가능하며, Maximum Ranking Distance (MRD)라는 새로운 지표를 도입하여 다른 점수 매기는 함수들과의 표현력을 정량적으로 비교 분석합니다. 분석 결과, 제한된 매개변수와 폭, 깊이 제약 하에서 선형 변환 기반 및 MLP 기반 점수 매기는 함수는 유한한 표현력을 가지는 반면, KAA는 0차 B-spline 함수로 매개변수화된 단일 계층 KAN을 사용하더라도 거의 무한한 표현력을 보입니다. 다양한 백본 모델과 노드/그래프 수준 작업에 대한 광범위한 실험 결과, KAA를 적용한 점수 매기는 함수가 기존 함수보다 일관되게 우수한 성능을 보이며, 경우에 따라 20% 이상의 성능 향상을 달성했습니다.
