Este artículo evalúa experimentalmente el rendimiento de las redes de Kolmogorov Arnold (KAN) en la clasificación de datos desequilibrados. Se compara y analiza el rendimiento de las KAN y los perceptrones multicapa (MLP) utilizando 10 conjuntos de datos de referencia. Como resultado, las KAN, a diferencia de los MLP, mostraron un excelente rendimiento con datos desequilibrados incluso sin una estrategia de remuestreo. Sin embargo, las estrategias existentes de procesamiento de datos desequilibrados (remuestreo, pérdida focal) degradaron el rendimiento de las KAN, mientras que tuvieron un efecto mínimo en el rendimiento de los MLP. Además, las KAN presentaban costos computacionales muy elevados, pero su mejora en el rendimiento fue limitada. Los resultados de la verificación estadística mostraron que los MLP que aplican técnicas de procesamiento de datos desequilibrados lograron un rendimiento similar al de las KAN (|d| < 0,08) con un menor consumo de recursos. Por lo tanto, las KAN pueden considerarse una solución especializada para datos desequilibrados sin procesar cuando los recursos son suficientes, pero su alto consumo de recursos en comparación con su rendimiento y su baja compatibilidad con las técnicas de remuestreo existentes limitan su aplicación práctica. Las futuras direcciones de investigación incluyen la mejora estructural de las KAN para el aprendizaje desequilibrado, la mejora de la eficiencia computacional y la armonía teórica con el aumento de datos.
