本論文はKolmogorov Arnold Networks(KANs)の不均衡データ分類性能を実験的に評価した研究である。 10個のベンチマークデータセットを使用して、KANとMulti-Layer Perceptrons（MLP）の性能を比較分析しました。その結果、KANsはMLPsとは異なり、再標本化戦略なしで不均衡データに対して優れた性能を示したが、従来の不均衡データ処理戦略（再標本化、focal loss）はKANsの性能を低下させる一方、MLPsの性能にはわずかな影響しか及ぼさなかった。さらに、KANsは計算コストが非常に高かったが、性能の向上は限られていた。統計的検証の結果、不均衡データ処理技術を適用したMLPは、リソース消費が少なくKANと同様の性能を達成した（|d|<0.08）。したがって、KANsは、リソースが十分な場合、未処理の不均衡データに対する特殊な解決策と見なすことができますが、パフォーマンスに対するリソース消費が激しく、既存の再標本化技術との互換性が低く、実際の適用には限界があります。今後の研究方向としては、不均衡学習のためのKANsの構造改善、計算効率性向上、データ増強との理論的調和などを示した。
