科尔莫戈洛夫·阿诺德网络（KAN）作为多层感知器（MLP）的替代方案，展现出更高的准确性和可解释性，尤其在图回归任务中表现优异。通过DropKAN正则化方法，KAN的泛化性能得到提升。尽管计算成本较高，KAN在多个数据集上的表现与MLP相当，显示出广泛的应用潜力。

本文探讨了多种图神经网络模型在异构图和双曲空间中的应用，包括超曲线图注意网络、基于分层注意力的异构图神经网络和Hodge-Laplacian异构图注意网络。这些模型在节点分类和图回归等任务中表现优越，展示了处理复杂图形数据的高效性和多功能性。