KAN是一种新的符号表示中的替代方法，具有更好的准确性和可解释性，参数更少。然而，在公平比较中，MLP通常在机器学习、计算机视觉、自然语言处理和音频处理等任务中优于KAN。差异在于激活函数，KAN使用B样条函数。KAN在符号表示任务中表现更好，但MLP在其他任务中通常更优。KAN和MLP在连续学习任务中的性能相似。KAN和MLP的主要区别在于激活函数和线性和非线性操作的顺序。在大多数任务中，MLP仍然是更好的选择。