本研究探讨了Kolmogorov-Arnold Networks (KANs)作为多层感知器（MLPs）的替代方案，发现KANs在复杂数据处理和视觉任务中表现优越，尤其在医学图像分割和时间序列预测方面。尽管计算成本较高，但KANs在准确性和可解释性上具有潜力，能够减少训练数据需求并提高模型可靠性。研究还提出了改进KANs性能的方向。

本研究评估了Kolmogorov-Arnold Networks（KANs）在高光谱图像分类中的有效性，提出了混合架构，实验结果显示其性能优于传统的CNN和ViT算法。此外，研究还介绍了端到端的光谱变化检测网络（ES2Net）和混合卷积注意力网络（HCANet），均表现出更高的分类准确性和效能。