단조성(Monotonicity)은 출력이 특정 입력에 대해 단조적으로 반응한다고 알려진 정형 데이터(tabular), 과학 및 경제적 환경에 의해 동기 부여된, 신경망을 위한 오랜 아키텍처 유도 편향(inductive bias)입니다. 기존의 접근 방식은 MLP 또는 흐름(flow) 기반이며 엣지별 기능적 투명성(per-edge functional transparency)이 부족합니다. 단조성을 가진 유일한 Kolmogorov-Arnold Network (KAN) 변형인 MonoKAN은 제한된 파라미터 하위 집합에 대해서만 제약을 강제하며 투영 방식(projection-style)의 훈련 절차를 필요로 합니다. 우리는 B-spline 계수의 지수적 재매개변수화(exponential reparameterization), 양수 엣지 가중치(positive edge weights), 그리고 단조 기저 활성화 함수(monotone base activation)를 통해 extit{모든} 파라미터 값에 대해 엄격한 단조성을 보장하는 KAN인 extbf{MKAN}을 통해 이 간극을 메웁니다. 훈련은 표준적인 제약 없는 경사 하강법(unconstrained gradient descent)으로 축소됩니다. 우리의 주요 이론적 기여는 extit{표현 비용(representation-cost)} 정리입니다: 구형(ball-shaped) 의미론적 이웃 분할(semantic-neighborhood partition)을 유도하는 임의의 $C^K, K >0$ 특징 추출기(feature extractor)는 $N' = N^* + k \le 2N^$에서 등가적인 이웃 구조의 단조 실현(monotone realization)을 허용하며, 여기서 $k$는 원래의 비단조 좌표(non-monotone coordinates)의 수입니다. 이 경계는 아키텍처에 무관하며 단조 인코더(monotone encoders)를 위한 원칙적인 크기 규칙을 제공합니다. 경험적으로, MKAN은 SMM/ICML-2024 벤치마크에서 최첨단 단조 신경망(monotone NNs)과 경쟁할 수 있는 수준이면서, 엄격한 제약 없는 단조성과 KAN의 엣지별 기능적 투명성을 결합한 유일한 방법입니다. $2N^$ 예측은 4개의 실제 데이터셋에 대한 자기 지도 학습 특징 크기 스윕(self-supervised feature-size sweep)에서 검증되었으며, 통제된 단조 생성(monotone-generative) 데이터셋에서 MKAN은 KAN, MLP 및 선형 베이스라인보다 실질적으로 더 높은 Spearman 정렬(Spearman alignment)로 실제 정답 요인(ground-truth factors)을 복구합니다.