Para abordar la heterogeneidad de la modalidad y acelerar la recuperación a gran escala, las estrategias de hash cruzado generan códigos binarios compactos que mejoran la eficiencia computacional. Los enfoques existentes a menudo luchan con el aprendizaje de características subóptimo debido a funciones de activación fijas e interacción cruzada limitada entre modalidades. Proponemos Redes de Kolmogorov-Arnold de Grafos Contrastivos No Supervisados (GraphKAN) Mejorado con Hashing de Recuperación Cruzada de Modalidad (UCGKANH), integrando GraphKAN con aprendizaje contrastivo y mejora basada en hipergráficos. GraphKAN permite una representación cruzada de modalidad más flexible a través de una expresión no lineal mejorada de características. Introducimos el aprendizaje contrastivo que captura estructuras invariantes a la modalidad a través de pares de muestras. Para preservar relaciones semánticas de alto orden, construimos un mecanismo de propagación de información basado en hipergráficos, refinando los códigos hash al imponer consistencia global. La eficacia de nuestro enfoque UCGKANH se valida mediante pruebas exhaustivas en los conjuntos de datos MIR-FLICKR, NUS-WIDE y MS COCO, que muestran ganancias significativas en precisión de recuperación junto con una fuerte eficiencia computacional.