Компьютерные науки > Машинное обучение [представлено 7 сентября 2026 года] Название: Местный градиентный нейронный оператор View PDF HTML (экспериментальный) Резюме: Временное прогнозирование на местах и идентификация источников представляют собой канонические проблемы в динамических системах. Обычные подходы к решению этих проблем зависят от глубокого понимания применяемых уравнений частичной дифференциальности (ПДД). В последнее время глубокие знания, представленные нейронными операторами, обеспечивают ориентированную на данные парадигму для решения таких задач. Вместе с тем большинство существующих глобальных нейронных операторов для ИДР требуют больших наборов данных о подготовке кадров и многих пригодных для обучения параметров, при ограниченной интерпретируемости и обобщении. Мы предлагаем местный градиентный нейронный оператор (LGNO) в качестве легкой и интерпретируемой альтернативы прогнозированию временной эволюции поля и идентификации источников при типичных механических проблемах. Этот метод основывается на приводах нелинейной дискретизации градиента и предусматривает использование многослойных парцептронных слоев для изучения местных ядер, которые отличаются от дискретных строк. Ноль последовательной факторизации стенки отделяет коэффициент, полученный в процессе реконструкции поля, что делает опытных операторов более транспарентными. В случае проблем с симметриями сетевое объединение делится эквивалентными компонентами и сокращает число параметров. Мы оцениваем…
Местный градиентный нейронный оператор
arXiv:2600,07752v1 Тип уведомления: новое резюме: Временное прогнозирование на местах и идентификация источников представляют собой канонические проблемы в динамических системах. Обычные подходы к решению этих проблем зависят от глубокого понимания применяемых уравнений частичной дифференциальности (ПДД). В последнее время глубокие знания, представленные нейронными операторами, обеспечивают ориентированную на данные парадигму для решения таких задач. Вместе с тем большинство существующих глобальных нейронных операторов для ИДР требуют больших наборов данных о подготовке кадров и многих пригодных для обучения параметров, при ограниченной интерпретируемости и обобщении. Мы предлагаем местный градиентный нейронный оператор (LGNO) в качестве легкой и интерпретируемой альтернативы прогнозированию временной эволюции поля и идентификации источников при типичных механических проблемах. Этот метод основывается на приводах нелинейной дискретизации градиента и предусматривает использование многослойных парцептронных слоев для изучения местных ядер, которые отличаются от дискретных строк. Ноль последовательных строк f