研究者提出可学习分数阶导数神经算子增强方法

研究者 Fares B. Mehouachi 与 Saif Eddin Jabari 提出 ∂-NO（del-NO），一种与架构无关的增强方法，可为任意神经算子骨干网络提供可学习的分数阶导数特征。 该工作从理论上证明，导数特征可将逼近界从 O(W^{-(s-m)/d}) 提升至 O(W^{-s/d})，并发现最优导数阶数 β* 严格小于 PDE 阶数 m，这一差距源于谱空间中的偏差-方差权衡。 在多个基准问题和架构上，∂-NO 持续提升预测精度。该工作已被 ICML 2026 接收。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。