神经算子在变系数波动方程下的频率偏差与分布外泛化研究
原帖
**神经算子在变系数波动方程下的频率偏差与分布外泛化**
_Frequency Bias and OOD Generalization in Neural Operators under a Variable-Coefficient Wave Equation_
> 该论文研究了神经算子（如傅里叶神经算子FNO和深度算子网络DeepONet）在一维变系数波动方程中，面对输入频率和系数平滑度发生结构性分布变化时的泛化能力。研究发现，在平滑度变化下，两者性能稳定，FNO误差更低；但在频率变化下，FNO对未见过的高频输入误差急剧增加，DeepONet退化较轻但整体误差更高。分析揭示这种差异源于架构对频率结构的表示偏差，强调了在分布外泛化中，架构表示偏差对构建可靠神经算子的重要性。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-14 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.12997)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该研究探讨傅里叶神经算子(FNO)与深度算子网络(DeepONet)在面对输入频率和系数平滑度的分布外变化时的泛化能力。研究发现，FNO在频率变化下误差急剧增加，而DeepONet退化较轻但整体误差更高，这种差异源于架构对频率结构的表示偏差。
答案说明
该研究发现，在变系数波动方程中，傅里叶神经算子(FNO)和深度算子网络(DeepONet)在系数平滑度变化下性能稳定，但FNO在频率变化下对未见过的高频输入误差急剧增加，而DeepONet退化较轻但整体误差更高。这揭示了神经算子架构的表示偏差对分布外泛化能力的关键影响。
这篇帖子回答的问题
- 傅里叶神经算子(FNO)和深度算子网络(DeepONet)在面对分布外频率变化时的表现有何不同？
- 神经算子在分布外泛化中面临的主要挑战是什么？
核心观点
- 在变系数波动方程的分布外泛化任务中，傅里叶神经算子(FNO)在面对未见过的高频输入时误差急剧增加，而深度算子网络(DeepONet)退化较轻但整体误差更高。
- 神经算子架构对频率结构的表示偏差是影响分布外泛化能力的关键因素。
FAQ
- Q: 这项研究的主要发现是什么？
- A: 研究发现，在变系数波动方程中，FNO在频率变化下误差急剧增加，DeepONet退化较轻但整体误差更高，这源于架构对频率结构的表示偏差。
- Q: 这项研究强调了什么重要观点？
- A: 研究强调了在分布外泛化中，架构表示偏差对构建可靠神经算子的重要性。
关键实体
- 傅里叶神经算子(FNO)
- 深度算子网络(DeepONet)
- 变系数波动方程
- HuggingFace Daily Papers