神经算子新突破：四参数谱律零重训跨图迁移，误差仅0.51%！
Fractional Laplace Neural Operators: Exact Architectures, an Expressivity Frontier at Criticality, and Certified Stability for Memory-Driven Network Dynamics
📖 AI 总结
本文提出分数阶拉普拉斯神经算子（fLNO），将遗传性网络动力学中由非有理拉普拉斯符号刻画的Volterra预解结构直接嵌入学习映射。对于可交换的激励—拉普拉斯对，单个图谱层即可精确表示完整的线性Volterra解算子。作者进一步刻画了有限有理实现的可表达性边界：在紧频率窗口上能以几何速率逼近分数阶记忆，但无法复现由分支点产生的非整数临界渐近行为，在半直线上最佳有理逼近速率仅为根指数级。该理论还给出可按构造保证稳定裕度的可训练参数化方案，以及区分算子一致性与参数共享的graphon迁移定理。基准实验显示，在有限时域上正有理算子精度可与fLNO相当甚至更高，但在受控近临界实验中，fLNO以远少参数更忠实地恢复分支坐标；无约束有理拟合可能越过稳定边界，而带认证的参数化则不会。一个四参数谱律无需重训练即可从48节点图迁移至192节点图，相对误差仅0.51%–0.62%。该工作为记忆驱动网络动力学提供了一种精确记忆结构、物理坐标与稳定性保证共存的算子学习架构。
🔑 关键词速览
| 分数阶拉普拉斯神经算子 (fLNO) | 一种将分数阶拉普拉斯结构嵌入学习映射的神经算子架构，用于精确表示具有非有理拉普拉斯符号的沃尔泰拉解算子。 |
| 沃尔泰拉预解式 | 描述遗传网络动力学中记忆效应的积分算子，通常具有非有理的拉普拉斯符号。 |
| 表达力前沿 | 指有限有理实现能够逼近分数阶记忆的极限，无法再现由分支点产生的非整数临界渐近行为。 |
| 图极限转移定理 | 一个理论结果，将真正的算子一致性与参数共享区分开，用于分析图神经网络中的迁移性。 |
| 认证稳定性 | 通过构造强制规定稳定性裕度的可训练参量化，确保学习到的算子不会跨越稳定性边界。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅