标签
本研究通过提出一种双分支、频谱门控架构（DBSG-PINN），探讨了频率分解对物理信息神经网络（PINNs）的益处。在一维偏微分方程基准测试上的消融实验表明，频率分解在频谱复杂问题上最为有效，可将误差降低高达59.2%。
本文提出可学习的小波激活函数来应对持续学习中的可塑性损失，将激活分解为低频和高频分量，并采用动态注入与正则化，在多个基准上取得了最先进的结果。
本文提出了FALM-PINN，一种用于物理信息神经网络的交替Levenberg-Marquardt训练框架，该框架使用傅里叶增强特征来解决谱偏差和表示-系数耦合问题，在高频和非线性偏微分方程上实现了最多低两个数量级的误差。
本文介绍了一种基于随机场理论中Rice水平穿越密度的可微训练目标，它作为隐式神经表示的无网格高频辅助损失。无需网格或FFT，并提高了在非均匀样本上的性能。
本文提出了一种频移物理信息极限学习机（FS-PIELM）框架，利用加法权重初始化机制克服求解高频偏微分方程时的频谱偏差。该方法在基准问题上相比现有PIELM变体实现了高达五个数量级的改进。
本文研究了SIREN、ReLU MLP和傅里叶特征MLP中隐式神经表征的迁移特异性，发现迁移幅度和特异性依赖于架构，其中ReLU更具选择性，而SIREN广泛重用权重。结果表明，架构选择应考虑显式的控制条件，而不仅仅是迁移幅度。
介绍了有色噪声采样（CNS），这是一种无需训练的扩散模型随机求解器，可根据频率依赖的时间表动态分配能量，在ImageNet-256上显著提高了FID等图像质量指标。
本文识别并解释了一种基于重建的脑电图基础模型中的频谱偏差：嵌入表示过度表征非周期和低频成分，而低估振荡成分（尤其在高频段），导致低资源场景下性能不佳。
本文介绍了迭代细化神经算子（IRNO），它通过固定点迭代应用学习到的细化模块来增强预训练的神经算子，以缓解频谱偏差。IRNO逐步修正高频误差，在湍流上实现了高达56%的改进，并且在超过训练迭代次数时仍能稳定外推。
本文介绍了Spectral Energy Centroid (SEC) 度量，用于分析与改进隐式神经表示中的频谱偏差，展示了其在超参数选择、信号复杂度测量和跨架构对齐中的实用性。