論文の概要: Frequency Bias and OOD Generalization in Neural Operators under a Variable-Coefficient Wave Equation

• arxiv url: http://arxiv.org/abs/2605.12997v1
• Date: Wed, 13 May 2026 04:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.816394
• Title: Frequency Bias and OOD Generalization in Neural Operators under a Variable-Coefficient Wave Equation
• Title（参考訳）: 可変係数波動方程式によるニューラル演算子の周波数バイアスとOOD一般化
• Authors: Runlong Xie, An Luo,
• Abstract要約: 一次元可変係数波動方程式により制御された波動伝播条件における演算子学習について検討する。 滑らかさのシフトの下では、どちらのモデルも安定した性能を維持し、FNOは低い誤差を達成する。 周波数シフトの下では、FNOは目に見えない高周波入力の下でエラーが急激に増加するのに対して、DeepONetは全体的なエラーが高いにもかかわらず、より軽度に低下する。
• 参考スコア（独自算出の注目度）: 3.918109426744543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operators learn to map initial conditions to the terminal solution of partial differential equations (PDEs), providing a surrogate for the full operator mapping. This enables rapid prediction across different input configurations. While recent neural operator architectures have demonstrated strong performance on diverse PDE tasks, their behavior under structured distribution shifts remains insufficiently understood. To investigate this, we study operator learning in a wave propagation setting governed by a one-dimensional variable-coefficient wave equation, using two representative architectures, the Fourier Neural Operator (FNO) and the Deep Operator Network (DeepONet). To examine their generalization under distribution shifts, we consider structured out-of-distribution (OOD) settings that independently vary input frequency and coefficient smoothness. The results show that under smoothness shifts, both models maintain stable performance, with FNO achieving lower error. In contrast, under frequency shifts, FNO exhibits a sharp increase in error under unseen high-frequency inputs, whereas DeepONet shows milder degradation despite higher overall error. Our analysis reveals that these differences arise from how each architecture represents and responds to variations in frequency structure. Together, these findings highlight a fundamental gap between strong in-distribution performance and generalization under distribution shifts in operator learning, underscoring the role of architectural representation bias in developing more reliable neural operators for physics-based PDE simulations beyond the training distribution.
• Abstract（参考訳）: ニューラル作用素は、初期条件を偏微分方程式(PDE)の終端解にマッピングすることを学び、完全な作用素写像の代理を与える。 これにより、異なる入力構成間での迅速な予測が可能になる。 近年のニューラルオペレーターアーキテクチャは多種多様なPDEタスクにおいて強い性能を示してきたが、構造化分布シフト下での挙動は十分に理解されていない。 そこで本研究では,FNO(Fourier Neural Operator)とDeep Operator Network(DeepONet)という2つの代表的なアーキテクチャを用いて,一次元の可変係数波動方程式によって制御される波動伝播環境における演算子学習について検討した。 分布シフト下での一般化を検討するために,入出力周波数と係数の滑らか度を独立に変化させる構造外分布(OOD)の設定を検討する。 その結果、滑らかさのシフトの下では、両モデルとも安定な性能を保ち、FNOは低い誤差を達成できることがわかった。 対照的に、周波数シフトの下では、FNOは目に見えない高周波入力の下でエラーが急激に増加する一方、DeepONetは全体的なエラーが高いにもかかわらず、より軽度に劣化する。 これらの違いは、各アーキテクチャが周波数構造の変化をどのように表現し、応答するかから生じる。 これらの知見は、演算子学習における分布シフトの強い分配性能と一般化の基本的なギャップを浮き彫りにして、トレーニング分布を超えた物理ベースのPDEシミュレーションのためのより信頼性の高いニューラル演算子を開発する際に、アーキテクチャ的表現バイアスが果たす役割を浮き彫りにしている。

関連論文リスト

• Late Fusion Neural Operators for Extrapolation Across Parameter Space in Partial Differential Equations [3.4369924555307794]
  本稿では,パラメータ効果から学習状態のダイナミクスを分離するアーキテクチャであるレイトフュージョンニューラル演算子を紹介する。 提案手法は,潜在状態表現を学習するためのニューラル演算子とスパース回帰を組み合わせ,パラメータ情報を構造化された方法で組み込む。
  論文  参考訳（メタデータ） (2026-04-17T21:52:37Z)
• HFNO: an interpretable data-driven decomposition strategy for turbulent flows [0.0]
  乱流の低次モデリングに適した新しいFNOアーキテクチャを提案する。 提案したアーキテクチャは、波数ビンを並列に処理し、分散関係と非線形相互作用の近似を可能にする。 より複雑な力学系における提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-11-03T12:57:19Z)
• LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators [20.77877474840923]
  高周波情報は機械学習における重要な課題である。 ディープニューラルネットワークは、低周波成分の学習に対するいわゆるスペクトルバイアスを示す。 放射結合スペクトル誤差に基づく新しい周波数感受性損失項を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:35:04Z)
• Component Fourier Neural Operator for Singularly Perturbed Differential Equations [3.9482103923304877]
  Singularly Perturbed Differential Equations (SPDE) の解法は、薄い領域における解の急激な遷移に起因する計算上の問題を引き起こす。 本稿では、フーリエニューラル演算子(FNO)に基づく革新的な演算子学習法であるComFNOを紹介する。 私たちのアプローチはFNOに限らず、Deep Operator Network(DeepONet)など他のニューラルネットワークフレームワークにも適用可能です。
  論文  参考訳（メタデータ） (2024-09-07T09:40:51Z)
• Neural Operators with Localized Integral and Differential Kernels [77.76991758980003]
  本稿では,2つのフレームワークで局所的な特徴をキャプチャできる演算子学習の原理的アプローチを提案する。 我々はCNNのカーネル値の適切なスケーリングの下で微分演算子を得ることを示す。 局所積分演算子を得るには、離散連続的畳み込みに基づくカーネルの適切な基底表現を利用する。
  論文  参考訳（メタデータ） (2024-02-26T18:59:31Z)
• Enhancing Solutions for Complex PDEs: Introducing Complementary Convolution and Equivariant Attention in Fourier Neural Operators [17.91230192726962]
  複雑なPDEを解くために,畳み込み-残留層と注意機構を備えた新しい階層型フーリエニューラル演算子を提案する。 提案手法はこれらのPDEベンチマークにおいて,特に高速な係数変動を特徴とする方程式に対して,優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-11-21T11:04:13Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Incorporating NODE with Pre-trained Neural Differential Operator for Learning Dynamics [73.77459272878025]
  ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。 NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。 我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
  論文  参考訳（メタデータ） (2021-06-08T08:04:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。