基于自适应单位分解混合专家网络的局部化算子学习

基于摘要分析。针对 DeepONets、FNOs 在具有尖锐界面、异质系数和局部多尺度结构的 PDE 族上的建模困难，本文提出基于单位分解（partition-of-unity，POU）的局部化混合专家框架，并以 HiRefPOU 为主要贡献，在局部表征之间保持全局连续性。 核心机制是由几何感知门控网络生成平滑空间分区，融合各局部专家网络的贡献。HiRefPOU 面向 DeepONets，采用残差式层级 POU 架构，通过嵌套的父子分区组织局部表示。作者还将同一 POU 原则用于 Fourier Neural Operators，在不修改底层频谱层的情况下引入空间适应性。摘要未提供门控参数化、分区细化规则、损失函数或训练配置，其具体实现尚未验证。 作者报告，在异质 Darcy 与 reaction-diffusion 基准上，HiRefPOU 相比全局 DeepONet 和静态 POU-MoE 基线取得明显更低的误差，但摘要未给出具体误差指标、数值或数据划分。作者同时报告，更广泛的算子学习实验表明，局部化收益依赖 PDE 结构及所选神经算子骨干；学习到的分区与界面及解快速变化的区域相对应，支持其可解释性主张。实验协议、消融及统计信息尚未验证，不能据此推断所有算子任务均受益。 平台推测（待验证）：若 EEG 任务能表述为具有明确空间几何的函数到函数映射，该框架或可用于处理空间异质性，但 PDE 中的几何界面不等同于 EEG 的功能分区。可复用模块是平滑门控与局部专家融合，需改造电极几何表示及任务输入输出；低信噪比、稀疏通道、跨被试差异和小数据可能使分区不稳定或专家过拟合。一个可检验的小实验是在固定被试内划分的 EEG 通道重建任务上，以相同训练预算比较全局算子、静态 POU 与自适应 POU，并检查重建误差和分区稳定性。该迁移并非本文已验证结果，已有 EEG 相关工作尚未检索确认。