用于算子学习的随机自适应傅里叶分解

基于摘要分析。研究针对 Fourier Neural Operators（FNOs）的固定傅里叶基与硬频率截断难以充分表征非周期、局部及精细尺度解结构的问题，提出 Stochastic Adaptive Fourier Decomposition Neural Operator（SAFDNO），以输入自适应谱基替代预定义傅里叶模态。 核心机制是利用 Stochastic Adaptive Fourier Decomposition（SAFD）理论构造 Takenaka-Malmquist（TM）正交系统。SAFDNO 通过神经极点预测器摊销经典 SAFD 中昂贵的贪心极点搜索，直接从潜在特征生成自适应 TM 系统，并在 Hardy space 中对解析分支相对于该系统的系数进行学习式滤波。其设计意图是在保留谱算子全局感受野的同时，提高谱表示的灵活性；具体预测器结构、损失与训练流程尚未验证。 作者报告，在九个 PDE 基准问题中，SAFDNO 在全部六个规则网格问题上优于所比较的强神经算子基线，Darcy、Burgers 和 Navier-Stokes 上的改善尤其突出。作者还报告更强的零样本超分辨率表现，以及部署到更细离散网格时较小的性能退化。摘要未提供具体误差指标、数值、基线名称或数据划分，因此不能量化增益或跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：输入自适应谱基可能对应 EEG 中非平稳局部振荡与多尺度结构的表征瓶颈，但 PDE 算子学习依赖函数场及其离散采样结构，其监督方式和数据规模不能直接等同于 EEG 解码。可考虑复用极点预测与 TM 系数滤波模块，同时改造多通道输入、时间边界处理和任务输出。低信噪比可能使谱基追随噪声，跨被试差异、通道变化及小数据也可能削弱适应性。一个可证伪的小实验是在同一 EEG 任务、固定跨被试划分及匹配训练预算下，对比固定 Fourier 基与自适应 TM 基，并检验噪声扰动后任务性能是否仍有改善；这属于迁移假设，已有 EEG 相关工作尚未检索确认。复现前还需核对代码可用性、极点约束及计算开销。