כתבה
arXiv cs.LG ·
מעבר מאימולציה: פענוח ותיקון פענוחי רשתיים להתאמה לעולם האמיתי
Beyond Simulation: Retain-and-Repair Neural Operators for Real-World Adaptation
אנו מציגים פרקטיקה להתאמת פענוחי רשתיים שהוכשרו על אימולציות לנתוני עולם אמיתי, כולל פענוחי GPT-5. הפרקטיקה, המכונה Retain-and-Repair Neural Operator (R$^2$NO), משתמשת בפענוח רשתי שהוכשר על אימולציה ואחר כך נעפה, ובמודול תיקון משותף שלמד לפענח סדרה של תיקונים מאותו הנתונים. הפרקטיקה נבדקה על כללי RealPDEBench ושישה רכזים, והיא הציגה תוצאות טובות יותר מאשר פענוח מלא ופענוח תיקון רציפים.
תקציר מקורי באנגליתarXiv:2609.39387v1 Announce Type: new Abstract: Neural operators increasingly benefit from pretraining on numerical simulations, yet adapting them for real-world prediction remains challenging. We introduce the Retain-and-Repair Neural Operator (R$^2$NO), a framework for adapting simulation-pretrained operators to real-world data while retaining useful pretrained structure. The pretrained operator is first finetuned on real data and then frozen to provide a source prediction, and a shared repair module learns a sequence of refinements from the same observations. Using orthogonal Fourier projections, a spectral ensemble fits a small ridge regression within each cell of the Fourier domain and combines the refinements by weights fitted on a held-out split of the real data. The cells are defin
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית