∂-NO：可学习分数阶导数增强神经算子
热点事件持续更新
∂-NO：可学习分数阶导数增强神经算子
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
研究者 Fares B. Mehouachi 与 Saif Eddin Jabari 提出 ∂-NO（del-NO），一种与架构无关的神经算子增强方法，可为任意神经算子骨干网络提供可学习的分数阶导数特征。该工作已被 ICML 2026 接收。 作者称，理论证明导数特征可将逼近界从 O(W^{-(s-m)/d}) 改善至 O(W^{-s/d})，并发现最优导数阶 β* 严格小于 PDE 阶数 m。在多个基准和架构上，∂-NO 持续提升预测精度。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
∂-NO：可学习分数阶导数让神经算子更优报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.LG∂-NO：可学习分数阶导数让神经算子更优
研究者提出 ∂-NO（del-NO）架构无关增强方法，为任意神经算子骨干提供可学习的分数阶导数特征。理论证明导数特征可将逼近界从 O(W^{-(s-m)/d}) 改善至 O(W^{-s/d})，并发现最优导数阶 β* 严格小于 PDE 阶数 m。在多个基准和架构上，∂-NO 持续提升预测精度，该工作已被 ICML 2026 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。