面向无散度算子学习提出横向子空间极小表示方法

1. 12:00
   arXiv 机器学习

   横向子空间学习：面向无散度算子学习的极小表示

   研究提出一种无散度算子学习的极小表示方法，利用 Householder 正交变换将 D 维实数 D 分量无散度场编码为 (D-1) 分量场。神经算子完全在该降维子空间中学习时间演化，推理时无需事后投影即可直接解码为物理无散度场。该方法通过消除非约束的纵向或零空间方向，在天然保证无散度特性的同时降低了预测误差并增强了鲁棒性。

当前热度 5·可比范围峰值 5（10月1日 12:00）·近 24 小时可比范围变化 –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。