Zespół naukowców opublikował artykuł badawczy przedstawiający L-FNO, specjalistyczną architekturę sieci neuronowej do prognozowania rozkładu czasowego zdarzeń w systemach niepewnych. Standard Fourier Neural Operators tradycyjnie pracuje jak modele regresyjne, ale L-FNO zmienia to podejście na estymator intensywności warunkowej - coś zupełnie innego dla przypadków rzadkich zdarzeń.
Klucz do innowacyjności leży w połączeniu trzech elementów: ścieżki kowariatów w stylu FNO, jąder spektralnych Lorentza dla pamięci zdarzeń historycznych oraz funkcji wiarygodności do trenowania. Ta kombinacja pozwala modelowi zrozumieć zarówno bodźce zewnętrzne, jak i wewnętrzne dynamiki samopobudzające się, gdzie jedno zdarzenie zwiększa prawdopodobieństwo następnego.
Badacze przetestowali L-FNO na ośmiu syntetycznych benchmarkach i trzech rzeczywistych scenariuszach: prognozowaniu wybuchów chorób zakaźnych oraz wykrywaniu defektów i usterek w produkcji półprzewodników. W każdym przypadku model wypadł lepiej od regresyjnych i opartych na wiarygodności bazowych wersji operatorów neuronowych. Zdaniem autorów sukces pochodzi z zastosowania strukturyzowanej spektralnej pamięci i nauczania opartego na wiarygodności - to właściwe uprzedzenia indukcyjne dla modelowania stochastycznej dynamiki zdarzeń w systemach rzeczywistych.