L-FNO: нейрооператор для предсказания редких событий

Современные операционные системы — от энергосетей до финансовых платформ — сталкиваются с неопределенностью даже в рутинных условиях. Редкие, «взрывные» и самовозбуждающиеся события возникают под влиянием как внешних факторов (экзогенных ковариат), так и внутренней динамики. Стандартные нейрооператоры, обучаемые как регрессионные модели «функция-к-функции», не предназначены для оценки условной интенсивности, что ограничивает их применимость в разреженных режимах.

Что произошло

На arXiv опубликована работа L-FNO: Lorentzian Fourier Neural Operator for Stochastic Event Dynamics (arXiv:2608.13562). Авторы предлагают новый класс нейрооператоров, которые напрямую оценивают условную интенсивность событий. В отличие от классических операторов Фурье, L-FNO использует лоренцеву геометрию для моделирования внутренних взаимодействий между событиями, включая эффекты самовозбуждения и затухания.

Почему это важно

Традиционные нейропроцессы и рекуррентные модели часто плохо справляются с редкими событиями из-за дисбаланса классов и неподходящей функции потерь. Регрессионные нейрооператоры минимизируют среднеквадратичную ошибку, которая не отражает вероятностную природу точечных процессов. Переход к оценке условной интенсивности позволяет использовать принцип максимального правдоподобия для точечных процессов, что теоретически обоснованно и лучше калибрует неопределенность.

Что дальше

Ожидается, что L-FNO найдёт применение в системах раннего предупреждения, мониторинге инфраструктуры и анализе социальных сетей, где важны редкие, но критичные события. Дальнейшее развитие может включать адаптацию к нестационарным средам и интеграцию с методами онлайн-обучения. Вопрос масштабируемости на длинные последовательности остаётся открытым, но первые результаты указывают на значительный потенциал нового подхода.