通过循环视觉变换注入情境的保守律鲁棒基础模型：Flux Neural Operator 架构
人机交互
2026-05-08 v1
摘要
我们提出一种架构，为 Flux Neural Operator (Flux NO) 引入 ViT 基于情境注入的功能。该模型被建模为超网络：它提取在有限时间窗口内的解动力学，用循环视觉变换 (ViT) 编码，并生成情境条件化神经算子的参数。这使得模型能够在无需显式访问控制方程或 PDE 系数的情况下推断并求解保守律。实验表明，所提方法保留了 Flux NO 相对于标准神经算子在鲁棒性、泛化能力和长期预测优势方面的特性，同时在广泛的保守系统中提供可靠的数值解，包括之前未遇到的 flux。我们的代码已公开于 https://github.com/xx257xx/CONTEXT_FLUX_NO。
引用
@article{arxiv.2605.05487,
title = {Cross-individual generalizability of machine learning models for ball speed prediction in baseball pitching},
author = {Ryota Takamido and Chiharu Suzuki and Hiroki Nakamoto},
journal= {arXiv preprint arXiv:2605.05487},
year = {2026}
}