基于草图正则化的隐式神经压缩器科学仿真的原位训练

我们聚焦于隐式神经表示，提出一种新颖的原位训练协议，采用完整数据样本和草图数据样本的有限内存缓冲区，其中利用草图数据可防止灾难性遗忘。我们通过简单的结果阐述了将草图用作正则器的理论动机，基于Johnson-Lindenstrauss引理。虽然我们的方法可能对持续学习领域的更广泛感兴趣，但我们特别针对基于隐式神经表示的hypernetworks进行原位神经压缩。我们在二维和三维复杂仿真数据上进行评估，涉及长时间范围、非结构化网格和非笛卡尔几何。在这些任务上，我们显示在高压缩率下表现出强大的重构性能。最重要的是，我们证明了草图使所提出的原位方案大致匹配等效离线方法的性能。