机器学习算子中零样本超分辨率的虚假承诺
机器学习
2026-03-02 v2 人工智能
计算机视觉与模式识别
摘要
科学机器学习和科学计算中的核心挑战之一是对离散表示下的连续现象进行建模。机器学习算子（MLOs）被提出作为实现这一目标的手段，因为该类架构能够在任意分辨率下进行推断。在本工作中，我们评估了这种架构创新是否足以进行“零样本超分辨率”，即使模型能够服务于高于其原始训练所用数据的更高分辨率的推断。我们全面评估了 MLOs 中零样本亚分辨率和超分辨率（即多分辨率）推断。我们将多分辨率推断解耦为两个关键行为：1）对不同频率信息的外推；2）在不同分辨率之间的插值。我们经验性地表明，MLOs 在这两个任务中都无法以零样本方式完成。因此，我们发现 MLOs 无法在其训练时所用的分辨率之外进行准确推断，而是脆弱且易受混叠干扰。为解决这些失效模式，我们提出了一种简单、计算高效且数据驱动的多分辨率训练协议，以克服混叠，并提供稳健的多分辨率泛化。
引用
@article{arxiv.2510.06646,
title = {The False Promise of Zero-Shot Super-Resolution in Machine-Learned Operators},
author = {Mansi Sakarvadia and Kareem Hegazy and Amin Totounferoush and Kyle Chard and Yaoqing Yang and Ian Foster and Michael W. Mahoney},
journal= {arXiv preprint arXiv:2510.06646},
year = {2026}
}
备注
Published in the Proceedings of the International Conference on Learning Representations (ICLR), 2026