Operator Learning中零樣本超解析度的理論研究

研究論文提出對operator learning中zero-shot super-resolution現象的深入理論分析。這一現象指模型在粗網格訓練後，能直接在細測試網格上準確預測，無需重訓練，儘管實踐中常見，理論基礎卻未明確。論文首先展示，在良性設置下，如輸入函數完整可用且真值為簡單秩一線性算子時，zero-shot super-resolution可能在資訊理論上不可能，挑戰了普遍認知。隨後，論文識別出輸出函數的Hölder平滑性作為成功實現zero-shot super-resolution的充分條件，並推導出相關泛化界限，為模型設計提供理論依據。實驗部分驗證了理論分析，確認了失敗模式。這項工作填補了operator learning超解析度理論的空白，對未來AI模型開發與應用具有重要意義。