現代の運用システムは、通常の条件下でも不確実性に直面します。実際の運用では、まれでバースト的、かつ自己励起的なイベントが、外生変数と内生のイベントダイナミクスの両方から発生します。たとえば、疾病の発生は季節的な環境要因に左右される一方、半導体製造における故障や欠陥は、生産条件の変動と過去の欠陥イベントが相互に強化し合うことで集中して現れることがあります。このようなスパースなイベント領域では、モデルは複雑な共変量関係を捉えるだけでなく、イベント履歴が将来の励起に与える影響を構造的に表現する必要があります。
一般的なニューラルオペレーターは、回帰的な関数間写像として訓練されることが多く、イベント過程の条件付き強度を直接推定するようには設計されていません。そのため、イベントが少なく、不均衡で、爆發的に集中するシナリオでは、条件付き強度関数を正確にモデル化できず、リスク監視や信頼性工学などのタスクへの適用が制限されます。この課題に対して研究チームは、ローレンツ型フーリエニューラルオペレーター（L-FNO）を提案しました。L-FNOは、FNOスタイルの共変量パスと、履歴依存の励起を表現するローレンツ型スペクトルカーネルを組み合わせ、さらに尤度ベースの学習目的を採用することで、イベントの条件付き強度を直接最大化することを目指します。
実験では、8つの合成点過程ベンチマークと、疾病発生予測および半導体の故障・欠陥検出を含む3つの実世界データセットを用いて評価が行われました。比較対象は、回帰ベースおよび尤度ベースのニューラルオペレーターのベースラインです。評価指標には、イベント尤度、キャリブレーション診断、まれなイベント検出が含まれます。結果は、L-FNOがこれらの指標でベースラインを一貫して改善することを示しました。特に、不均衡な稀イベントシナリオでの検出性能が顕著に向上しています。キャリブレーションの改善は、モデルが出力する確率推定がより信頼できることを意味し、疾病監視や半導体の歩留まり管理にとって重要です。
論文はSonghee Kang氏らによって執筆され、2026年5月7日にarXiv（番号2608.13562）へ投稿されました。機械学習（cs.LG）と統計的機械学習（stat.ML）に分類され、本文9ページ・図5点を含む全21ページで構成されています。arXiv DOI（https://doi.org/10.48550/arXiv.2608.13562）も付与されています。本研究は、構造化されたスペクトル記憶と尤度ベースの学習が、確率的イベントダイナミクスをモデル化するニューラルオペレーターに有効な帰納的バイアスを与えることを示しています。今後は、金融の極端なイベント予測やネットワーク異常検知、設備寿命予測など、自己励起的なイベントが発生する幅広い領域への応用が期待されます。