現代運營系統即使在常規條件下也面臨不確定性。實際執行中，罕見、突發且具有自激特性的事件往往同時受外部協變數與系統內部事件動態影響：例如疾病暴發可能由季節環境因素驅動，而半導體制造中的故障或缺陷則可能因生產條件波動與歷史缺陷事件相互強化而聚集出現。這類稀疏事件場景對預測模型提出了特殊要求，不僅要捕捉複雜的協變數關係，還要刻畫事件歷史對未來的激發效應。傳統的點過程方法往往依賴人工設定核函式，難以自動從高維資料中發現這些關係；而通用神經運算元又通常被設計為學習函式到函式的對映，並非為事件序列的條件強度建模量身定製。於是，如何在有限、稀疏且不平衡的資料下學習可靠的事件動態，成為一個關鍵問題。
針對這一侷限，研究團隊提出了洛倫茲傅立葉神經運算元（L-FNO）。模型由三部分組成：首先是一條FNO風格的協變數路徑，用於編碼外部動態輸入對事件率的影響；其次是洛倫茲譜核，用於表達歷史事件對當前強度的激發作用；最後是基於似然的訓練目標，使模型直接在條件強度層面對數似然最大化，而不是先擬合某個迴歸輸出再用它推導強度。這種設計使得L-FNO能在事件觀測稀少時依然利用譜域的結構化記憶，平衡長程依賴與區域性突發兩種時間特徵。研究者指出，標準神經運算元通常以迴歸方式進行訓練，無法天然適配稀疏事件場景；L-FNO則把隨機性與似然機制引入運算元學習，更貼合實際事件過程的生成方式。
在實驗部分，研究者在八個合成點過程基準上比較了L-FNO與多種迴歸式、似然式神經運算元基線的表現，並在三個真實世界資料集上檢驗其泛化能力，涵蓋疾病暴發預測以及半導體故障或缺陷檢測。評估指標包括事件似然、校準診斷和罕見事件檢測。結果顯示，L-FNO在所有基準上均取得一致提升，尤其在不平衡的稀有事件場景中，檢測能力較基線有明顯改善。校準診斷的改進說明模型給出的機率估計更可靠，這對疾病監測和半導體良率管理具有重要意義。作者認為，這些結果說明譜域記憶與似然學習為神經運算元提供了有效的歸納偏置，能夠更自然地捕捉由外部協變數和內生動力學共同驅動的隨機事件。
該研究由Songhee Kang等人完成，論文於2026年5月7日提交至arXiv，編號為2608.13562，歸類於機器學習（cs.LG）與統計機器學習（stat.ML）。論文全文21頁，包含5幅圖，其中正文部分9頁，並附有arXiv DOI（https://doi.org/10.48550/arXiv.2608.13562）。這些結果對需要在高不確定性環境中進行事件預測與風險預警的系統具有參考價值，也為後續在更大規模點過程資料上擴充套件神經運算元方法提供了方向。雖然目前實驗仍以標準基準和有限領域為主，但L-FNO的設計思路有望推廣到金融極端事件、網路異常檢測、裝置壽命預測等更多自激事件密集出現的場景。