想用几个旋钮概括一整张复杂的物理场，关键不只是“压得够不够小”，还要看保留下来的方向是否真正影响结果。这篇 JMLR 论文研究 reduced basis neural operator：先把近乎无限维的输入和输出投影到较小的基底空间，再让神经网络学习其中的映射，从而为昂贵的偏微分方程（PDE）模拟制作快速替身。
作者重点比较两种选方向的方法。PCA（主成分分析）保留数据变化最大的方向；DIS（derivative-informed subspaces，导数感知子空间）则利用导数信息，也就是输入稍微改变时，输出会怎样变化，寻找对结果更关键的方向。论文把总误差拆成降维、低维网络逼近和有限样本估计三部分。椭圆型 PDE 实验显示，DIS 或输出端 PCA 在同时衡量函数及其导数的 Sobolev 范数下误差更小；输入端 PCA 在维数或训练样本不足时可能表现较差。换句话说，数据里“变化最大”的方向，未必就是物理映射最敏感的方向。具体优势幅度，摘要未披露。