في العقد الأخير، أصبحت تمثيلات الشبكات العصبية غير الصريحة (INRs) تُستخدم بشكل متزايد لتحديد البيانات المتغيرة بمرور الزمن، ولكنها غالبًا ما كانت تعتمد على أخذ عينات كثيفة من الإحداثيات الفضائية الزمنية. هذا النوع من التمثيل يتطلب عملية حسابية مكثفة ويؤدي إلى استخدام غير فعال للهيكل الزمني. في هذا العمل الجديد، تساهم مجموعة من الباحثين في إعادة النظر في هذه الاختيار التصميمي، حيث أظهروا أن الاستخدام الكثيف للإحداثيات الزمكانية ليس ضروريًا لتعلم المجالات المتغيرة بمرور الزمن.

بدلاً من ذلك، يقترح الباحثون تمثيل البيانات كمجموعة من السلاسل الزمنية المفهرسة مكانيًا، حيث يتم تدريب تمثيلات الشبكات العصبية غير الصريحة باستخدام إشراف على مستوى التسلسل لكل موقع مكاني، بدلاً من أخذ عينات سكانية نقطية. هذه إعادة الصياغة تلغي الحاجة إلى أخذ عينات كثيفة من الزمن والمكان، وتعلم كل موقع مكاني من تطوره الزمني الكامل بطريقة منظمة.

أظهرت النتائج أن هذا التمثيل متوافق مع مجموعة من معماريات INRs الحالية ويعمل على تحسين جودة إعادة البناء بشكل ملحوظ، مع تقليل التكاليف التدريبية بشكل كبير. علاوة على ذلك، تم إثبات أن هذا الطراز يمكن دمجه مع معماريات خلايا الخبراء المختلطة (Mixture-of-Experts)، وأن تطبيق الباحثين لهذا النمط المحسن يعزز جودة إعادة البناء مقارنة بكل من الإعادة الأساس والمعايير المستندة إلى خلايا الخبراء الموجودة، مما يوفر تخصيصًا أقوى للقدرات تحت ديناميات زمنية متغايرة.