物理情報ニューラルネットワーク（PINNs）におけるスペクトルバイアス、すなわちニューラルネットワークが低頻度の特徴を最初に学習してしまう傾向は、多くのトレーニングアルゴリズムにおいて知られた問題です。この問題を克服するために、著者たちはIFeF-PINNというアルゴリズムを提案しています。この手法は、ランダムフーリエ特徴を通じて高頻度成分を用いて潜在空間を豊かにし、二段階のトレーニング問題を形成します。具体的には、特徴空間内の基底を推定し、その後、強化された基底関数の係数を回帰によって決定します。線形モデルに基づく場合、後者の問題が凸であることが示され、反復トレーニングスキームの収束も証明されています。また、ランダムフーリエ特徴がネットワークの表現能力を向上させ、高頻度の偏微分方程式を正確に近似する能力を持つことが実証されています。従来のベンチマーク問題における数値評価を通じて、提案手法が最先端のアルゴリズムよりも優れた性能を示し、周波数領域での近似精度の改善が明らかになりました。