インプリシットニューラル表現（INRs）は、多層パーセプトロン（MLP）を用いて連続信号をパラメータ化し、画像、音声、3D再構築などのタスクにおいてコンパクトかつ解像度に依存しないモデリングを可能にします。しかし、高解像度信号のフィッティングには、数百万の座標を最適化する必要があり、計算コストが非常に高くなります。これに対処するために、著者たちはNTKガイドのインプリシットニューラルティーチング（NINT）を提案し、グローバルな機能更新を最大化する座標を動的に選択することで、トレーニングの加速を図ります。NINTは、NTKの影響を受けた損失勾配のノルムを評価することで例をスコアリングし、フィッティング誤差や異質な影響を捉えます。この双方向の考慮により、既存の手法と比較して迅速な収束が可能になります。実験によって、NINTはトレーニング時間をほぼ半分に削減しつつ、表現品質を維持または改善することができることが示され、最近のサンプリングベースの戦略の中で最先端の加速を実現しています。