本研究提出SimNPO框架，通过不重新训练模型去除不必要数据影响，提高去学习效果。实验表明SimNPO在多个测试中表现优越。

本文探讨了利用数据驱动的方法构建分布式动力系统的简化模型（ROMs），结合近似惯性流形理论和机器学习工具，避免复杂的数学推导。研究了流形学习技术在潜在变量集发现中的应用，并通过实例验证了该框架的有效性，展示了其在数据分析和动态系统建模中的优势。