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。

该论文介绍了基于连续低秩适应（CoLoRA）的简化模型，通过预训练和连续调整权重来快速预测新物理参数和新初始条件下解场的演化。CoLoRA适用于数据稀缺的情况，预测速度快且准确性高。