给一篮子股票的期权定价，像在多维地图上找一个精确坐标：每多一只资产，计算网格都会急剧膨胀。网格画得粗，算得快但误差大；画得细，结果更准却更耗算力。这篇论文尝试让神经网络只看当前位置附近的一小块粗、细网格结果，再把价格修正到接近高精度参考解。
这套方法叫 NNLCI（Neural Networks with Local Converging Inputs，局部收敛输入神经网络）。它最特别的一点是输入很克制：不直接告诉网络时间、资产价格坐标、波动率等参数，也不给初始和边界条件，而是让这些信息隐含在局部数值解里。训练时，网络学习粗网格、加密网格与最高分辨率网格之间的局部差值；实际使用时，则不必再计算昂贵的最高分辨率结果。
作者在一至三维的 cash-or-nothing 期权——到期满足条件就支付固定现金，否则不支付——以及 Heston 模型下的单资产障碍期权上测试。按论文自述，NNLCI 将加密网格解的均方根误差（衡量预测偏差大小的指标）缩小约 4 至 12 倍，而且只用少量参数组合训练。不过，论文也明确承认，局部输入未必能唯一对应全局解；这条路线能否在更复杂定价任务中同时节省计算并守住精度，仍需继续验证。