深度 Koopman 线性嵌入的 conformal 在线学习
机器学习
2026-01-28 v2 机器学习
摘要
我们提出COLoKe（Conformal Online Learning of Koopman embeddings），一种新框架，用于从流式数据中自适应更新非线性动力学系统的 Koopman 不变表示。我们的建模方法将深度特征学习与在提升空间中进行多步预测一致性相结合，此空间中的动力学是线性演化的。为防止过拟合，COLoKe 采用一种类似 conformal 的机制，将注意力从评估新状态的 conformity 转向评估当前 Koopman 模型的一致性。只有当当前模型的预测误差超过动态校准的阈值时，才会触发更新，从而允许对 Koopman 算子和嵌入进行选择性精炼。在基准动力学系统上的实验结果表明，COLoKe 在保持长期预测准确性方面有效，同时显著减少不必要的更新，避免了过拟合。
引用
@article{arxiv.2511.12760,
title = {Conformal Online Learning of Deep Koopman Linear Embeddings},
author = {Ben Gao and Jordan Patracone and Stéphane Chrétien and Olivier Alata},
journal= {arXiv preprint arXiv:2511.12760},
year = {2026}
}
备注
NeurIPS 2025