连续时间域泛化
机器学习
2024-10-30 v2 人工智能
摘要
时间域泛化（Temporal Domain Generalization, TDG）解决了在时间分布变化的预测模型训练问题。传统的TDG方法通常 focus on 在固定、离散时间间隔收集的域数据，这限制了其捕捉连续演化和不规则观察的时间域中内在动态的能力。为克服这一限制，本工作形式化了连续时间域泛化（Continuous Temporal Domain Generalization, CTDG）概念，其中域数据来源于连续时间并在任意时间收集。CTDG 处理了三个关键挑战：1）表征数据和模型的连续动态，2）学习复杂的高维非线性动态，3）在连续时间域上优化和控制泛化。为此，我们提出了基于 Koopman 算子驱动的连续时间域泛化（Koodos）框架。我们将问题形式化为连续动态系统，并利用 Koopman 理论来学习底层动态；该框架进一步通过包含动力学模式先验知识的分析和控制驱动的全面优化策略得到增强。广泛的实验表明，我们的方法在有效性和效率方面都表现出色。代码可在 https://github.com/Zekun-Cai/Koodos 查找。
引用
@article{arxiv.2405.16075,
title = {Continuous Temporal Domain Generalization},
author = {Zekun Cai and Guangji Bai and Renhe Jiang and Xuan Song and Liang Zhao},
journal= {arXiv preprint arXiv:2405.16075},
year = {2024}
}
备注
Accepted by NeurIPS 2024