FlowMixer：用于可解释时空预测的深度无关神经网络架构
机器学习
2026-05-19 v2
摘要
我们提出 FlowMixer，这是一个单层神经网络架构，利用受限矩阵运算来建模具有增强可解释性的结构时空模式。FlowMixer 在可逆映射框架中嵌入非负矩阵混合层——在混合前后分别应用变换及其逆变换。这种保持形状的设计 enables 采用 Kronecker-Koopman 本征模框架，将统计学习与动力系统理论建立联系，提供可解释的时空模式，并可在无需重新训练的情况下直接进行预测时域的代数操作。该架构的半群性质使其通过组合在数学上表示任意深度，完全消除了深度搜索。广泛的实验表明，FlowMixer 在多样化领域展现出持久预测能力，同时有效地建模了如混沌吸引子和湍流等物理现象。我们的结果在性能上匹配最先进的方法，同时通过可直接提取的本征模实现卓越的可解释性。这一工作表明，架构约束能够在保持竞争性能的同时，提升神经预测系统的数学可解释性。
关键词
引用
@article{arxiv.2505.16786,
title = {FlowMixer: A Depth-Agnostic Neural Architecture for Interpretable Spatiotemporal Forecasting},
author = {Fares B. Mehouachi and Saif Eddin Jabari},
journal= {arXiv preprint arXiv:2505.16786},
year = {2026}
}
备注
Accepted (main track) at NeurIPS 2025. 44 pages, 17 figures, 22 tables. Published in Advances in Neural Information Processing Systems, vol. 38