使用一致性 Koopman 自编码器预测序列数据
计算物理
2020-07-01 v2 机器学习
动力系统
摘要
循环神经网络广泛用于时间序列数据，但此类模型常忽略这些序列中潜在的物理结构。一类与 Koopman 理论相关的新兴基于物理的方法已被提出，为处理非线性动力系统提供了替代方案。本工作中，我们提出一种新颖的一致性 Koopman 自编码器模型，与多数现有工作不同，它利用了前向与后向动力学。我们方法的关键在于一项新分析，探讨了一致性动力学与其关联 Koopman 算子之间的相互作用。我们的网络与所推导的分析直接相关，且计算需求与其他基线相当。我们在广泛的高维与短期依赖问题上评估了该方法，其在显著的预测时域内实现了准确估计，同时对噪声具有鲁棒性。
引用
@article{arxiv.2003.02236,
title = {Forecasting Sequential Data using Consistent Koopman Autoencoders},
author = {Omri Azencot and N. Benjamin Erichson and Vanessa Lin and Michael W. Mahoney},
journal= {arXiv preprint arXiv:2003.02236},
year = {2020}
}