利用 Koopman 算子实现跨时间域的泛化
机器学习
2024-02-16 v2
摘要
在域泛化领域，构建一个在无法访问目标数据的情况下仍能泛化到目标域的预测模型仍然是一项挑战。当考虑域间动态演化时，这一问题变得更为复杂。尽管已提出多种方法来解决此问题，但仍缺乏对底层泛化理论的全面理解。在本研究中，我们提出了新的理论结果，表明对齐条件分布有助于降低泛化界。我们的分析为通过应用 Koopman 神经算子解决时间域泛化（TDG）问题提供了关键动机，从而产生了时间 Koopman 网络（TKNets）。通过运用 Koopman 算子，我们利用 Koopman 理论的原理有效解决了 TDG 中遇到的时间演化分布问题，其中寻求测量函数以在演化域之间建立线性转移关系。通过在合成数据集和真实世界数据集上的实证评估，我们验证了所提方法的有效性。
引用
@article{arxiv.2402.07834,
title = {Generalizing across Temporal Domains with Koopman Operators},
author = {Qiuhao Zeng and Wei Wang and Fan Zhou and Gezheng Xu and Ruizhi Pu and Changjian Shui and Christian Gagne and Shichun Yang and Boyu Wang and Charles X. Ling},
journal= {arXiv preprint arXiv:2402.07834},
year = {2024}
}
备注
15 pages, 7 figures, Accepted by AAAI 2024. arXiv admin note: text overlap with arXiv:2206.00047