Koopman 可逆自编码器：利用前向与后向动态进行时序建模
机器学习
2023-09-20 v1 人工智能
信号处理
摘要
准确的长期预测是许多机器学习应用与决策过程的基础。然而，由于现有时序模型（如循环神经网络（RNNs））的局限性，构建准确的长期预测模型仍然具有挑战性，因为它们仅捕捉训练数据中的统计关联，可能未能学习目标系统的底层动态。为应对这一挑战，我们提出了一种基于 Koopman 算子理论的新型机器学习模型，称为 Koopman 可逆自编码器（KIA），该模型通过在无限维 Hilbert 空间中建模前向与后向动态来捕获系统的固有特征。这使我们能够高效学习低维表示，从而更准确地预测系统的长期行为。此外，我们方法的可逆设计保证了前向与逆向操作的可逆性与一致性。我们在摆与气候数据集上展示了 KIA 的效用，表明摆的长期预测能力提升了 300%，同时对噪声保持鲁棒性。另外，我们的方法在气候长期预测中表现优异，进一步验证了方法的有效性。
引用
@article{arxiv.2309.10291,
title = {Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics for Temporal Modeling},
author = {Kshitij Tayal and Arvind Renganathan and Rahul Ghosh and Xiaowei Jia and Vipin Kumar},
journal= {arXiv preprint arXiv:2309.10291},
year = {2023}
}
备注
Accepted at IEEE International Conference on Data Mining (ICDM) 2023