面向具有时间分布偏移时间序列的Koopman神经预测器
机器学习
2023-03-01 v3 机器学习
摘要
时间分布偏移,即底层动力学随时间变化,在真实世界时间序列中频繁发生,并对深度神经网络(DNNs)构成根本挑战。在本文中,我们提出一种基于Koopman理论的新颖深度序列模型用于时间序列预测:Koopman神经预测器(KNF),其利用DNNs学习线性Koopman空间及所选测量函数的系数。KNF施加适当的归纳偏置以提高对分布偏移的鲁棒性,采用全局算子学习共享特征,局部算子捕获变化动力学,以及专门设计的反馈回路随时间持续更新所学算子以应对快速变化行为。我们证明KNF在多个显示遭受分布偏移的时间序列数据集上相比替代方法取得了优越性能。
引用
@article{arxiv.2210.03675,
title = {Koopman Neural Forecaster for Time Series with Temporal Distribution Shifts},
author = {Rui Wang and Yihe Dong and Sercan Ö. Arik and Rose Yu},
journal= {arXiv preprint arXiv:2210.03675},
year = {2023}
}