論文の概要: Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors

• arxiv url: http://arxiv.org/abs/2305.18803v2
• Date: Wed, 18 Oct 2023 14:33:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 20:22:52.817661
• Title: Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors
• Title（参考訳）: Koopa: Koopman Predictorsで非定常時系列ダイナミクスを学ぶ
• Authors: Yong Liu, Chenyu Li, Jianmin Wang, Mingsheng Long
• Abstract要約: 実世界の時系列は、深い予測モデルにとって大きな課題となる固有の非定常性によって特徴づけられる。 我々は、基礎となる時間変動力学を根本的に考慮する現代のクープマン理論を用いて、非定常時系列に取り組む。 階層的力学を学習する積み重ね可能なブロックからなる新しいクープマン予測器としてクーパを提案する。
• 参考スコア（独自算出の注目度）: 85.22004745984253
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-world time series are characterized by intrinsic non-stationarity that poses a principal challenge for deep forecasting models. While previous models suffer from complicated series variations induced by changing temporal distribution, we tackle non-stationary time series with modern Koopman theory that fundamentally considers the underlying time-variant dynamics. Inspired by Koopman theory of portraying complex dynamical systems, we disentangle time-variant and time-invariant components from intricate non-stationary series by Fourier Filter and design Koopman Predictor to advance respective dynamics forward. Technically, we propose Koopa as a novel Koopman forecaster composed of stackable blocks that learn hierarchical dynamics. Koopa seeks measurement functions for Koopman embedding and utilizes Koopman operators as linear portraits of implicit transition. To cope with time-variant dynamics that exhibits strong locality, Koopa calculates context-aware operators in the temporal neighborhood and is able to utilize incoming ground truth to scale up forecast horizon. Besides, by integrating Koopman Predictors into deep residual structure, we ravel out the binding reconstruction loss in previous Koopman forecasters and achieve end-to-end forecasting objective optimization. Compared with the state-of-the-art model, Koopa achieves competitive performance while saving 77.3% training time and 76.0% memory.
• Abstract（参考訳）: 実世界の時系列は、深い予測モデルの主要な課題となる本質的に非定常性によって特徴づけられる。 従来のモデルは時間分布の変化によって引き起こされる複雑な直列変動に苦しむが、根底にある時変ダイナミクスを根本的に考慮する現代のクープマン理論で非定常時系列に取り組む。 複雑な力学系を記述するクープマン理論に触発されて、フーリエフィルタにより複雑な非定常級数から時間不変成分と時間不変成分を解き、クープマン予測器を設計し、それぞれのダイナミクスを前進させた。 技術的には、階層的ダイナミクスを学習するスタック可能なブロックからなる新しいkoopman予測器としてkoopaを提案する。 クーパはクープマン埋め込みの測定関数を求め、クープマン作用素を暗黙的な遷移の線形ポートレートとして利用する。 強局所性を示す時間変化ダイナミクスに対処するため、koopaは、時間近傍の文脈認識演算子を計算し、入ってくる地上真理を利用して予測地平線をスケールできる。 さらに,クープマン予測器を深い残差構造に組み込むことで,従来のクープマン予測器の結合再構成損失を解消し,エンドツーエンドの予測目標最適化を実現する。 最先端のモデルと比較すると、Koopaは77.3%のトレーニング時間と76.0%のメモリを節約しながら、競争性能を達成した。

関連論文リスト

• Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 本モデルでは,事前分布を指定せずに事前学習を行い,複数の予測予測を生成できる。 TimeFlow Loss を通じてモード崩壊を緩和することにより、TimeBench 上で Sundial モデルのファミリーを事前訓練し、前例のないモデルキャパシティと一般化性能を示す。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Temporally-Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
  テンポラリ一貫性を有するクープマンオートエンコーダ(tcKAE)について紹介する。 tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。 我々は,最先端のKAEモデルよりもtcKAEの方が,様々なテストケースで優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-19T00:48:25Z)
• Koopman Learning with Episodic Memory [9.841748637412596]
  クープマン作用素理論は複雑な実世界の力学系のモデルを学ぶことに成功している。 我々はKoopman法にエピソード記憶機構を組み、類似のダイナミクスが以前に発生した時間帯のグローバルなリコール(あるいは注意)を可能にする。 エピソードメモリを用いたクープマン学習の基本的な実装により,合成および実世界のデータに対する予測が大幅に改善されることが判明した。
  論文  参考訳（メタデータ） (2023-11-21T13:59:00Z)
• Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics for Temporal Modeling [13.38194491846739]
  我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。 KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。 これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
  論文  参考訳（メタデータ） (2023-09-19T03:42:55Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Koopman Neural Forecaster for Time Series with Temporal Distribution Shifts [26.95428146824254]
  時系列予測のためのクープマン理論に基づく新しいディープシーケンスモデルを提案する。 クープマンニューラルフォアキャスター (KNF) は、線形クープマン空間と選択された測定関数の係数を学習する。 我々は、KNFが複数の時系列データセットにおいて、代替よりも優れた性能を達成できることを実証した。
  論文  参考訳（メタデータ） (2022-10-07T16:33:50Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。