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
- Koopman Learning with Episodic Memory [11.570694140513677]
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は,合成および実世界のデータの予測において,大幅な改善をもたらすことが判明した。
論文 参考訳(メタデータ) (2023-11-21T13:59:00Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳(メタデータ) (2023-11-02T16:45:25Z) - 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 Kernel Regression [6.116741319526748]
クープマン作用素理論は線形時間不変(LTI)ODEによる予測のキャラクタリゼーションに有効なパラダイムであることを示す。
我々は、LTI力学系への変換のみにまたがる、普遍的なクープマン不変核再生ヒルベルト空間(RKHS)を導出する。
実験では、Koopman演算子やシーケンシャルデータ予測器と比較して予測性能が優れていることを示した。
論文 参考訳(メタデータ) (2023-05-25T16:22:22Z) - 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) - Synergetic Learning of Heterogeneous Temporal Sequences for
Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。
不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。
我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文 参考訳(メタデータ) (2021-01-31T11:00:55Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - 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。