Fugu-MT 論文翻訳(概要): FlightKooba: A Fast Interpretable FTP Model

論文の概要: FlightKooba: A Fast Interpretable FTP Model

arxiv url: http://arxiv.org/abs/2506.19885v1
Date: Tue, 24 Jun 2025 04:53:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-26 21:00:42.472739
Title: FlightKooba: A Fast Interpretable FTP Model
Title（参考訳）: FlightKooba: 高速解釈可能なFTPモデル
Authors: Jing Lu, Xuan Wu, Yizhun Tian, Songhan Fan, Yali Fang,
Abstract要約: 本稿では,HIPPO法,クープマン理論,サイバネティックスによる状態空間方程式に基づく新しいモデリングと制御フレームワークであるFlight Koobaを提案する。構造状態空間方程式のアイデアにインスパイアされたFlightKoobaは、データからクープマン作用素を直接構成する。
参考スコア（独自算出の注目度）: 11.21666232769504
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Koopman theory is a powerful and effective modeling tool for converting nonlinear systems into linear representations, and flight trajectory prediction (FTP) is a complex nonlinear system. However, current models applying the Koopman theory to FTP tasks are not very effective, model interpretability is indeed an issue, and the Koopman operators are computationally intensive, resulting in long training times. To address this issue, this paper proposes a new modeling and control framework based on the HIPPO method, the Koopman theory, and state space equations from cybernetics: FlightKooba. Inspired by the idea of structural state space equations, FlightKooba directly constructs the Koopman operators from data. This makes the framework highly interpretable and significantly reduces the number of trainable parameters in the module, thereby greatly reducing training time. Experiments have demonstrated the superiority of the FlightKooba modeling method in terms of time and memory consumption (training time comparable to the Mamba module without using CUDA-level acceleration; memory reduced by more than 50% on most datasets, with a tenfold reduction in the number of parameters), essentially completing the FTP task. It provides a new method for the fast computation of the Koopman operators, opening up new possibilities for the combination of time series forecasting and control.
Abstract（参考訳）: クープマン理論は非線形システムを線形表現に変換するための強力で効果的なモデリングツールであり、フライト軌道予測(FTP)は複雑な非線形システムである。しかし、現在のKoopman理論をFTPタスクに適用するモデルはそれほど効果的ではなく、モデル解釈性は確かに問題であり、Koopman演算子は計算集約的であり、長い訓練時間をもたらす。本稿では,HIPPO法,クープマン理論,およびサイバネティックスによる状態空間方程式に基づく新しいモデリング・制御フレームワークであるFlight Koobaを提案する。構造状態空間方程式のアイデアにインスパイアされたFlightKoobaは、データからクープマン作用素を直接構成する。これにより、フレームワークが高度に解釈可能になり、モジュール内のトレーニング可能なパラメータの数が大幅に削減され、トレーニング時間が大幅に短縮される。実験では、FlightKoobaモデリング手法の時間とメモリ消費(CUDAレベルのアクセラレーションを使わずにMambaモジュールに匹敵するトレーニング時間、ほとんどのデータセットでメモリが50%以上減少し、パラメータ数が10倍減少する)の優位性を実証している。これはクープマン作用素の高速計算のための新しい方法を提供し、時系列予測と制御の組み合わせの新たな可能性を開く。

関連論文リスト

MesaNet: Sequence Modeling by Locally Optimal Test-Time Training [67.45211108321203]
我々は,最近提案されたMesa層の数値的に安定かつチャンクワイズ可能な並列化版を導入する。テストタイムの最適トレーニングにより、従来のRNNよりも言語モデリングの難易度が低く、ダウンストリームベンチマークのパフォーマンスが向上することを示す。
論文参考訳（メタデータ） (2025-06-05T16:50:23Z)
DeMo: Decoupled Momentum Optimization [6.169574689318864]
大規模ニューラルネットワークのトレーニングは通常、特別な高速相互接続を通じてアクセラレータ間の共有を必要とする。本稿では,bfDecoupled textbfMomentum (DeMo)を提案する。実験の結果,DeMoでトレーニングしたモデルとAdamWでトレーニングした同等のモデルのパフォーマンスが一致したか,あるいは上回った。
論文参考訳（メタデータ） (2024-11-29T17:31:47Z)
KODA: A Data-Driven Recursive Model for Time Series Forecasting and Data Assimilation using Koopman Operators [14.429071321401953]
非線形力学系における予測とデータ同化を統合したクープマン演算子に基づく手法を提案する。特に、Fourierドメインフィルタを使用してデータを物理的コンポーネントに切り離し、そのダイナミクスはクープマン演算子によって正確に表現できる。複数の時系列ベンチマークにおいて,KODAが既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-09-29T02:25:48Z)
DocMamba: Efficient Document Pre-training with State Space Model [56.84200017560988]
本稿では,状態空間モデルに基づく新しいフレームワークDocMambaを紹介する。グローバルなモデリング能力を保ちながら、計算複雑性を線形に減らすように設計されている。 HRDocの実験では、DocMambaの長さ外挿の可能性が確認された。
論文参考訳（メタデータ） (2024-09-18T11:34:28Z)
OmniBal: Towards Fast Instruction-Tuning for Vision-Language Models via Omniverse Computation Balance [65.48009829137824]
視覚言語命令チューニングモデルにおける大規模3D並列トレーニングは、異なるデバイス間で不均衡な計算負荷をもたらす。我々は、データ、モデル、メモリの観点から計算負荷を再均衡させ、デバイス間でよりバランスのとれた計算を実現する。提案手法の有効性と一般化性は,様々なモデルやデータセットにまたがってさらに検証される。
論文参考訳（メタデータ） (2024-07-30T12:02:58Z)
Building on Efficient Foundations: Effectively Training LLMs with Structured Feedforward Layers [16.253898272659242]
大規模言語モデル(LLM)における最先端の結果は、しばしばスケールに依存し、計算コストがかかる。本研究は,計算集約型フィードフォワードネットワーク(FFN)を対象とするトランスフォーマーベースLLMに着目した。広範かつ構造化されたネットワークは、最適なトレードオフにおいて、パラメータが少なく、高密度モデルよりも損失が少ないFLOPをより効率的に活用できることを示す。
論文参考訳（メタデータ） (2024-06-24T08:43:21Z)
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)
Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文参考訳（メタデータ） (2023-10-04T07:14:43Z)
Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文参考訳（メタデータ） (2021-01-28T15:10:22Z)
Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。