論文の概要: Conformal Online Learning of Deep Koopman Linear Embeddings

• arxiv url: http://arxiv.org/abs/2511.12760v1
• Date: Sun, 16 Nov 2025 20:08:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.525446
• Title: Conformal Online Learning of Deep Koopman Linear Embeddings
• Title（参考訳）: ディープクープマン線形埋め込みのコンフォーマルオンライン学習
• Authors: Ben Gao, Jordan Patracone, Stéphane Chrétien, Olivier Alata,
• Abstract要約: COLoKeは、ストリーミングデータからKoopman不変表現を適応的に更新するフレームワークである。 COLoKeは、新しい状態の整合性の評価から現在のクープマンモデルの整合性評価に焦点を移すコンフォメーションスタイルのメカニズムを採用している。
• 参考スコア（独自算出の注目度）: 1.8577594866206437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Conformal Online Learning of Koopman embeddings (COLoKe), a novel framework for adaptively updating Koopman-invariant representations of nonlinear dynamical systems from streaming data. Our modeling approach combines deep feature learning with multistep prediction consistency in the lifted space, where the dynamics evolve linearly. To prevent overfitting, COLoKe employs a conformal-style mechanism that shifts the focus from evaluating the conformity of new states to assessing the consistency of the current Koopman model. Updates are triggered only when the current model's prediction error exceeds a dynamically calibrated threshold, allowing selective refinement of the Koopman operator and embedding. Empirical results on benchmark dynamical systems demonstrate the effectiveness of COLoKe in maintaining long-term predictive accuracy while significantly reducing unnecessary updates and avoiding overfitting.
• Abstract（参考訳）: ストリーミングデータから非線形力学系のクープマン不変表現を適応的に更新する新しいフレームワークであるクープマン埋め込みのコンフォーマルオンライン学習(COLoKe)を紹介する。 我々のモデリング手法は、深い特徴学習と昇降空間における多段階予測整合性を組み合わせており、そこでは力学が線形に進化する。 過度な適合を避けるため、COLoKeでは、新しい状態の整合性の評価から現在のクープマンモデルの整合性評価に焦点を移すコンフォメーションスタイルのメカニズムを採用している。 更新は、現在のモデルの予測エラーが動的にキャリブレーションされた閾値を超えた場合にのみトリガーされ、クープマン演算子の選択的洗練と埋め込みを可能にする。 ベンチマーク力学系における実証的な結果は、COLoKeが長期予測精度を維持する上で有効であることを示し、不必要な更新を著しく削減し、過度な適合を避ける。

関連論文リスト

• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Learning Noise-Robust Stable Koopman Operator for Control with Hankel DMD [0.8021197489470758]
  非線形力学系のクープマン演算子に対するノイズロスト学習フレームワークを提案する。 システム力学が既知のとき, システム力学によって生成される可観測性は, ハンケル行列を通して利用することができる。 離散的なPolyflowと構造的類似性を保ちながら、ニューラルネットワークで近似する。
  論文  参考訳（メタデータ） (2024-08-13T03:39:34Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• 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。