論文の概要: Koopman Operator Identification of Model Parameter Trajectories for Temporal Domain Generalization (KOMET)

• arxiv url: http://arxiv.org/abs/2603.26923v1
• Date: Fri, 27 Mar 2026 18:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.694398
• Title: Koopman Operator Identification of Model Parameter Trajectories for Temporal Domain Generalization (KOMET)
• Title（参考訳）: Koopman Operator Identification of Model Parameter Trajectories for Temporal Domain Generalization (KOMET)
• Authors: Randy C. Hoover, Jacob James, Paul May, Kyle Caudle,
• Abstract要約: 我々は,パラメータベクトルの列を非線形力学系の軌道として扱うモデルに依存しない,データ駆動型フレームワークKOMETを提案する。 ウォームスタートシーケンシャルトレーニングプロトコルはパラメータ-軌道の滑らかさを強制し、フーリエ拡張可観測辞書は、多くの実世界の分布ドリフトに固有の周期構造を利用する。 KoMET は平均的な自律走行精度を 0.981 から 1.000 の保留時間ステップで達成している。
• 参考スコア（独自算出の注目度）: 0.16311150636417257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parametric models deployed in non-stationary environments degrade as the underlying data distribution evolves over time (a phenomenon known as temporal domain drift). In the current work, we present KOMET (Koopman Operator identification of Model parameter Evolution under Temporal drift), a model-agnostic, data-driven framework that treats the sequence of trained parameter vectors as the trajectory of a nonlinear dynamical system and identifies its governing linear operator via Extended Dynamic Mode Decomposition (EDMD). A warm-start sequential training protocol enforces parameter-trajectory smoothness, and a Fourier-augmented observable dictionary exploits the periodic structure inherent in many real-world distribution drifts. Once identified, KOMET's Koopman operator predicts future parameter trajectories autonomously, without access to future labeled data, enabling zero-retraining adaptation at deployment. Evaluated on six datasets spanning rotating, oscillating, and expanding distribution geometries, KOMET achieves mean autonomous-rollout accuracies between 0.981 and 1.000 over 100 held-out time steps. Spectral and coupling analyses further reveal interpretable dynamical structure consistent with the geometry of the drifting decision boundary.
• Abstract（参考訳）: 非定常環境で展開されるパラメトリックモデルは、基礎となるデータ分布が時間とともに進化するにつれて劣化する(時間領域ドリフトと呼ばれる現象)。 本研究は,非線形力学系の軌道として訓練されたパラメータベクトルの列を扱い,拡張動的モード分解(EDMD)を介してその支配線形作用素を同定するモデルに依存しないデータ駆動型フレームワークであるKOMETについて述べる。 ウォームスタートシーケンシャルトレーニングプロトコルはパラメータ-軌道の滑らかさを強制し、フーリエ拡張可観測辞書は、多くの実世界の分布ドリフトに固有の周期構造を利用する。 特定されると、KOMETのKoopmanオペレータは、将来のラベル付きデータにアクセスすることなく、将来のパラメータトラジェクトリを自律的に予測し、デプロイ時のゼロリトラクション適応を可能にする。 KOMETは、回転、振動、分布のジオメトリにまたがる6つのデータセットに基づいて評価され、平均的な自律的なロールアウト精度を、100回のホールトアウトタイムステップで0.981から1.000の間で達成する。 スペクトルおよび結合解析により、ドリフト決定境界の幾何学と一致する解釈可能な動的構造が明らかにされる。

関連論文リスト

• Factorized Neural Implicit DMD for Parametric Dynamics [18.464219890452092]
  物理的システムの時間的進化をモデル化するための,データ駆動型モデルフリーアプローチを提案する。 従来の数値解法は計算コストが高く、リアルタイム解析や制御に不適である。 本研究では, 複雑な時間現象を正確に予測する能力を示すとともに, 様々な力学問題に対する本手法の有効性を示す。
  論文  参考訳（メタデータ） (2026-03-11T17:20:34Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks [3.924071936547547]
  ゲーテッドニューラルネットワーク(RNN)は、適応的な学習速度の振る舞いを暗黙的に誘発する。 効果は状態空間の時間スケールとパラメータ空間のダイナミクスの結合から生じる。 経験的シミュレーションはこれらの主張を裏付ける。
  論文  参考訳（メタデータ） (2025-08-16T18:19:34Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Learning Nonautonomous Systems via Dynamic Mode Decomposition [0.0]
  動的モード分解(DMD)に基づく時間依存入力を持つ未知の非線形力学系に対するデータ駆動学習手法を提案する。 時間依存クープマン演算子を非正則系に近似することの難しさを回避するため、修正されたシステムは元の非正則系の近似として用いられる。
  論文  参考訳（メタデータ） (2023-06-27T16:58:26Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)

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。