論文の概要: Residual-Guided Dictionary Learning for Spectrally Accurate Koopman Approximation

• arxiv url: http://arxiv.org/abs/2606.29083v1
• Date: Sat, 27 Jun 2026 20:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.78121
• Title: Residual-Guided Dictionary Learning for Spectrally Accurate Koopman Approximation
• Title（参考訳）: スペクトル精度の高いクープマン近似のための残留ガイド付き辞書学習
• Abstract要約: スペクトル信頼性を辞書学習の目的とする。 我々は、次のスナップショットを予測するだけでなく、残余の動的モード分解残量を最小限に抑えるためにニューラルネットワーク辞書を訓練する。 保守的で散逸的なベンチマークシステム全体にわたって、この方法はスペクトル汚染を激減させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Koopman theory promises linear structure in nonlinear dynamics, but numerical Koopman spectra are easy to compute and hard to trust. A finite EDMD matrix always has eigenvalues; the problem is that many of them may have nothing to do with the infinite-dimensional operator. In this paper we make spectral reliability the objective of dictionary learning. We train neural-network dictionaries not merely to predict the next snapshot, but to minimize Residual Dynamic Mode Decomposition residuals: operator-level a posteriori errors that test whether computed eigenvalues and modes are genuine Koopman spectral objects. To keep the learned observables from collapsing into an unstable coordinate system, the loss also penalizes the condition number of the lifted data matrix. Thus the method couples two requirements that should not be separated: small Koopman residuals and a well-conditioned representation. The result is a learned dictionary that is expressive, numerically stable, and spectrally disciplined. Across conservative and dissipative benchmark systems, the method sharply reduces spectral pollution, improves residual pseudospectral inclusion, and lowers forecast error relative to standard fixed dictionaries. On sea-surface temperature data, it gives cleaner Koopman diagnostics and substantially better one-step forecasts from noisy observations with no governing equations. The message is simple: neural Koopman learning should be judged not by prediction alone, but by whether its spectral claims can be certified. Residuals provide the certificate; conditioning makes it computable.
• Abstract（参考訳）: クープマン理論は非線形力学における線形構造を約束するが、数値クープマンスペクトルは計算が容易で信頼できない。 有限EDMD行列は常に固有値を持ち、その問題の多くは無限次元作用素とは無関係である。 本稿では,スペクトル信頼性を辞書学習の目的とする。 我々は、次のスナップショットを予測するだけでなく、Residual Dynamic Mode Decompositionの残量を最小化するために、ニューラルネットワーク辞書をトレーニングする。 学習したオブザーバブルが不安定な座標系に崩壊しないようにするために、この損失はまた、持ち上げられたデータ行列の条件番号をペナライズする。 したがって、この方法は分離すべきでない2つの要件、小さなクープマン残差と十分に条件付けられた表現を結合する。 結果は、表現力があり、数値的に安定し、スペクトル的に規律づけられた学習辞書である。 保守的で散逸的なベンチマークシステム全体で、この方法はスペクトル汚染を著しく低減し、残留した疑似スペクトル包摂を改善し、標準の固定辞書と比較して予測誤差を下げる。 海面温度データでは、よりクリーンなクープマンの診断と、支配方程式のないノイズのある観測からかなり良い1段階の予測を与える。 ニューラルクープマン学習は、予測だけでなく、そのスペクトルクレームが認証可能かどうかによって判断されるべきである。 残余は証明書を提供し、条件付けにより計算可能となる。

関連論文リスト

• Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
  機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。 スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
  論文  参考訳（メタデータ） (2026-08-10T19:42:01Z)
• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• Deep Embedded Multiplicative DMD for Algebra-Preserving Koopman Learning [3.7281952714917104]
  DeepMDMDは遅延空間と分割を学習する手法である。 スペクトル汚染を低減し、よりリッチな連続スペクトル構造を明らかにし、厳しい騒音下で安定した予測を与える。 これらの結果はクープマン学習の実践的なルールを示唆している:座標を学習し、代数を制約する。
  論文  参考訳（メタデータ） (2026-06-03T17:37:06Z)
• Interpretability Without Tradeoffs: Disentangling Polysemanticity At Equal Predictive Performance [58.49623467782041]
  ELUDeはディープニューラルネットワークの解釈可能性を改善する方法である。 潜在表現を、解釈可能な機能のように振る舞う透明で検査可能なサブユニットに分解する。 明示的なトレーニングもラベルも必要とせず、事前訓練されたモデルにも適用できる。
  論文  参考訳（メタデータ） (2026-05-29T13:39:09Z)
• Anchoring the Eigengap: Cross-Modal Spectral Stabilization for Sample-Efficient Representation Learning [0.8326214193432122]
  視力モデルが低データ状態,特にラベル付きサンプルが不足している医療画像において,急速に低下していることが示される。 我々は、回復可能な次元K(N)を定量化する有限サンプル表現学習の理論を開発する。 マルチモーダルトレーニングは,非モーダルモデルでも,より安定なモードを維持し,クラス分離を改善する。
  論文  参考訳（メタデータ） (2026-05-09T07:49:43Z)
• Koopman Identification of Nonlinear Systems via Reservoir Liftings [3.5606441122770818]
  本稿では,Reservoir Computing(RC)パラダイムに触発されたRC-Koopmanフレームワークを紹介する。 本研究では,Echo State Property (ESP) により,昇降したクープマン近似の良好な値と良好な数値条件が保証されることを示す。 合成ベンチマーク評価の結果,RC-Koopman は基礎となる非線形力学の復元精度と動的安定性のバランスが良好であることが確認された。
  論文  参考訳（メタデータ） (2026-05-06T13:46:17Z)
• Stop Probing, Start Coding: Why Linear Probes and Sparse Autoencoders Fail at Compositional Generalisation [11.572612978535739]
  重ね合わせの下で、ニューラルネットワークの活性化は、概念を線形混合としてエンコードする。 この設定では、サンプルごとの反復推論を持つ古典的なスパース符号化法は圧縮された検知保証を利用する。 トレーニングセットのサイズ,潜伏次元,空間レベルの差が持続し,SAEが構成シフトで失敗することを示す。 以上の結果から,SAEの失敗は暗黙化の問題ではなく辞書学習の問題であり,拡張性のある辞書学習が重畳下でのスパース推論の鍵となる問題であることを示す。
  論文  参考訳（メタデータ） (2026-03-30T17:52:16Z)
• Trustworthy Koopman Operator Learning: Invariance Diagnostics and Error Bounds [5.209172085665478]
  本稿では,データ駆動型クープマン法における中心的検証問題に対処する。 クープマン近似が信頼できるときに証明するために、統一された後続法が開発される。 得られたツールボックスは、検証されたスペクトル分析、認定された予測、および原則付き辞書およびカーネル学習を可能にする。
  論文  参考訳（メタデータ） (2026-03-16T10:44:31Z)
• Improving Semantic Uncertainty Quantification in LVLMs with Semantic Gaussian Processes [60.75226150503949]
  本稿では,解答埋め込みの幾何学的構造を解析し,意味的不確実性を定量化するベイズ的枠組みを提案する。 S GPUは、生成した回答を密接なセマンティック空間にマッピングし、セマンティック埋め込みのグラム行列を計算し、セマンティック構成を要約する。 我々は,SGPUがモデルとモダリティをまたいで転送されることを示し,そのスペクトル表現が意味的不確実性の一般的なパターンを捉えていることを示す。
  論文  参考訳（メタデータ） (2025-12-16T08:15:24Z)
• The Hidden Cost of Approximation in Online Mirror Descent [56.99972253009168]
  オンラインミラー降下(OMD)は、最適化、機械学習、シーケンシャルな意思決定において多くのアルゴリズムの基盤となる基本的なアルゴリズムパラダイムである。 本研究では,不正確なOMDに関する系統的研究を開始し,正規化器の滑らかさと近似誤差に対する頑健さとの複雑な関係を明らかにする。
  論文  参考訳（メタデータ） (2025-11-27T10:09:07Z)
• Heterogeneous mixtures of dictionary functions to approximate subspace invariance in Koopman operators [0.0]
  深層動的モード分解(deepDMD)と呼ばれるアルゴリズムにおいて、深層学習とEDMDを組み合わせた新しい辞書関数の学習に使われている。 クープマン可観測関数を近似する新しい辞書関数のクラスを発見する。 この結果は,クープマン演算子に対する数値近似学習におけるディープニューラルネットワークの成功を説明する仮説を提供する。
  論文  参考訳（メタデータ） (2022-06-27T19:04:03Z)
• A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix Completion [60.52730146391456]
  そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。 特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。 既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
  論文  参考訳（メタデータ） (2020-08-14T18:47:58Z)
• Preventing Posterior Collapse with Levenshtein Variational Autoencoder [61.30283661804425]
  我々は,エビデンス・ロー・バウンド(ELBO)を最適化し,後部崩壊を防止できる新しい目的に置き換えることを提案する。 本稿では,Levenstein VAEが後方崩壊防止のための代替手法よりも,より情報的な潜伏表現を生成することを示す。
  論文  参考訳（メタデータ） (2020-04-30T13:27:26Z)
• Spectral Learning on Matrices and Tensors [74.88243719463053]
  テンソル分解は行列法で欠落する潜伏効果を拾うことができることを示す。 また,効率的なテンソル分解法を設計するための計算手法についても概説する。
  論文  参考訳（メタデータ） (2020-04-16T22:53:00Z)

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。