論文の概要: MetaKoopman: Bayesian Meta-Learning of Koopman Operators for Modeling Structured Dynamics under Distribution Shifts

• arxiv url: http://arxiv.org/abs/2607.26345v1
• Date: Tue, 28 Jul 2026 23:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.497114
• Title: MetaKoopman: Bayesian Meta-Learning of Koopman Operators for Modeling Structured Dynamics under Distribution Shifts
• Title（参考訳）: MetaKoopman:分散シフト下における構造ダイナミクスモデリングのためのKoopman演算子のベイズメタラーニング
• Abstract要約: 非線形力学をモデリングするメタ学習フレームワークMetaKoopmanを提案する。 フルスケールの自律トラックおよびトレーラーシステム上でのMetaKoopmanの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling and forecasting nonlinear dynamics under distribution shifts is essential for robust decision-making in real-world systems. In this work, we propose MetaKoopman, a Bayesian meta-learning framework for modeling nonlinear dynamics through linear latent representations. MetaKoopman learns a Matrix Normal-Inverse Wishart (MNIW) prior over the Koopman operator, enabling closed-form Bayesian updates conditioned on recent trajectory segments. Moreover, it provides a closed-form posterior predictive distribution over future state trajectories, capturing both epistemic and aleatoric uncertainty in the learned dynamics. We evaluate MetaKoopman on a full-scale autonomous truck and trailer system across a wide range of adverse winter scenarios, including snow, ice, and mixed-friction conditions, as well as in simulated control tasks with diverse distribution shifts. MetaKoopman consistently outperforms prior approaches in multi-step prediction accuracy, uncertainty calibration, and robustness to distributional shifts. Field experiments further demonstrate its effectiveness in dynamically feasible motion planning, particularly during evasive maneuvers and operation at the limits of traction. Project website: https://mahmoud-selim.github.io/MetaKoopman/
• Abstract（参考訳）: 分散シフトの下での非線形力学のモデル化と予測は、実世界のシステムにおける堅牢な意思決定に不可欠である。 本稿では,線形潜在表現を用いた非線形力学モデリングのためのメタコオプマンを提案する。 MetaKoopmanはKoopman演算子よりも先にMatrix Normal-Inverse Wishart (MNIW) を学習し、最近の軌道セグメントで条件付けられた閉形式ベイズ更新を可能にする。 さらに、将来の状態軌跡に対する閉形式後部予測分布を提供し、学習力学におけるエピステミックとアレター的不確実性の両方をキャプチャする。 積雪,氷,混合フリクション条件など,幅広い冬のシナリオにまたがるフルスケールの自律トラックおよびトレーラーシステム上でのMetaKoopmanの評価を行った。 MetaKoopmanは、マルチステップ予測精度、不確実な校正、分散シフトに対するロバスト性において、従来のアプローチよりも一貫して優れている。 フィールド実験は、動的に実現可能な運動計画、特に回避操作やトラクションの限界での操作において、その効果をさらに示している。 プロジェクトウェブサイト: https://mahmoud-selim.github.io/MetaKoopman/

関連論文リスト

• DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving [67.83404465171257]
  DynFlowDriveは、異なる運転行動の下で世界状態の遷移をモデル化する潜在世界モデルである。 異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習する。 これに基づいて,安定性を考慮した多モード軌道選択戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-20T06:19:31Z)
• Koopman Autoencoders with Continuous-Time Latent Dynamics for Fluid Dynamics Forecasting [17.98687936773676]
  数値積分スキームによる潜伏進化をモデル化する連続時間クープマンフレームワークを導入する。 推論における可変時間ステップを許容することにより、時間分解能に対する堅牢性を示し、訓練体制を超えて一般化する。 従来のCFDベンチマークのアプローチを評価し,精度,安定性,外挿特性について報告する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:07Z)
• Learnable Koopman-Enhanced Transformer-Based Time Series Forecasting with Spectral Control [1.2604738912025477]
  学習可能な4つのクープマン変種(スカラーゲート、モードごと、ゲート、線形形状スペクトル写像、低ランククープマン作用素)を紹介する。 我々の定式化は線形遷移作用素のスペクトル、安定性、ランクを明確に制御できる。 この結果は、学習可能なクープマン作用素が、深い予測のための有効で安定で理論的に原理化された成分であることを証明している。
  論文  参考訳（メタデータ） (2026-02-01T09:13:49Z)
• Conformal Online Learning of Deep Koopman Linear Embeddings [1.8577594866206437]
  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。
  論文  参考訳（メタデータ） (2025-11-16T20:08:48Z)
• KoopCast: Trajectory Forecasting via Koopman Operators [12.103961182264037]
  一般的な動的環境における軌跡予測のための軽量モデルKoopCastを提案する。 我々は、高次元空間に軌道を持ち上げることによって非線形力学の線型表現を可能にするクープマン作用素理論を用いる。 我々のモデルは,競争精度,(ii)クープマン理論に基づく解釈可能性,(iii)低遅延展開の3つの主要な利点を提供する。
  論文  参考訳（メタデータ） (2025-09-19T01:27:53Z)
• 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)
• Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors [85.22004745984253]
  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。
  論文  参考訳（メタデータ） (2023-05-30T07:40:27Z)
• 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)
• Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
  シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。 本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。 より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
  論文  参考訳（メタデータ） (2021-05-25T19:48:35Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• 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。