論文の概要: DisKO: Deep Koopman Learning in Distribution Space from Unpaired Snapshots

• arxiv url: http://arxiv.org/abs/2609.34629v1
• Date: Mon, 28 Sep 2026 08:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:48:09.424738
• Title: DisKO: Deep Koopman Learning in Distribution Space from Unpaired Snapshots
• Title（参考訳）: DisKO:未完成のスナップショットから分散空間で学ぶディープクープマン
• Abstract要約: DisKO は深いクープマン学習を拡張して、予測的分布観測可能性、有限次元クープマン表現、および全分布への生成写像を共同で学習することで、分布力学に寄与する。 DisKOは、長時間の予測タスクにおいて、エラーの蓄積が著しく遅く、性能が向上する。
• 参考スコア（独自算出の注目度）: 12.867003203514066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many complex systems are observed only through temporally unpaired distribution snapshots, making trajectory-based dynamical learning difficult without additional assumptions. We therefore formulate the problem directly in distribution space, treating the distribution itself as the dynamical state. The challenge is that distribution space is infinite-dimensional, making compact and approximately closed representations difficult to learn from finite snapshots. We introduce DisKO, which extends deep Koopman learning to distribution dynamics by jointly learning predictive distributional observables, a finite-dimensional Koopman representation, and a generative map back to the full distribution. Across seven diverse benchmarks, DisKO achieves state-of-the-art extrapolation performance, with substantially slower error accumulation on long-horizon prediction tasks. DisKO further recovers leading Koopman eigenvalues and eigenfunctions on systems with analytic spectra, revealing meaningful dynamical structure in the learned representation.
• Abstract（参考訳）: 多くの複雑なシステムは、時間的障害のない分布スナップショットを通してのみ観察され、追加の仮定なしで軌道に基づく動的学習が困難になる。 したがって、分布空間で問題を直接定式化し、分布自体を動的状態として扱う。 問題となるのは、分布空間は無限次元であり、コンパクトで概閉表現を有限スナップショットから学ぶのが難しいことである。 予測分布オブザーバ、有限次元クープマン表現、および全分布への生成写像を共同学習することにより、深いクープマン学習を分散力学に拡張するDisKOを導入する。 異なる7つのベンチマークで、DisKOは最先端の補間性能を達成し、長い水平予測タスクにおいてエラーの蓄積が大幅に遅い。 DisKOはさらに、分析スペクトルを持つ系のクープマン固有値と固有関数を復元し、学習された表現において意味のある動的構造を明らかにする。

関連論文リスト

• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• 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)
• SPIKE: Sparse Koopman Regularization for Physics-Informed Neural Networks [0.0]
  SPIKEは、PINNを連続時間クープマン演算子で正規化し、パシモニアスな動的表現を学習するフレームワークである。 流体力学を含む放物型、双曲型、分散型、硬質PDEに対する実験は、時間的一般化、空間外挿、長期予測の精度が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-01-15T10:59:48Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Information Shapes Koopman Representation [41.27407463371503]
  我々は、潜在変数が表現力と単純さのバランスをとるのに失敗する、最適下表現学習の難しさを論じる。 このレンズを通してクープマンの学習を再考し、潜伏した相互情報によって単純さが促進されるが、単純さに対する過度な強調は潜伏空間を崩壊させる可能性があることを示した。 本稿では, 単純さと表現性を両立させ, 安定かつ解釈可能なクープマン表現をもたらすラグランジアン定式化に基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-14T22:48:06Z)
• 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)

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。