Компьютерные науки > Машинное обучение [представлено 15 сентября 2026 года] Название: Principed Koopman Performations with Calman Infence for Effective Time-Series Provision View PDF HTML (экспериментальное) Резюме: Оператор KOopman широко используется для прогнозирования временных рядов в динамических системах. Однако предыдущая работа, в ходе которой с помощью нейронных сетей становится известно о латентных "пространствах коопмана", зачастую не создавала действительное пространство Koopman для прогнозирования, поскольку эти представления могут быть математически несовместимыми с составом оператора-теоретики и не позволяют охватить имманентную структуру динамики системы на низком уровне. Для решения этой проблемы мы введем метод K$2 USVD, который ясно учит ведущие единичные функции оператора Koopman за счет оптимизации цели Хилберта-Шмидта. Это дает четко определенное низкосортное приближение оператора Koopman с интерпретируемой линейной комбинацией, в которой компактно скрытое пространство менее чем на 10 долл. США от размеров, использовавшихся при предыдущей работе. В обучённом пространстве Koopman K$2 USVD продолжает фиксировать временную эволюцию с помощью линейной гауссианской модели состояния космического пространства и делает выводы через фильтрацию Калмана, уменьшая аккумулирование шума в ходе многоэтапного прогнозирования. Эмпирические результаты показывают, что K$2 долл. Это подчеркивает преимущества принципиальных представлений в Копмане низкого ранга и открывает…
Принципиальные представительства Koopman вместе с Калманом
arXiv:2609.17815v1 Annualce Type: новый резюме: Koopman Operation широко используется для прогнозирования временных рядов в динамических системах. Однако предыдущая работа, в ходе которой с помощью нейронных сетей становится известно о латентных "пространствах коопмана", зачастую не создавала действительное пространство Koopman для прогнозирования, поскольку эти представления могут быть математически несовместимыми с составом оператора-теоретики и не позволяют охватить имманентную структуру динамики системы на низком уровне. Для решения этой проблемы мы введем метод K$2 USVD, который ясно учит ведущие единичные функции оператора Koopman за счет оптимизации цели Хилберта-Шмидта. Это дает четко определенное низкосортное приближение оператора Koopman с интерпретируемой линейной комбинацией, в которой компактно скрытое пространство менее чем на 10 долл. США от размеров, использовавшихся при предыдущей работе. В обучённом пространстве Koopman K$2 USVD далее фиксирует временную эволюцию с помощью линейной гауссианской модели состояния-пространства и делает вывод через фильтр Калмана