研究人员开发了一种新颖的方法来提高Koopman算子预测的鲁棒性，特别是在长时预测方面。该方法引入了一个无注意力潜在记忆（AFT）块来聚合过去的潜在状态，增强了时间上下文并减少了误差发散。此外，还提出了一种动态重新编码机制来检测潜在漂移并将预测投影回自编码器流形。这种组合方法在Duffing振子和Repressilator等基准系统上展示了持续的误差减少，在长时准确性方面优于标准的Koopman自编码器甚至基于Transformer的模型，同时保持了较低的推理延迟。 AI
影响 这项研究为长时预测提供了一种更鲁棒、更有效的方法，可能影响需要长时间准确预测的领域。
排序理由 该集群包含一篇研究论文，详细介绍了一种改进预测模型的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.23957v1 Announce Type: new Abstract: Learning Koopman operators with autoencoders enables linear prediction in a latent space, but long-horizon rollouts often drift off the learned manifold, leading to phase and amplitude errors on systems with switching, continuous sp…
Learning Koopman operators with autoencoders enables linear prediction in a latent space, but long-horizon rollouts often drift off the learned manifold, leading to phase and amplitude errors on systems with switching, continuous spectra, or strong transients. We introduce two co…