MetaKoopman: 用于鲁棒动力学建模的贝叶斯元学习

研究人员推出MetaKoopman，一个新颖的贝叶斯元学习框架，旨在利用线性潜在表示来建模非线性动力学。该方法学习Koopman算子上的矩阵正态-逆Wishart先验，从而实现闭式贝叶斯更新和考虑认知不确定性与随机不确定性的后验预测分布。在严酷冬季条件下和模拟控制任务中对自动驾驶卡车和拖车系统的评估表明，与现有方法相比，MetaKoopman在预测准确性、不确定性校准和对分布偏移的鲁棒性方面表现更优。 AI

影响 增强了动态系统的鲁棒性和不确定性量化，可能改进自动导航和控制。

排序理由 该集群描述了一篇关于新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• autonomous truck and trailer system
• Bayes' theorem
• Distribution shifts of marine taxa in the Pacific Arctic under contemporary climate changes
• Koopman Operator
• Matrix Normal-Inverse Wishart (MNIW)
• MetaKoopman
• winter scenarios

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →