English(EN) Understanding Latent-Dimension Scaling in Dynamical-System Learning through Spectral Reliability

新研究探讨动力学学习中的潜在维度缩放

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员通过自回归预测，探讨了表示大小的增加如何影响深度学习模型中的动力学学习。他们使用Koopman算子的特征结构分析了学习到的时间演化，并通过检查相对残差来识别虚假的特征对。研究表明，随着学习到的字典空间逼近L2中的可观测空间，其上的最小残差收敛到全空间对应物。在六个混沌系统上的实验表明，随着维度的增加，谱残差模型在减少滚动误差和增加有效预测时间方面始终优于潜在预测模型。 AI

影响为动力学学习的缩放定律提供了理论见解，可能指导未来的模型架构。

排序理由这是一篇发表在arXiv上的研究论文，详细介绍了一种理解动力学系统学习中潜在维度缩放的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇发表在arXiv上的研究论文，详细介绍了一种理解动力学系统学习中潜在维度缩放的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Itsushi Sakata, Yuta Miyauchi, Yoshinobu Kawahara · 2026-10-09 04:00

通过谱可靠性理解动力系统学习中的潜在维度缩放

arXiv:2610.11866v1 Announce Type: new Abstract: In deep learning, approximation theory motivates increasing representation size. We ask whether this benefit extends to dynamics learning through autoregressive prediction. We analyze the learned time evolution through the eigenstru…

本文如何被排名

报道来源 [1]

通过谱可靠性理解动力系统学习中的潜在维度缩放

相关实体

相关话题