Koopman
PulseAugur coverage of Koopman — every cluster mentioning Koopman across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的SADFED框架在没有预定义架构的情况下识别库恩模型
研究人员开发了一个名为“具有空间感知的无字典库恩函数识别”（SADFED）的新框架，用于从数据中发现库恩模型。该方法不需要预先定义提升字典、核或神经网络架构。SADFED使用正则化最小二乘法识别库恩模式，然后采用变换后的时间基来获得本征函数值，仅优化特征值的实部和虚部。该框架在多种系统上进行了测试，包括FitzHugh-Nagumo系统、van der Pol振荡器、Duffing系统以及双转子涡轮喷气发动机，证明了其恢复已知本征函数…
-
新方法通过动力学系统和低延迟护栏增强 LLM 安全性 · 跟踪 4 个来源
研究人员开发了两种新方法来增强大型语言模型 (LLM) 的安全性。第一种方法，在 arXiv 论文中详细介绍，利用基于 Koopman 算子的动力学系统框架来分类提示-响应嵌入动力学，通过分析交互模式来提高安全性检测，尤其是在包含提示嵌入时，如 Llama 3 所示。第二种方法 Reflex-Guard，引入了一种轻量级、低延迟的本地护栏，该护栏采用密集语义嵌入和快速分类器来过滤不安全的提示，与 Llama Guard 2 和 Saf…
-
多任务深度学习的新算子理论界
研究人员为深度多任务学习模型开发了算子理论泛化界。该方法将网络层表示为向量值再生核希尔伯特空间中的Koopman组合算子。该方法为特定的网络架构产生了Rademacher复杂性界，并区分了输出耦合和层算子范数的贡献。研究还探讨了一维布朗/Cameron--Martin模型，提供了不依赖于Sobolev光滑指数的层界。
-
新框架使用Koopman算子模拟非线性延迟动力学
研究人员开发了一个新颖的框架，用于近似非线性延迟微分方程（DDEs）的Koopman算子。该方法通过采用历史离散化和基于核的重构算子，弥合了无限维DDE动力学与有限维Koopman学习之间的差距。该方法利用基于核的扩展动态模式分解（kEDMD），为预测提供确定性误差界限，将误差分解为离散化、核插值和回归的贡献。数值实验证实了该框架可靠预测非线性延迟系统的能力，预示着其在未来控制系统中的潜在应用。
-
新方法利用Koopman动力学增强从噪声数据中发现方程的能力
研究人员开发了一种动力学感知的识别方法，用于从稀疏和噪声数据中识别控制方程，该方法建立在稀疏非线性动力学识别（SINDy）和PDE函数识别（PDE-FIND）等技术的基础上。新方法利用基于Koopman的升采样方法，包括动态模式分解（DMD）及其变体，在导数估计和稀疏回归之前对数据进行插值和去噪。此预处理步骤旨在提高导数估计的准确性，而导数估计通常在稀疏和噪声测量下不可靠。该方法在几个ODE和PDE系统上进行了测试，表明基于Koopm…
-
新的SKooP方法提升了机器人运动的强化学习性能
研究人员开发了SKooP（对称Koopman预测），这是一种用于增强腿式机器人运动强化学习的新方法。该方法结合了形态对称性与通过自动编码器学习的Koopman模型，以提高策略学习的效率和通用性。SKooP将学习到的Koopman预测作为批评者的特权观察，从而能够从更平滑的特征中学习，并将群对称性纳入Actor和Critic网络，以实现更等变的策略。该方法在四足机器人的双足运动任务中，已证明能持续缩短收敛时间和提高学习到的奖励，并且策略…
-
联邦库普曼学习框架增强物联网异常检测
研究人员开发了FedKAD，一个新颖的联邦学习框架，专为物联网（IoT）系统的异常检测而设计。该方法利用轻量级库普曼表示来学习正常的时间动态，避免了对大型神经网络模型的需求，并减少了通信开销。FedKAD将联邦训练构建为一个低秩共识问题，使设备能够交换紧凑的子空间变量而不是原始数据。实验表明，FedKAD在检测性能上可与联邦深度学习方法相媲美或更优，同时提供显著更快的训练速度、更低的通信成本和更低的推理延迟，使其适用于资源受限的边缘设备。
-
新方法提高了库普曼谱近似的准确性
研究人员开发了一种新的神经网络字典学习方法，以提高非线性动力学中库普曼谱近似的准确性。该方法侧重于最小化残差误差，这表明了计算出的特征值和模式的可靠性，并惩罚了提升数据矩阵的条件数以确保数值稳定性。该技术在基准系统和噪声观测数据上显著减少了光谱污染和预测误差，表明神经网络库普曼学习中的光谱声明应通过残差和条件数进行验证。
-
新型 KFTD 网络提升海洋预测的准确性和速度
研究人员开发了一种名为 Koopman-Fourier 时差分 (KFTD) 网络的新型时间连续预测模型。该模型旨在通过解耦插值与预测来提高海洋时空预测的准确性和效率。与现有方法相比，KFTD 的计算速度提高了四倍，平均均方误差 (MSE) 降低了 5.6%，同时通过新颖的 DPP 损失函数融入了物理一致性。
-
量子信息机器学习在混沌预测中展现实际优势
研究人员开发了一个新的理论框架，用于在量子信息机器学习中实现实际量子优势，特别是在预测混沌系统方面。该方法利用高阶量子统计先验（Q-Priors）来紧凑地存储复杂的相关性，并能够比经典方法使用更少的副本更有效地提取信息。该方法已在模拟和超导处理器上得到验证，通过提高异常相关技能和减少长周期预测崩溃，在天气预报等应用中显示出潜力。
-
新方法使用个性化PageRank寻找Koopman不变子空间
研究人员开发了一种新颖的方法，利用应用于扩展动态模式分解（EDMD）矩阵的个性化PageRank（PPR）来识别Koopman不变子空间。该技术利用EDMD矩阵中的零块结构来检测Koopman不变字典，即使数据有限。该方法为检测精确和近似不变子空间提供了理论保证，数值实验证明了其在各种动力系统上的有效性。
-
新的 Mamba 模型变体增强了记忆保持和双线性计算能力
研究人员将双线性输入调制 (BIM) 引入到选择性状态空间模型 (SSM)，特别是 Mamba 中，通过整合状态-输入乘积来增强其性能。这种增强能够改善记忆保持和双线性计算，解决了 Mamba 对角状态转换的局限性。所提出的方法，包括耦合双线性输入调制 (seq-BIM) 和并行双线性输入调制 (p-BIM)，在需要记忆和双线性处理的任务上展示了显著的性能提升，优于简单的门控机制。