Koopman Operators
PulseAugur coverage of Koopman Operators — every cluster mentioning Koopman Operators across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究探讨动力学学习中的潜在维度缩放
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。
-
新方法使用 Koopman 算子进行稀有过渡采样
研究人员开发了一种新颖的动力学系统过渡路径采样（TPS）方法，特别适用于分子动力学，通过利用 Koopman 算子和退出时间最优控制。该方法解决了跨越高自由能垒的稀有过渡的挑战。通过将 TPS 重构为具有由目标集首次命中时间定义的时域的最优随机控制问题，并使用 committor 函数来惩罚在非反应区域花费的时间，该方法推导出了一个最优控制器。该控制器在再生核希尔伯特空间中得到近似，显著增加了到达目标集的轨迹比例，并在双通道双势阱和丙…
-
机器学习中条件期望算子新判据
一篇新论文介绍了一个可验证的判据，用于理解条件期望算子（CEOs）和条件均值嵌入（CMEs）。这些概念在非参数回归、贝叶斯逆问题和库普曼算子理论等领域至关重要。研究表明，CEOs的映射性质由条件律的Radon-Nikodym密度的正则性决定。该论文提供了一个简单的条件，以确保CEO是有界的且是Hilbert-Schmidt的，这有助于验证CME表示和估计器的误差界。
-
两篇arXiv论文详述从单条轨迹学习动力学系统 · 跟踪2个来源
两篇新提交至arXiv的stat.ML板块的研究论文探讨了从单条轨迹学习动力学系统。第一篇论文侧重于切换非线性动力学系统，基于函数类熵为预测风险提供理论保证，并获得明确的收敛速率。第二篇论文处理遍历动力学系统，通过非线性最小二乘法推导出预测函数估计的高概率保证，并将框架扩展到高阶系统和Koopman算子。
-
新的CW-EDMD方法改进了复杂系统的Koopman算子近似 · 跟踪2个来源
研究人员开发了簇加权扩展动态模式分解（CW-EDMD），一种从数据中近似Koopman算子的新颖方法。该方法通过学习软相空间划分和每个簇的算子，解决了具有不同局部动力学系统的单一全局算子效率低下的问题。CW-EDMD利用期望最大化目标，该目标同时考虑了几何邻近性和预测残差，使簇能够专注于局部Koopman模型准确的地方。在Lorenz、阻尼摆和Duffing系统上的实验表明，与匹配度EDMD相比，误差显著降低，中位数一步误差分别降低了…
-
新AI方法通过视频增强机器人动力学学习
研究人员开发了一种从视频中学习软连续机器人动力学的新方法，提高了可解释性和准确性。该方法利用注意力广播解码器（ABCD）模块来定位潜在维度的贡献并过滤静态背景，使学习到的动力学具有视觉可理解性。结合视觉振荡器网络（VONs），该系统可以识别质量和刚度等机械特性，从而实现更准确的多步预测以及紧凑的数据驱动模型。
-
新论文统一生成流并使用Koopman算子
两篇新研究论文探讨了生成模型中的高级技术。第一篇论文将生成式Wasserstein流（GWF）引入为一个统一的框架，适用于各种生成模型，并扩展到新算法，阐明了与GAN的联系。第二篇论文提出使用Koopman算子来线性化连续归一化流，从而实现更快的采样和对生成过程的新分析见解。