Koopman Learning with Episodic Memory

要約

クープマン演算子理論は、複雑な現実世界の動的システムのモデルの学習において大きな成功を収め、予測と制御を可能にしました。
従来の機械学習手法と比較して、これらのモデルの解釈可能性が高く、計算コストが低いため、コープマン学習は特に魅力的なアプローチとなっています。
それにもかかわらず、コープマン学習に自らの失敗を活用する能力を与えるための研究はほとんど行われていない。
これに対処するために、非自律時系列を予測するために開発されたクープマン法にエピソード記憶メカニズムを装備し、以前に同様のダイナミクスが発生した期間の全体的な想起（または注目）を可能にします。
エピソード記憶を使用したクープマン学習の基本的な実装により、合成データと現実世界のデータの予測が大幅に向上することがわかりました。
私たちのフレームワークには拡張の大きな可能性があり、将来の進歩を可能にし、コープマン学習の刺激的な新しい方向性を開きます。

要約(オリジナル)

Koopman operator theory has found significant success in learning models of complex, real-world dynamical systems, enabling prediction and control. The greater interpretability and lower computational costs of these models, compared to traditional machine learning methodologies, make Koopman learning an especially appealing approach. Despite this, little work has been performed on endowing Koopman learning with the ability to leverage its own failures. To address this, we equip Koopman methods — developed for predicting non-autonomous time-series — with an episodic memory mechanism, enabling global recall of (or attention to) periods in time where similar dynamics previously occurred. We find that a basic implementation of Koopman learning with episodic memory leads to significant improvements in prediction on synthetic and real-world data. Our framework has considerable potential for expansion, allowing for future advances, and opens exciting new directions for Koopman learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google