Koopman Neural Forecaster for Time Series with Temporal Distribution Shifts

要約

根底にあるダイナミクスが時間とともに変化する時間分布シフトは、実世界の時系列で頻繁に発生し、ディープ ニューラル ネットワーク (DNN) に根本的な課題をもたらします。
この論文では、時系列予測のための Koopman 理論に基づく新しいディープ シーケンス モデルを提案します。これは、DNN を活用して線形 Koopman 空間と選択された測定関数の係数を学習する Koopman Neural Forecaster (KNF) です。
KNF は、分布シフトに対するロバスト性を向上させるために適切な誘導バイアスを課します。グローバル オペレーターを使用して共有特性を学習し、ローカル オペレーターを使用して変化するダイナミクスをキャプチャします。
行動。
\ours{} は、分布シフトの影響を受けることが示されている複数の時系列データセットで、他の方法と比較して優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

Temporal distributional shifts, with underlying dynamics changing over time, frequently occur in real-world time series and pose a fundamental challenge for deep neural networks (DNNs). In this paper, we propose a novel deep sequence model based on the Koopman theory for time series forecasting: Koopman Neural Forecaster (KNF) which leverages DNNs to learn the linear Koopman space and the coefficients of chosen measurement functions. KNF imposes appropriate inductive biases for improved robustness against distributional shifts, employing both a global operator to learn shared characteristics and a local operator to capture changing dynamics, as well as a specially-designed feedback loop to continuously update the learned operators over time for rapidly varying behaviors. We demonstrate that \ours{} achieves superior performance compared to the alternatives, on multiple time series datasets that are shown to suffer from distribution shifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google