交互环境中基于 Koopman 理论的高效动力学建模

Jun, 2023

交互环境中基于 Koopman 理论的高效动力学建模

Efficient Dynamics Modeling in Interactive Environments with Koopman Theory

Arnab Kumar Mondal, Siba Smarak Panigrahi, Sai Rajeswar, Kaleem Siddiqi, Siamak Ravanbakhsh

TL;DR采用 Koopman 理论的方法，在高维潜在空间中线性化环境的非线性动力学，从而实现加速连续计划和模拟学习。

Abstract

The accurate modeling of dynamics in interactive environments is critical for successful long-range prediction. Such a capability could advance Reinforcement Learning (RL) and Planning algorithms, but achieving it is challenging. Inaccuracies in model estimates can compound, resulting

dynamics modeling reinforcement learning koopman theory long-range prediction latent space

发现论文，激发创造

Koopman 核回归

该研究提出了一种基于 Koopman 算子理论的新型重现核希尔伯特空间 (RKHS)，称为 Koopman Kernel Regression (KKR)，可以提高预测的准确性和泛化能力，对于以 Koopman 为基础的预测器，最新的统计学习方法存在限制，所以提供比现有研究更为详尽的证明和更宽松的假设。

May, 2023

Koopman 算子动态模型：学习、分析和控制

本篇论文探讨了 Koopman 算子理论在处理非线性系统方面的应用，着重介绍了 Koopman 算子动力学模型中各种现有方法的优缺点，分析了 Koopman 算子理论与系统理论概念的关系及其在控制系统建模中的潜力，同时讨论了当前的挑战和未来的发展方向。

Feb, 2021

具备保证稳定性的非线性动态线性嵌入的物理知识概率学习

本文提出了一种基于测度理论的深度神经网络学习连续时间 Koopman 算子的方法，使用结构参数化来保证稳定性，并构建了一个自动编码器架构以学习动态模态分解的残差部分，并在基于贝叶斯方法的平均场变分推断下评估了该框架。

Jun, 2019

基于 Koopman 的深度学习用于非线性系统估计

应用 Koopman 算子理论和深度强化学习网络，提出了一种数据驱动的线性估计器，用于提取复杂非线性系统的有限维表示，实现对原始非线性系统未来状态的精确预测。该估计器还可以适应非线性系统的微分同胚变换，从而实现对变换后系统状态的估计，无需重新学习。

May, 2024

基于深度 Koopman 表达的策略学习

本文提出了一种基于 Koopman 算子理论和策略梯度方法的政策学习算法，该算法将未知动态系统的线性逼近和最优政策搜索相结合，引入所谓的深度 Koopman 表示来提高数据效率，并应用贝尔曼最优原理来避免逼近系统动态引起的长期任务的累积误差，同时提供理论分析以证明所提出算法的渐近收敛性和采样复杂度。

May, 2023

深度学习神经网络表征非线性动力系统的 Koopman 算符

这篇文章提出了一种基于深度学习的方法来学习非线性动力学系统的 Koopman 算子，自动选择高效的深度字典来描述这些系统，并成功预测了未来 100 步的量化预测和 400 步的定性振荡行为。

Aug, 2017

深度变分 Koopman 模型：推断 Koopman 观测以实现不确定动态建模和控制

该研究介绍了 Deep Variational Koopman 模型的方法，可以推断随时间线性传播的观测分布，从而获得动力模型的分布并提供模型系统随时间推进的可能结果分布，同时也将学习的模型应用到控制框架中并表明考虑到分布中存在的不确定性能更好地控制。

Feb, 2019

动力系统的现代 Koopman 理论

介绍了最新的 Koopman 算子理论及算法发展，重点强调了这些方法在各种应用领域中的作用，同时讨论了机器学习中的重大进展和挑战，这些可能推动未来的发展并显著转变动力系统的理论面貌。

Feb, 2021

使用 Koopman 消息传递学习非线性网络动力学的线性嵌入

本文提出了一种基于 Koopman 算子理论和消息传递网络的新方法，可以在任意时间步骤上全局有效地找到动态系统的线性表示，并应用于非线性网络动态问题及神经网络体系结构的高度非线性培训动态，获得了比当前技术水平高数个数量级的预测精度。

May, 2023

Koopman 可逆自编码器：利用正向和反向动力学进行时间建模

准确的长期预测是许多机器学习应用和决策过程的基础，然而，由于传统的时间模型（如循环神经网络）仅捕捉训练数据中的统计连接，很难建立准确的长期预测模型。为了解决这个挑战，我们基于库普曼算子理论提出了一种新的机器学习模型，称为库普曼可逆自编码器（KIA），通过在无限维度的希尔伯特空间中建模正向和反向动力学来捕捉系统的固有特性，从而能够高效学习低维表示，实现对长期系统行为的更准确预测，并且我们方法的可逆设计确保了正向和逆向操作的可逆性和一致性。我们在摆和气候数据集上验证了 KIA 的实用性，在保持抗噪性的同时，摆的长期预测能力提高了 300%，此外，我们的方法在长期气候预测方面表现出色，进一步验证了我们方法的有效性。

Sep, 2023