Koopa: Koopman Predictors for Non-stationary Time Series
Koopa হলো একটি ডিপ লার্নিং মডেল যা Yong Liu, Chang Li, Jianmin Wang, এবং Mingsheng Long কর্তৃক NeurIPS 2023-এ উপস্থাপিত হয়েছে। এটি টাইম-সিরিজ ফোরকাস্টিংয়ের জন্য তৈরি করা হয়েছে এবং নন-স্টেশনারিটির চ্যালেঞ্জ মোকাবিলা করে। মডেলটি টাইম-সিরিজকে স্টেশনারি এবং নন-স্টেশনারি উপাদানে বিভক্ত করে, তারপর Koopman অপারেটরের একটি শেখা আনুমানিক মান ব্যবহার করে নন-স্টেশনারি ডাইনামিক্স মডেল করে। Koopman অপারেটর হলো একটি গাণিতিক কাঠামো যা নন-লিনিয়ার সিস্টেমকে একটি লিনিয়ার স্পেসে উন্নীত করে, যার ফলে দীর্ঘ-মেয়াদী পূর্বাভাস দেওয়া সহজ হয়।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/bn/deep-learning/koopa
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- সময় সিরিজ পূর্বাভাসের জন্য DLinear: ডিকম্পোজিশন লিনিয়ার মডেলগভীর শিখন↔ compare
- Non-stationary Transformerগভীর শিখন↔ compare
- স্টেট স্পেস মডেল (কালম্যান ফিল্টার)অর্থমিতি↔ compare
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →