Dossier de preuve de méthode

Koopa

Koopa is a deep learning model for time-series forecasting introduced by Yong Liu, Chang Li, Jianmin Wang, and Mingsheng Long at NeurIPS 2023. It addresses the challenge of non-stationarity by disentangling time series into stationary and non-stationary components, then modeling the non-stationary dynamics using a learned approximation of the Koopman operator — a mathematical framework that lifts nonlinear systems into a linear space for tractable long-horizon prediction.

Sources recorded, not reviewed

Dossier source

Citations copiées telles quelles du dossier source de la méthode. Aucune vérification au niveau de la revendication n'en est déduite.

Koopa (Koopman Predictors for Non-stationary Dynamics)

Dossier de méthode taxonomique · ml-model / deep-learning

Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. · URL

Ouvrir la méthode complète

Revendications organisées

Revendications enregistrées dans le registre de preuves, chacune avec sa propre évaluation.

Pas encore de revendications organisées

Cette vue n'invente pas d'évaluation de revendication lorsque le registre n'en contient aucune.

Méthodes apparentées

Généré à partir du graphe de méthodes et présenté comme des relations suggérées par la machine — aucune revendication de preuve n'est déduite.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketNon-stationary Transformermachine-suggested · Relational suggestion, not evidence.See alsoState Space Modelmachine-suggested · Relational suggestion, not evidence.