Záznam dôkazov metódy

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

Zdrojový záznam

Citácie skopírované doslovne zo zdrojového záznamu metódy. Nevyplýva z nich žiadne overenie na úrovni tvrdenia.

Koopa (Koopman Predictors for Non-stationary Dynamics)

Taxonomický záznam metódy · 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

Otvoriť celú metódu

Spracované tvrdenia

Tvrdenia uložené v registri dôkazov, každé s vlastným hodnotením.

Zatiaľ žiadne spracované tvrdenia

Tento pohľad nevymýšľa hodnotenie tvrdenia, ak register žiadne nemá.

Súvisiace metódy

Vygenerované z grafu metód a zobrazené ako vzťahy navrhnuté strojom – nevyplýva z nich žiadne tvrdenie o dôkaze.

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.