Metodbevispost

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

Källpost

Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.

Koopa (Koopman Predictors for Non-stationary Dynamics)

Taxonomisk metodpost · 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

Öppna fullständig metod

Kuraterade påståenden

Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.

Inga kuraterade påståenden ännu

Denna vy hittar inte på en påståendebedömning när loggen saknar en.

Relaterade metoder

Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.

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.