dynamic-mode-decomposition

本文介绍了DMDIntel，一种利用动态模态分解使LLM预测可解释的方法，通过将隐藏状态分解为模态并对token归因进行排序，优于PCA、集成梯度和SHAP等现有技术。

本文介绍了通过基于Koopman的上采样（DMD/EDMD）进行动力学感知预处理，以改善从稀疏和噪声数据中的导数估计和方程发现，并在ODE和PDE系统上进行基准测试。

本文介绍了SpatioTemporal Causal Network Diagnostics (ST-CND)框架，该框架利用数据驱动的因果网络和动态模态分解，为地理临界点提供局部早期预警，在合成和观测基准上优于经典空间指标。