标签
本文介绍了K2SVD，这是一种通过Kalman推断学习Koopman算子表示的原理性方法，以实现高效且准确的时间序列预测，展示了优于现有最先进方法的性能。
本文提出了一种黑箱方法，用于LLM安全分类，该方法利用动力系统和Koopman算子对提示-响应嵌入动态进行建模，以检测不安全输出。
本文引入了一个基于Koopman算子理论的理论框架，用于识别机制可解释性中的模型内在结构，证明了针对机制可解释性原语的第一个可识别性定理，并在GPT-2、Gemma-2-2B和Qwen3-8B-Base上进行了实证验证。
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。
引入了Cluster-Weighted EDMD（CW-EDMD），这是一种数据驱动方法，通过期望最大化联合学习相空间划分和每个簇的Koopman算子，在经典动力系统上的预测精度优于标准EDMD。
提出FedKAD，一种面向物联网系统中多变量时间序列的联邦Koopman异常检测框架，采用轻量级滑动窗口Koopman表示和Stiefel-ADMM算法实现高效通信和推理。
本文介绍了无注意力潜记忆和动态重编码，以改进库普曼自编码器中的长时域预测，减少基准动力系统上的误差累积。
介绍Perron–Frobenius算子匹配（PFOM），一种通过积分PF算子匹配统一流、扩散和跳跃模型的生成框架，证明KL散度可导出与Koopman路径等价的实用损失，并开发了Nesterov加速训练和采样以提高效率。