Temporally-consistent koopman autoencoders for forecasting dynamical systems

Absence of sufficiently high-quality data often poses a key challenge in data-driven modeling of high-dimensional spatio-temporal dynamical systems. Koopman Autoencoders (KAEs) harness the expressivity of deep neural networks (DNNs), the dimension reduction capabilities of autoencoders, and the spec...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Scientific reports Ročník 15; číslo 1; s. 22127 - 13
Hlavní autoři:	Nayak, Indranil, Chakrabarti, Ananda, Kumar, Mrinal, Teixeira, Fernando L., Goswami, Debdipta
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	London Nature Publishing Group UK 01.07.2025 Nature Publishing Group Nature Portfolio
Témata:	639/166 639/166/987 639/166/988 Electrical and electronic engineering Engineering Humanities and Social Sciences Koopman Machine learning Mechanical engineering multidisciplinary Neural networks Science Science (multidisciplinary) Neural networks Machine learning Koopman
ISSN:	2045-2322, 2045-2322
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!