20260514:增加新内容

raw/papers/liu-koopa-2023.md

@@ -0,0 +1,44 @@
+---
+title: "Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors"
+arxiv: "2305.18803"
+venue: "NeurIPS 2023"
+authors: "Yong Liu, Chenyu Li, Jianmin Wang, Mingsheng Long (Tsinghua University)"
+type: paper
+tags: [time-series, koopman-theory, deep-learning, forecasting, non-stationary]
+---
+
+# Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors
+
+> NeurIPS 2023 | Tsinghua University | [Code](https://github.com/thuml/Koopa)
+
+## 核心问题
+
+真实世界时间序列天然具有非平稳性（时变统计特性与时间依赖），导致训练-推理分布鸿沟，深度预测模型难以泛化。
+
+## 方法论
+
+**Koopman 理论**：将非线性动力学映射到无限维线性空间，在那个空间中动力学由线性算子 K 驱动：
+K ∘ g(x_t) = g(F(x_t)) = g(x_{t+1})
+
+**Fourier Filter**：将非平稳序列分解为时变（高频）与时不变（低频）分量，各自送入 Koopman Predictor。
+
+**Koopman Predictor**：
+- 学习测量函数 g 实现 Koopman 嵌入
+- 用线性 Koopman 算子刻画隐式状态转移
+- 上下文感知算子：在局部时间邻域计算，捕捉时变动力学的强局部性
+- 可利用真实观测滚动预测，扩展预测范围
+
+**可堆叠模块**：层级式动力学学习，每层分解 + 预测。
+
+## 核心结果
+
+- SOTA 竞争性能
+- 训练时间节省 **77.3%**，内存节省 **76.0%**（6 个真实世界基准平均）
+- 端到端预测目标优化（无需重构损失绑定）
+
+## 关键技术点
+
+1. Fourier Filter 实现时变/时不变分量解耦
+2. Koopman 算子提供隐式动力学的线性肖像
+3. 上下文感知算子处理局部时变特性
+4. 深度残差结构集成 Koopman Predictor