35 lines
1.0 KiB
Markdown
35 lines
1.0 KiB
Markdown
---
|
||
title: "Koopman Autoencoder (KAE)"
|
||
created: 2026-05-11
|
||
updated: 2026-05-11
|
||
type: concept
|
||
tags: [deep-learning, autoencoder, dynamical-systems]
|
||
sources: [[liu-koopa-2023]]
|
||
---
|
||
|
||
# Koopman Autoencoder (KAE)
|
||
|
||
## 定义
|
||
|
||
Koopman 自编码器是将 [[koopman-theory|Koopman 理论]] 与深度学习自编码器结合的框架。用编码器学习测量函数 g（Koopman 嵌入），线性层实现 Koopman 算子，解码器重建状态。
|
||
|
||
## 架构
|
||
|
||
```
|
||
x_t → [Encoder] → g(x_t) → [K·] → g(x_{t+1}) → [Decoder] → x_{t+1}
|
||
```
|
||
|
||
- **编码器** = 测量函数：将状态映射到测量空间
|
||
- **线性中间层** = Koopman 算子 K
|
||
- **解码器** = 逆测量函数
|
||
|
||
## Koopa 对 KAE 的改进
|
||
|
||
传统 KAE 需要**重构损失绑定**（编码器-解码器 + 前向预测双重目标），Koopa 通过深度残差结构将其分解，实现端到端预测优化，消除了绑定的训练困难。
|
||
|
||
## 相关概念
|
||
|
||
- [[koopman-theory|Koopman 理论]]
|
||
- [[dynamic-mode-decomposition|DMD]]
|
||
- [[liu-koopa-2023|Koopa]]
|