发表机构
Helmholtz-Zentrum Hereon; IMT Atlantique; Lab-STICC, UMR CNRS 6285; LRE EPITA; Université Grenobles Alpes; Grenoble INP; GIPSA-lab; Institut Universitaire de France（赫尔姆霍兹海洋研究中心; IMT大西洋; Lab-STICC，法国国家科研中心联合实验室6285; LRE EPITA; 格勒诺布尔阿尔卑斯大学; 格勒诺布尔国立理工学院; GIPSA实验室; 法国大学研究院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
提出VAIKAE模型，通过高斯潜在嵌入和归一化流实现概率时间序列预测，并引入不确定性感知的数据同化策略，在长期预测基准上验证了有效性。
AI 中文摘要
神经Koopman自编码器模型已被证明能够为任意动力系统成功构建具有线性动力学的潜在嵌入，从而在长期时间序列预测中展现出强大性能。然而，这些模型通常在确定性设置下工作，无法量化其预测的不确定性。为此，我们提出了新的变分增强可逆Koopman自编码器（VAIKAE），其中潜在嵌入遵循高斯分布而非确定性分布。VAIKAE架构的一个关键特性是利用归一化流模型，使得能够在动力系统的状态空间中进行似然计算以训练模型。我们进一步提出了新的策略，用于利用训练好的VAIKAE模型进行不确定性感知的潜在数据同化。我们方法的效果在一系列长期时间序列预测基准实验中得到验证。
英文摘要
Neural Koopman autoencoder models have been shown to successfully build a latent embedding with linear dynamics for arbitrary dynamical systems, enabling strong performance in long-term time series forecasting. However, these models usually work in a deterministic setting, which does not allow the quantification of the uncertainty of their predictions. Thus, we propose the new Variational Augmented Invertible Koopman AutoEncoder (VAIKAE), in which the latent embedding follows a Gaussian distribution instead of being deterministic. A key property of the VAIKAE architecture is that it leverages normalizing flow models, enabling the use of likelihood computations in the state space of dynamical systems for training a model. We further propose new strategies for uncertainty-aware latent data assimilation with a trained VAIKAE model. The effectiveness of our methods is demonstrated in a series of experiments on long-term time series forecasting benchmarks.
