EDMD-kDL
一种结合核方法与双层优化的数据驱动Koopman嵌入学习方法，通过配置点和双层优化框架直接从数据中学习有限维Koopman嵌入，避免依赖神经网络自编码器架构
时间轴 (近 90 天)
EDMD-kDL（Extended Dynamic Mode Decomposition with Kernel-based Dictionary Learning）是一篇新论文提出的方法，首次系统性地将核方法与双层优化结合，直接从数据中学习有限维Koopman嵌入。
在EDMD-kDL中，外层优化学习核字典的参数，内层优化在该字典下求解Koopman算子的有限维近似，两者交替迭代。
EDMD-kDL所需核矩阵的大小取决于配置点的数量，而非训练数据集的规模，因此具备大规模数据集的扩展能力。
在包括全球海表温度预测和直接从视频数据学习在内的所有测试设置中，EDMD-kDL的表现要么与基于ANN的方法持平，要么更优。
核方法在Koopman嵌入学习场景中一直鲜有人问津，EDMD-kDL重新打开了该方向的可能性空间。
全部知识事实 (5)
在EDMD-kDL中，外层优化学习核字典的参数，内层优化在该字典下求解Koopman算子的有限维近似，两者交替迭代。
50%待验证EDMD-kDL所需核矩阵的大小取决于配置点的数量，而非训练数据集的规模，因此具备大规模数据集的扩展能力。
50%待验证在包括全球海表温度预测和直接从视频数据学习在内的所有测试设置中，EDMD-kDL的表现要么与基于ANN的方法持平，要么更优。
50%待验证核方法在Koopman嵌入学习场景中一直鲜有人问津，EDMD-kDL重新打开了该方向的可能性空间。
50%待验证EDMD-kDL（Extended Dynamic Mode Decomposition with Kernel-based Dictionary Learning）是一篇新论文提出的方法，首次系统性地将核方法与双层优化结合，直接从数据中学习有限维Koopman嵌入。
50%