Interpretable Forecasting in Multivariate Time Series Using Koopman Autoencoder and Fuzzy Transform
Notice bibliographique
Résumé
This study investigates the modeling efficacy of Koopman Autoencoder (KAE) in comparison with LSTM, GRU, and Transformer architectures for multivariate time series (MTS) prediction tasks. We additionally evaluate the effect of fuzzy logic-based feature transformations (triangular and Gaussian membership functions) on learning dynamics and predictive performance. Synthetic MTS data comprising 16 channels with varying levels of additive Gaussian noise (0.0 and 0.1) are used to simulate realistic conditions. Experiments are conducted both with fuzzy-transformed inputs and raw features to assess comparative robustness. Results indicate that Transformers with triangular fuzzy transformation achieved the best predictive accuracy. Quantitative results show that fuzzy-transformed inputs significantly reduce prediction error across all models, with Transformer achieving the best MSE (0.0516) and R² (0.043) under triangular F-transform. PCA and t-SNE visualizations affirmed the distinct latent separability of Transformer and LSTM embeddings. While KAE yielded slightly lower predictive performance (MSE > 0.06), KAE embedding demonstrated advantages in latent space linearized embedding with more compressed, interpretability via saliency maps, and robustness to structured signal evolution. The results suggest KAE with fuzzy-transformed features offers a promising trade-off between interpretability and performance for explainable AI in time series feature embedding and forecasting.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».