# State-Of-The-Art Algorithms For Low-Rank Dynamic Mode Decomposition

**Authors:** Patrick Heas, Cedric Herzet  
**arXiv:** [2108.09160](https://arxiv.org/abs/2108.09160)  
**Date:** 2021-08-20  
**Summary page:** https://www.summarizepaper.com/fr/arxiv-id/2108.09160v1/

## Key points

- Les auteurs Patrick Heas et Cedric Herzet ont publié un article sur les algorithmes de pointe pour l'approximation linéaire des systèmes dynamiques de grande dimension en utilisant la décomposition en modes dynamiques à faible rang (DMD).
- L'étude fournit des détails supplémentaires utiles pour construire une image complète des méthodes de pointe dans ce domaine.
- L'article met en lumière l'importance de la DMD dans la modélisation et l'analyse des systèmes dynamiques complexes.
- Les auteurs soulignent les avantages et les applications potentielles de ces algorithmes avancés, ouvrant ainsi la voie à de nouvelles avancées dans le domaine.

## Summary

Les auteurs Patrick Heas et Cedric Herzet ont publié un article intitulé "State-Of-The-Art Algorithms For Low-Rank Dynamic Mode Decomposition", dans lequel ils passent en revue les algorithmes de pointe pour l'approximation linéaire des systèmes dynamiques de grande dimension en utilisant la décomposition en modes dynamiques à faible rang (DMD). Cette étude fournit des détails supplémentaires utiles pour construire une image complète des méthodes de pointe dans ce domaine, en reprenant plusieurs parties de leur article précédent intitulé "Décomposition en modes dynamiques à faible rang : une solution exacte et praticable". L'article met en lumière l'importance de la DMD dans la modélisation et l'analyse des systèmes dynamiques complexes, offrant ainsi aux chercheurs et aux praticiens un aperçu approfondi des techniques les plus récentes. Les auteurs soulignent également les avantages et les applications potentielles de ces algorithmes avancés, ouvrant ainsi la voie à de nouvelles avancées dans le domaine de la décomposition en modes dynamiques à faible rang.