[論文レビュー] Invariance Proximity: Closed-Form Error Bounds for Finite-Dimensional Koopman-Based Models

Masih Haseli, Jörge E. Cortes|arXiv (Cornell University)|Nov 21, 2023

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿は、有限次元のKoopmanベースのモデルにおける最も悪い相対予測誤差の尺度である不変性近接度の閉形式解を、部分空間とそのKoopman写像の間のジョルダン主角を用いて導出する。この手法により、ユークリッド空間への同型写像を介した効率的な計算が可能となり、標準的な数値計算ルーチンの利用が可能になり、モデルの精度と安全性認証の正確な誤差境界が得られる。

ABSTRACT

A popular way to approximate the Koopman operator's action on a finite-dimensional subspace of functions is via orthogonal projections. The quality of the projected model directly depends on the selected subspace, specifically on how close it is to being invariant under the Koopman operator. The notion of invariance proximity provides a tight upper bound on the worst-case relative prediction error of the finite-dimensional model. However, its direct calculation is computationally challenging. This paper leverages the geometric structure behind the definition of invariance proximity to provide a closed-form expression in terms of Jordan principal angles on general inner product spaces. Unveiling this connection allows us to exploit specific isomorphisms to circumvent the computational challenges associated with spaces of functions and enables the use of existing efficient numerical routines to compute invariance proximity.

研究の動機と目的

• 有限次元Koopmanベースのモデルにおける最も悪い相対予測誤差の尺度である不変性近接度を計算可能な方法で提供すること。
• 無限次元関数空間に属する非可算個の関数に対する上界を直接計算するという計算上の非効率性を克服すること。
• システム解析および制御応用におけるKoopmanベースのモデルの正確な誤差評価と認証を可能にすること。
• 部分空間の不変性、Koopman作用素のダイナミクス、一般内積空間における主角を結びつける幾何的枠組みを確立すること。

提案手法

• 本稿では、不変性近接度を、有限次元部分空間とそのKoopman作用素による像の間の最大のジョルダン主角の正弦として定式化する。
• 部分空間の直交分解をジョルダン主角を用いて行い、誤差尺度の背後にある幾何的構造を明らかにする。
• 無限次元関数空間の問題を、有限次元の複素ユークリッド空間への同型写像により変換し、効率的な計算を可能にする。
• MATLABの subspace コマンドを含む既存の数値線形代数ツールを活用して最大主角を計算する。
• この定式化は、特定の関数クラスやデータ駆動型設定に制限されない一般性を持つ。
• データサンプリングや統計的仮定に依存せず、関数レベルでの解析的誤差境界を提供する。

実験結果

リサーチクエスチョン

• RQ1 一般内積空間において、Koopmanベースのモデルにおける最も悪い相対予測誤差の尺度である不変性近接度は、どのように効率的に計算できるか？
• RQ2 部分空間とそのKoopman像の間の幾何的関係は、有限次元Koopman近似の最もタイトな誤差境界を決定するか？
• RQ3 主角を用いた再定式化により、標準的な数値アルゴリズムの使用が可能になるか？
• RQ4 最大の主角が、Koopmanモデル予測における最も悪い相対誤差を完全に特徴づけるか？
• RQ5 提案された閉形式表現は、データ駆動型誤差境界と比較して、正確性と計算効率の点でどの程度優れているか？

主な発見

• 不変性近接度は、部分空間とそのKoopman像の間の最大ジョルダン主角の正弦に正確に等しく、タイトな閉形式誤差境界を提供する。
• Koopman不変部分空間 S₁ に対して、不変性近接度は機械精度でほぼゼロであり、正確な予測能力が確認される。
• S₂ における不変性近接度は 0.048 であり、関数予測の最も悪い相対誤差が 4.8% であることを示している。
• S₃ に対しては、不変性近接度が 0.823 であり、最も悪い相対誤差が 82.3% に達するため、この部分空間上でのモデルは著しく信頼性が低い。
• S₂ ⊂ S₃ であるにもかかわらず、より大きな部分空間 S₃ では顕著に悪い予測精度を示しており、部分空間が大きいからといって良いとは限らないことを示している。
• 100本の軌道を用いた数値的検証により、S₂ 上のモデルは S₃ 上のモデルよりも中央値誤差と分散が小さいことが確認され、不変性近接度がモデル品質の指標として有効であることが裏付けられた。