[論文レビュー] Low-rank Approximation and Dynamic Mode Decomposition.

Patrick Héas, Cédric Herzet|arXiv (Cornell University)|Oct 10, 2016

Model Reduction and Neural Networks被引用数 5

ひとこと要約

本稿は、高次元動的システムにおける低ランク動的モード分解（DMD）の閉形式解を提案する。非凸的低ランク最適化問題を多項式時間で解く手法であり、l2ノルム誤差が明確に特徴付けられた最適近似と、SVDまたは固有値分解を用いた効率的な低次元モデル化を可能にする。

ABSTRACT

This work studies the linear approximation of high-dimensional dynamical systems using low-rank dynamic mode decomposition (DMD). Searching this approximation in a data-driven approach is formalised as attempting to solve a low-rank constrained optimisation problem. This problem is non-convex and state-of-the-art algorithms are all sub-optimal. This paper shows that there exists a closed-form solution, which is computed in polynomial time, and characterises the l2-norm of the optimal approximation error. The paper also proposes low-complexity algorithms building reduced models from this optimal solution, based on singular value decomposition or eigen value decomposition. The algorithms are evaluated by numerical simulations using synthetic and physical data benchmarks.

研究の動機と目的

• 高次元動的システムをデータ駆動的に低ランクDMDで近似する課題に対処すること。
• 近似問題を非凸的低ランク制約付き最適化問題として形式化すること。
• この問題に対する既存の最先端アルゴリズムの非最適性を克服すること。
• 最適低ランク近似の多項式時間計算を可能にする閉形式解を導出すること。
• 導出された解を用いて最適近似誤差のl2ノルムを特徴付け、効率的な低次元モデル化アルゴリズムを開発すること。

提案手法

• 低ランクDMD近似をランク制約付きの非凸最適化問題として定式化する。
• 最適化問題に対する閉形式解を導出し、多項式時間で正確に計算可能であることを保証する。
• 導出された解を用いて最適近似誤差のl2ノルムを特徴付ける。
• 最適解に基づき、特異値分解（SVD）を用いた低次元モデルを構築する。
• 計算効率を高めるために、代替的に固有値分解に基づく低次元モデル化手法を提案する。
• 数値シミュレーションを通じて、合成データおよび物理的データのベンチマークを用いて提案手法の有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 非凸的低ランクDMD最適化問題に対して閉形式解を導出可能か？
• RQ2 低ランクDMDにおける最適近似誤差の正確なl2ノルムは何か？
• RQ3 最適解は多項式時間で計算可能であり、高次元システムにおける実用的応用を可能にするか？
• RQ4 SVDベースと固有値分解ベースのアルゴリズムは、最適解から低次元モデルを構築する際にどのように比較されるか？
• RQ5 提案手法の実験的性能は、合成データおよび物理的データベンチマークにおいてどのように評価されるか？

主な発見

• 非凸的低ランクDMD最適化問題に対して閉形式解が存在し、非凸性の課題が解決された。
• 最適解は多項式時間で計算可能であり、高次元システムへの効率的応用が可能である。
• 導出された解を用いて最適近似誤差のl2ノルムが明確に特徴付けられた。
• 最適解から低次元モデルを構築するためのSVDベースおよび固有値分解ベースのアルゴリズムが提案された。
• 合成データおよび物理的データにおける数値シミュレーションにより、提案手法の有効性と精度が示された。
• 提案手法は最適近似性能を達成し、非最適な既存のアルゴリズムを上回った。