[論文レビュー] Low-Rank Dynamic Mode Decomposition: Optimal Solution in Polynomial-Time

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

Model Reduction and Neural Networks参考文献 31被引用数 10

ひとこと要約

本稿では、非凸な低ランク制約付き最適化問題に対して閉形式解を導出することにより、低ランク動的モード分解（DMD）の多項式時間で最適な解を得る手法を提示する。最適な l2 ノルム誤差を特徴付け、SVD や低ランク DMD を用いた効率的な低次元モデル化を可能にし、合成データおよび物理的データのベンチマークで検証されている。

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 can be 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 can be computed in polynomial-time, and characterises the l2-norm of the optimal approximation error. The theoretical results serve to design low-complexity algorithms building reduced models from the optimal solution, based on singular value decomposition or low-rank DMD. 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におけるデータ駆動的手法を用いた最適な低ランク近似の課題に取り組む。
• 現在、グローバルに最適な解を欠いている低ランク DMD 最適化の非凸性を解消する。
• 多項式時間で計算可能な閉形式解を導出することで、計算効率を保証する。
• 理論的および実用的用途のため、最適近似誤差の l2 ノルムを特徴付ける。
• 最適解に基づく低複雑度の低次元モデル化アルゴリズムを開発する。

提案手法

• 低ランク DMD 問題を非凸な低ランク制約付き最適化問題として定式化する。
• 行列解析および特異値分解（SVD）技術を用いて閉形式解を導出する。
• 最適解が多項式時間で計算可能であることを証明し、既存の部分最適なアルゴリズムの限界を克服する。
• データ行列の固有値のスペクトル特性を用いて、最適近似誤差の l2 ノルムを特徴付ける。
• 閉形式解を活用した、SVD や低ランク DMD を用いた効率的なアルゴリズムを設計する。
• 合成データおよび物理的データベンチマークにおける数値シミュレーションを通じて、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 低ランク DMD 問題に対して、多項式時間でグローバルに最適な解を導出できるか？
• RQ2 最適な低ランク近似における l2 ノルム誤差の正確な特徴付けは何か？
• RQ3 提案された閉形式解は、既存の部分最適なアルゴリズムと比較して性能および複雑度で優れているか？
• RQ4 SVD や低ランク DMD フレームワークを用いて、最適解を効率的に実装できるか？
• RQ5 本手法は、物理的システムを含む多様なデータタイプにおいて、精度と安定性を維持できるか？

主な発見

• 低ランク DMD 最適化問題に対して閉形式解が存在し、多項式時間で計算可能である。
• 最適解は、与えられた低ランク制約下で可能な最小の l2 ノルム誤差を達成する。
• 理論的誤差境界は、データ行列の特異値を用いて明示的に特徴付けられている。
• 最適解に基づく提案アルゴリズムは、既存の部分最適な手法よりも精度と効率で優れている。
• 数値シミュレーションにより、本手法の強健性およびスケーラビリティが合成データおよび物理的データベンチマークで確認された。
• 本手法は、高次元動的システムに適した信頼性が高く、低複雑度の低次元モデル化を可能にする。