[論文レビュー] Minimum distance classification for nonlinear dynamical systems

Dominique Martinez|arXiv (Cornell University)|Jan 7, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

Dynafit は Koopman に触発された距離を軌跡とダイナミクスの間で学習することにより、観測された軌跡と基礎となる非線形ダイナミクスの距離をカーネルベースの手法で推定し、異なるダイナミカルシステムによって生成されたデータを分類できる。

ABSTRACT

We address the problem of classifying trajectory data generated by some nonlinear dynamics, where each class corresponds to a distinct dynamical system. We propose Dynafit, a kernel-based method for learning a distance metric between training trajectories and the underlying dynamics. New observations are assigned to the class with the most similar dynamics according to the learned metric. The learning algorithm approximates the Koopman operator which globally linearizes the dynamics in a (potentially infinite) feature space associated with a kernel function. The distance metric is computed in feature space independently of its dimensionality by using the kernel trick common in machine learning. We also show that the kernel function can be tailored to incorporate partial knowledge of the dynamics when available. Dynafit is applicable to various classification tasks involving nonlinear dynamical systems and sensors. We illustrate its effectiveness on three examples: chaos detection with the logistic map, recognition of handwritten dynamics and of visual dynamic textures.

研究の動機と目的

• 各クラスが異なるシステムに対応する非線形ダイナミクスによって生成された軌跡データの分類を動機づける。
• 観測された軌跡と基礎となるダイナミクス間の距離測度を学習するためのカーネルベース手法を提案する。
• Koopman 演算子理論を活用して（潜在的に無限の）特徴空間におけるグローバル線形表現を得る。
• 明示的な高次元写像なしにカーネル・トリックを用いて特徴空間で距離測度を計算できるようにする。

提案手法

• 非線形ダイナミクスを非線形変換を介して高次元特徴空間に表現する（潜在的に無限の特徴空間へ）。
• Koopman 演算子を使用してグローバルな線形表現を得る：phi(x_{k+1}) = A phi(x_k)。
• 特徴空間における観測軌跡を phi(X) としてモデル化し、pseudo-inverse を介して O_b phi(x0) に関連付けて距離 d(X) を得る。
• 訓練を、訓練軌跡全体の特徴空間距離の和を最小化することで Ob Ob^+ を推定する。
• 明示的な特徴写像を必要とせず距離を計算するためにカーネル・トリックを適用し、利用可能な場合にはダイナミクスの事前知識を組み込む。

Figure 1: Illustration of distance-based classification. A). In traditional classifiers, the distance is a measure of (dis)similarity between a test sample (here the image of Picasso’s signature) and a stored prototype (Pissarro’s signature). B). In Dynafit, the distance is between a trajectory samp

実験結果

リサーチクエスチョン

• RQ1 カーネルベースのアプローチは、観測された軌跡とそれらを生成した基礎的な非線形ダイナミクスとの間の類似性を反映する距離測度を学習できるか。
• RQ2 特徴空間での Koopman 演算子の近似は、異なるダイナミカルシステムからの軌跡の効果的な分類を可能にするか。
• RQ3 ダイナミクスの部分的な事前知識をカーネル手法で活用して軌跡ベースの分類を改善できるか。
• RQ4 提案された Dynafit フレームワークは、カオス検出、手書きダイナミクス、視覚的動的テクスチャなど、さまざまな非線形ダイナミクスのタスクに対応できるか。

主な発見

• Dynafit はカーネル・トリックを用いて、特徴空間における観測軌跡と基礎ダイナミクス間の距離を計算する方法を提供する。
• この手法は Ob Ob^+ の可観測性構造を推定し、明示的な（潜在的に無限）特徴写像を必要とせず距離を計算する。
• Koopman 演算子理論とカーネル法を統合して、非線形ダイナミクスを分類のためにグローバルに線形化する。
• ロジスティック写像によるカオス検出、手書きダイナミクス認識、視覚的動的テクスチャなどの応用でフレームワークを実証した。