[論文レビュー] Multi-Resolution Dynamic Mode Decomposition

J. Nathan Kutz, Xing Fu+1 more|arXiv (Cornell University)|Jun 1, 2015

Machine Fault Diagnosis Techniques参考文献 21被引用数 25

ひとこと要約

本稿では、動的モード分解（DMD）と多スケール解析を統合することで、複雑で多様なスケールを有する力学系を階層的な時間的・空間的成分に分解するデータ駆動型手法であるマルチスケール動的モード分解（mrDMD）を提案する。時間窓を段階的に短くしてDMDを再帰的に適用することにより、遅い背景ダイナミクスと速いスパースな一時的特徴を分離し、ロバストな低ランク／スパース分解と正確な短期的状態予測を可能にする。海洋温度データおよび動きのある物体を含む動画シーケンスにおいて実証された。

ABSTRACT

We demonstrate that the integration of the recently developed dynamic mode decomposition (DMD) with a multi-resolution analysis allows for a decomposition method capable of robustly separating complex systems into a hierarchy of multi-resolution time-scale components. A one-level separation allows for background (low-rank) and foreground (sparse) separation of dynamical data, or robust principal component analysis. The multi-resolution dynamic mode decomposition is capable of characterizing nonlinear dynamical systems in an equation-free manner by recursively decomposing the state of the system into low-rank terms whose temporal coefficients in time are known. DMD modes with temporal frequencies near the origin (zero-modes) are interpreted as background (low-rank) portions of the given dynamics, and the terms with temporal frequencies bounded away from the origin are their sparse counterparts. The multi-resolution dynamic mode decomposition (mrDMD) method is demonstrated on several examples involving multi-scale dynamical data, showing excellent decomposition results, including sifting the El Niño mode from ocean temperature data. It is further applied to decompose a video data set into separate objects moving at different rates against a slowly varying background. These examples show that the decomposition is an effective dynamical systems tool for data-driven discovery.

研究の動機と目的

• 時間的・空間的スケールが著しく異なる多スケール力学系を解析する課題に対処すること。
• 従来のSVDやPCAがデータ内の一時的構造や移動構造を扱う際の限界を克服すること。
• 複数の時間スケールにわたって背景（低ランク）成分と前面（スパース）成分を分離可能な、データ駆動型で方程式を必要としない手法の開発。
• 再帰的・多スケールDMDフレームワークを用いて、将来のシステム状態を正確に予測すること。
• 気候データや動画ストリームなど、複雑で非定常なダイナミクスを示す実世界データへのDMDの適用範囲を拡張すること。

提案手法

• 時間的スケールが短くなるように段階的に短くした時間窓に対して、動的モード分解（DMD）を再帰的に適用し、異なる時間スケールのダイナミクスを抽出する。
• 非線形ダイナミクスを低次元空間における線形系として近似するため、Koopman作用素フレームワークを活用する。
• 時間周波数がほぼゼロに近いDMDモード（ゼロモード）は低ランク背景成分として解釈され、ゼロから離れた周波数のモードはスパースで一時的な特徴を表す。
• 初期モード振幅を最初のスナップショットから、擬似逆行列（ムーア・ペンローズ逆行列）を用いて計算し、指数的時間発展により将来の状態を予測可能にする。
• 複数の解像度レベルにわたり反復的に分解を適用することで、多スケールダイナミクスの階層的分離を可能にする。
• ロバスト主成分分析（RPCA）が自然に統合されており、各解像度レベルで外れ値やノイズに強い耐性を発揮する。

実験結果

リサーチクエスチョン

• RQ1 多スケール解析を統合することで、DMDを多スケール力学系を扱うように拡張できるか？
• RQ2 DMDをどのように変更すれば、時間分解能を持つデータにおける背景（低ランク）成分と前面（スパース）成分を分離できるか？
• RQ3 短い時間窓に再帰的にDMDを適用することで、力学系の分解能と正確性が向上するか？
• RQ4 mrDMDは、追加の計算を伴わず、データ駆動型で方程式を必要としない形で、将来のシステム状態をどの程度正確に予測できるか？
• RQ5 mrDMDは、動画シーケンスや気候データなど、動きのある構造や一時的特徴を有する実世界データに対して、どの程度の性能を示すか？

主な発見

• mrDMDは、海洋温度データからエルニーニョモードを明確に分離し、複雑でノイズの多いデータから意味のある大規模なダイナミクス的特徴を抽出できる能力を示した。
• 本手法は、動画データを明確に分離し、動きのある物体とゆっくり変化する背景に分解でき、空間的・時間的変動するダイナミクスを効果的に処理できる能力を示した。
• mrDMDは、標準的なℓ₁最適化手法よりも速度で数個のオーダーも上回る、ロバストな低ランク／スパース分解を達成した。
• 再帰的DMDフレームワークにより、DMDモデルに時間パラメータを代入するだけで、追加の計算を伴わず正確な短期的状態予測が可能となった。
• 多スケール構造に埋め込まれた内在的なRPCA機能のおかげで、外れ値やデータの損傷に対しても耐性を示した。
• ゼロ周波数のDMDモードは一貫して安定した低ランク背景ダイナミクスとして解釈され、非ゼロ周波数のモードは一時的で動的な特徴を捉えていた。