[論文レビュー] Scalable Pseudospectral Analysis via Low-Rank Approximations of Dynamical Systems

Vladimir R. Kostic, Dragana Lj. Cvetković+1 more|arXiv (Cornell University)|Feb 2, 2026

Stochastic Gradient Optimization Techniques被引用数 0

ひとこと要約

この論文は、低ランク理論を用いた pseudospectral 分析を提案し、大規模行列の pseudospectrum と安定性量を、明示的な固有値表現とランダム化アルゴリズムを用いた低ランク代替から計算できることを示す。データ駆動・高次元ダイナミクス系のスケーラブルな解析を可能にする。

ABSTRACT

Pseudospectral analysis is fundamental for quantifying the sensitivity and transient behavior of nonnormal matrices, yet its computational cost scales cubically with dimension, rendering it prohibitive for large-scale systems. While existing research on scalable pseudospectral computation has focused on exploiting sparsity structures, common in discretizations of differential operators, these approaches are ill-suited for machine learning and data-driven dynamical systems, where operators are typically dense but approximately low-rank. In this paper, we develop a comprehensive low-rank framework that dramatically reduces this computational burden. Our core theoretical contribution is an exact characterization of the pseudospectrum of arbitrary low-rank matrices, reducing the evaluation of resolvent norms to eigenvalue problems of dimension proportional to the rank. Building on this foundation, we derive rigorous inclusion sets for the pseudospectra of general matrices via truncated and randomized low-rank approximations, with explicit perturbation bounds. These results enable efficient estimators for key stability quantities, including distance to instability and Kreiss constants, at a cost that scales with the effective rank rather than the ambient dimension. We further demonstrate how our framework naturally extends to data-driven settings, providing pseudospectral analysis of transfer operators learned from nonlinear and stochastic dynamical systems. Numerical experiments confirm orders-of-magnitude speedups while preserving accuracy, opening pseudospectral analysis to previously intractable high-dimensional problems in computational PDEs, control theory, and data-driven dynamics.

研究の動機と目的

• 大規模またはデータ駆動システムにおける非正規性、過渡成長、頑健性を定量化するツールとしての pseudospectral 分析を動機づける.
• 低ランク行列の pseudospectrum を正確に特徴付ける理論を発展させる.
• 距離 to instability や Kreiss 定数などの主要 pseudospectral タスクについて低次元の固有値表現を提供する.
• 切り捨て/ランダム化による低ランク近似へフレームワークを拡張し、摂動保証を提供する.
• データ駆動の移動演算子や非線形確率的ダイナミクスへの方法論の関連を示す。

提案手法

• 一般的な低ランク行列 A = UV* の pseudospectrum を、解算ノルム計算を最小固有値を持つ構造化された 2r x 2r 行列 M_{U,V}(z) の最小固有値に縮約して特徴付ける。
• mu_{U,V}(z) = sqrt(lambda_min(M_{U,V}(z))) が (zI - UV*) の最小特異値に等しいことを示す。
• 正の摂動境界を持つ切り捨て・乱択低ランク近似を用いた pseudospectrum の包含集合を導出する。
• 単位円・虚軸との交点計算を低次元の一般化固有値問題へと結ぶ criss-cross 型の交差結果を提供する。
• Koopman 力学等のデータ駆動演算子学習設定へ理論を拡張し、軌道データから pseudospectral 分析を可能にする。
• rank-r 因子に対して O(r^3)、低ランク近似構築には O(rd^2) の計算量削減を論じる。

実験結果

リサーチクエスチョン

• RQ1 大規模な行列の pseudospectrum を低ランクの代替から効率的に推定するにはどうすればよいか。
• RQ2 所定の許容誤差内で本質的な pseudospectral 特徴を捉える最小の階数はどれくらいか。
• RQ3 大規模またはデータ駆動系に対して距離 to instability や Kreiss 定数を効率的に計算するにはどうすればよいか。
• RQ4 摂動保証を提供しつつ、乱択・切り捨て低ランク近似を pseudospectral 分析に統合するにはどうすればよいか。
• RQ5 非線形・確率過動力学から学習されたデータ駆動移動演算子に対してフレームワークを適用するにはどうすればよいか。

主な発見

• 任意の低ランク行列の pseudospectrum の正確な特徴付けは、小さな M_{U,V}(z) 行列を介して得られ、解算ノームの計算を 2r x 2r の固有値問題へ還元する。
• 直線・円との交点の低次元固有値特徴付けを得ることで criss-cross 法を効率化できる。
• 乱択 SVD とスケッチ法は理論と適合し、 pseudospectra、距離 to instability、Kreiss 定数のスケーラブルな推定をもたらす。
• データ駆動の移動演算子（非線形・確率的ダイナミクス由来）へ自然に拡張でき、軌道データからの pseudospectral 分析を可能にする。
• 数値実験により、 essential なダイナミクス情報を保ちながら桁違いの高速化を示す。