[논문 리뷰] Minimum distance classification for nonlinear dynamical systems

Dominique Martinez|arXiv (Cornell University)|2026. 01. 07.

Neural Networks and Reservoir Computing인용 수 0

한 줄 요약

Dynafit은 커널 특성 공간에서 Koopman 연산자를 근사하여 관측 궤적과 기저 비선형 역학 사이의 거리를 학습하고, 서로 다른 동역학 시스템에 의해 생성된 데이터를 분류할 수 있게 한다.

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.

연구 동기 및 목표

• 비선형 역학에 의해 생성된 궤적 데이터의 분류를 동기 부여하고 각 클래스가 서로 다른 시스템에 대응하도록 한다.
• 관찰된 궤적과 기저 역학 사이의 거리를 학습하기 위한 커널 기반 방법을 제안한다.
• Koopman 연산자 이론을 활용하여 (잠재적으로 무한한) 특성 공간에서 전역 선형 표현을 얻는다.
• 명시적 고차 매핑 없이 커널 트릭을 통해 특성 공간에서 거리 메트릭의 계산을 가능하게 한다.

제안 방법

• 비선형 변환을 통해 고차(혹은 무한일 수 있는) 특성 공간에서 비선형 역학을 표현한다.
• Koopman 연산자를 사용해 전역 선형 표현을 얻는다: phi(x_{k+1}) = A phi(x_k).
• 관찰된 궤적을 특징 공간에서 phi(X)로 모델링하고, O_b phi(x0)와의 관계를 의사역을 통해 거리 d(X)를 얻는다.
• 훈련을 통해 훈련 궤적들에 대한 특성 공간 거리의 합을 최소화하여 Ob Ob^+를 추정한다.
• 명시적 특성 매핑 없이 거리를 계산하기 위해 커널 트릭을 적용하고, 가능하면 역학에 대한 사전 지식을 반영한다.

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

실험 결과

연구 질문

• RQ1 커널 기반 접근 방식이 관찰 궤적과 이를 생성한 기저 비선형 역학 간의 유사성을 반영하는 거리 메트릭을 학습할 수 있는가?
• RQ2 특징 공간에서의 Koopman 연산자 근사화가 서로 다른 동역학 시스템으로부터의 궤적 분류에 효과적인가?
• RQ3 커널 방법이 구현 가능한 역학의 부분적 사전 지식을 궤적 기반 분류에 활용할 수 있는가?
• RQ4 제안된 Dynafit 프레임워크가 혼돈 탐지, 필기체 동역학, 시각적 동적 질감과 같은 다양한 비선형 역학 작업을 처리할 수 있는가?

주요 결과

• Dynafit은 커널 트릭을 사용하여 관측 궤적과 기저 역학 사이의 거리를 특징 공간에서 계산하는 방법을 제공한다.
• 이 방법은 명시적(잠재적으로 무한한) 특성 매핑을 필요로 하지 않고 관찰 가능성 구조 Ob Ob^+를 추정하고 거리를 계산한다.
• 해당 접근법은 Koopman 연산자 이론과 커널 방법을 결합하여 비선형 역학의 전역 선형화를 분류에 활용한다.
• 이 프레임워크는 로지스틱 맵을 이용한 혼돈 탐지, 필기 동역학 인식, 시각적 동적 질감 등 응용에서 시연된다.