[논문 리뷰] Identifiability of interaction kernels in mean-field equations of interacting particles

Quanjun Lang, Fei Lu|arXiv (Cornell University)|2021. 06. 10.

Numerical methods in inverse problems참고 문헌 29인용 수 4

한 줄 요약

이 논문은 데이터에 적응하는 L² 공간(데이터에 의존하는 측도 또는 르베그 측도로 가중치가 부여된)을 분석하여 상호작용 입자들의 평균장 방정식에서 상호작용 커널의 식별 가능성에 대한 완전한 특성화를 수립한다. 함수 식별 가능성 공간은 역적분 연산자와 관련된 재생 핵 힐버트 공간(RKHS)의 닫힘임을 증명하며, 악조건 문제로 인해 정규화가 필수적임을 보이며, 티호노프 정규화를 통해 가중치가 부여된 L² 공간이 더 우수한 추정기를 제공함을 보여준다.

ABSTRACT

This study examines the identifiability of interaction kernels in mean-field equations of interacting particles or agents, an area of growing interest across various scientific and engineering fields. The main focus is identifying data-dependent function spaces where a quadratic loss functional possesses a unique minimizer. We consider two data-adaptive $L^2$ spaces: one weighted by a data-adaptive measure and the other using the Lebesgue measure. In each $L^2$ space, we show that the function space of identifiability is the closure of the RKHS associated with the integral operator of inversion. Alongside prior research, our study completes a full characterization of identifiability in interacting particle systems with either finite or infinite particles, highlighting critical differences between these two settings. Moreover, the identifiability analysis has important implications for computational practice. It shows that the inverse problem is ill-posed, necessitating regularization. Our numerical demonstrations show that the weighted $L^2$ space is preferable over the unweighted $L^2$ space, as it yields more accurate regularized estimators.

연구 동기 및 목표

• 데이터에 적응하는 L² 공간을 사용하여 평균장 방정식에서 상호작용 커널의 식별 가능성 함수 공간(FSOI)을 특성화하기.
• 이러한 공간에서 이차 손실 기능이 유일한 최소화자를 가지는 조건을 규명하기.
• 유한 입자 시스템과 평균장 근사 간의 식별 가능성 차이를 명확히 하기.
• 평균장 입자 시스템에서 발생하는 역문제에 대한 정규화의 이론적 기초 제공하기.
• 수치적 추정에서 가중치가 부여된 L² 노름이 무게 없음 L² 노름보다 우월함을 보여주기.

제안 방법

• 역문제를 데이터에 적응하는 L² 공간에서 확률적 손실 기능의 최소화 문제로 설정하기.
• 두 가지 L² 공간 정의: 하나는 데이터에 적응하는 탐색 측도로 가중치가 부여된 것과, 다른 하나는 르베그 측도를 사용한 것.
• 손실 기능의 이阶 도함수를 분석하여 준정규적 적분 연산자를 정의하며, 이는 역연산자로 작용함.
• FSOI를 이 적분 연산자의 양의 고유값에 해당하는 고유공간의 닫힘으로 식별함.
• RKHS의 연산자 특성화를 적용하여 식별 가능성과 이 적분 연산자의 제곱근의 이미지 간의 연결을 설정함.
• 특이값 분해(SVD)와 티호노프 정규화를 사용하여 가중치가 부여된 vs. 무게 없음 L² 노름의 성능을 수치 실험에서 비교함.

실험 결과

연구 질문

• RQ1 어느 데이터에 적응하는 L² 공간에서 평균장 방정식에서 상호작용 커널이 유일하게 식별 가능한가?
• RQ2 유한 입자 시스템과 평균장 근사 간의 커널 식별 가능성은 어떻게 다를까?
• RQ3 이차 손실 기능이 유일한 최소화자를 가지는 정확한 함수 공간(FSOI)은 무엇인가?
• RQ4 왜 이 역문제에 정규화가 필수적인가? 그리고 L² 노름의 선택이 추정기 정확도에 어떻게 영향을 미치는가?
• RQ5 적분 연산자로부터 유도된 데이터 적응형 RKHS는 표준 사전 선택 커널에 비해 정규화를 어떻게 향상시키는가?

주요 결과

• 식별 가능성의 함수 공간은 역적분 연산자와 관련된 RKHS의 닫힘으로서, 이는 연산자의 제곱근의 이미지임.
• 식별 가능성은 L² 공간에서만 해당 연산자가 엄격히 양의일 때 성립하며, 이는 평균장 근사에서 실패하여 역문제가 악조건이 됨.
• 역문제가 역연산자의 컴act성으로 인해 악조건이므로 정규화가 필수적임.
• SVD 분석을 통해 가중치가 부여된 L² 공간이 무게 없음 L² 공간보다 더 정확한 정규화된 추정기를 제공함.
• 제안된 데이터 적응형 RKHS는 표준 커널 기반 정규화와 다름을 보이며, 데이터 기반 적분 연산자로부터 유도되어 향상된 정규화 전략을 가능하게 함.
• 반경대칭 커널의 경우, 예제 4.4에서 메르서 커널과 관련된 RKHS를 명시적으로 계산함으로써 식별 가능성 분석을 검증함.