[论文解读] Identifiability of interaction kernels in mean-field equations of interacting particles

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

Numerical methods in inverse problems参考文献 29被引用 4

一句话总结

本文通过分析基于数据自适应的L²空间（以数据依赖测度或勒贝格测度加权）的方法，对平均场方程中相互作用核的可识别性进行了完整表征。证明了可识别性函数空间（FSOI）是与逆积分算子相关的再生核希尔伯特空间（RKHS）的闭包，并表明由于问题的不适定性，正则化至关重要，且通过Tikhonov正则化，加权L²空间可产生更优的估计器。

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.

研究动机与目标

• 通过数据自适应L²空间表征平均场方程中相互作用核的可识别性函数空间（FSOI）。
• 确定在何种条件下，二次损失泛函在这些空间中具有唯一最小化器。
• 阐明有限粒子系统与平均场极限之间可识别性的关键差异。
• 为平均场粒子系统中出现的反问题提供正则化的理论基础。
• 展示在数值估计中，数据加权L²范数相较于未加权范数的优越性。

提出的方法

• 将反问题表述为在数据自适应L²空间中最小化概率损失泛函。
• 定义两种L²空间：一种以数据自适应探索测度加权，另一种使用勒贝格测度。
• 通过损失泛函的二阶导数定义一个半正定积分算子，该算子作为反演算子。
• 将FSOI识别为该积分算子非零特征值对应特征空间的闭包。
• 应用RKHS的算子表征方法，将可识别性与该积分算子平方根的像空间联系起来。
• 通过奇异值分解（SVD）与Tikhonov正则化，比较加权与未加权L²范数在数值实验中的性能。

实验结果

研究问题

• RQ1 在何种数据自适应L²空间中，平均场方程中的相互作用核是唯一可识别的？
• RQ2 有限粒子系统与平均场极限之间，核的可识别性有何不同？
• RQ3 二次损失泛函具有唯一最小化器的精确函数空间（FSOI）是什么？
• RQ4 为何反问题需要正则化？L²范数的选择如何影响估计器精度？
• RQ5 从积分算子导出的数据自适应RKHS相较于标准预选核的正则化有何改进？

主要发现

• 可识别性函数空间是与反演积分算子相关的RKHS的闭包，即该算子平方根的像空间。
• 当且仅当积分算子是严格正定时，可识别性在L²中成立，而该条件在平均场极限中不成立，导致反问题不适定。
• 由于反演算子的紧致性，反问题不适定，因此必须进行正则化。
• SVD分析证实，加权L²空间产生的正则化估计器比未加权L²空间更精确。
• 所提出的基于数据驱动积分算子导出的数据自适应RKHS，与标准核基正则化不同，其可实现更优的正则化策略。
• 对于径向核，通过显式计算Mercer核及其相关RKHS，在示例4.4中验证了可识别性分析。