⚡ electrical engineering

Deep Koopman Learning using Noisy Data

Este artículo propone un marco de aprendizaje de Koopman profundo que, mediante la caracterización y mitigación del ruido de medición en las funciones observables, permite aproximar la evolución de sistemas dinámicos con datos ruidosos bajo la única condición de que el ruido sea acotado, superando a métodos existentes en benchmarks estándar.

Autores originales: Wenjian Hao, Devesh Upadhyay, Shaoshuai Mou

Publicado 2026-03-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Wenjian Hao, Devesh Upadhyay, Shaoshuai Mou

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este paper es como una receta de cocina para predecir el futuro de un sistema caótico, incluso cuando los ingredientes que usamos para medirlo están un poco "sucios" o distorsionados.

Aquí tienes la explicación de "Deep Koopman Learning using Noisy Data" (Aprendizaje Profundo de Koopman con Datos Ruidosos) en un lenguaje sencillo, usando analogías de la vida cotidiana.

🌪️ El Problema: Intentar ver a través de una ventana sucia

Imagina que eres un meteorólogo intentando predecir el clima. Tienes un modelo matemático muy complejo (una tormenta real) que quieres entender. Pero, hay un problema: tus instrumentos de medición (los termómetros y barómetros) están sucios.

La realidad: El clima cambia de forma no lineal y caótica (como un remolino).
El ruido: Tus sensores tienen "ruido". A veces marcan 20°C cuando en realidad son 18°C, o 22°C. Esos errores son como manchas de grasa en la ventana a través de la cual miras el mundo.

Si intentas aprender las reglas del clima usando solo esos datos sucios, tu modelo aprenderá las manchas de grasa en lugar de la tormenta real. En el mundo de la ingeniería y la robótica, esto es un desastre: si un dron o un coche autónomo aprende con datos "sucios", podría chocar.

🪄 La Solución Mágica: El "Ascensor" de Koopman

Para entender sistemas complejos (como un dron volando), los científicos usan una técnica llamada Operador de Koopman.

La Analogía del Ascensor:
Imagina que el sistema real (el dron) está en el piso 1 de un edificio. En este piso, el movimiento es un laberinto de giros y curvas imposibles de predecir.
La teoría de Koopman dice: "¿Y si subimos a un ascensor al piso 100?".
En el piso 100 (un espacio de mayor dimensión), el movimiento del dron deja de ser un laberinto y se convierte en una línea recta perfecta. ¡Es mucho más fácil predecir!

El problema es que, para subir al piso 100, necesitamos un "traductor" (una función matemática) que nos diga cómo pasar del piso 1 al 100. Aquí es donde entra la Inteligencia Artificial (Redes Neuronales): actúa como ese traductor súper inteligente que aprende a subir al piso 100.

🛠️ La Innovación del Paper: Limpiar el Ascensor

Hasta ahora, si los datos que usabas para subir al piso 100 estaban sucios (ruidosos), el "traductor" (la IA) se confundía y te llevaba a un piso 100 falso. El modelo aprendía las manchas de grasa en lugar de la línea recta.

Los autores de este paper (Wenjian Hao y su equipo) han creado un nuevo método llamado DKND (Deep Koopman Learning with Noisy Data).

¿Cómo funciona su truco?

No necesitan datos perfectos: Solo necesitan que el "ruido" (la suciedad) tenga un límite. Es decir, no importa si el sensor falla, siempre y cuando no diga que hace 1000°C cuando hace 20°C. Si el error es "razonablemente pequeño", el método funciona.
El "Doble Espejo": Imagina que tienes dos espejos.
- Uno refleja el mundo real (que no conoces).
- El otro refleja el mundo sucio (lo que tus sensores te dicen).
- El método de los autores compara constantemente lo que debería pasar en el mundo real con lo que sucede en el mundo sucio.
Ajuste Fino: La IA (el traductor) se ajusta constantemente. Si nota que el "espejo sucio" está distorsionando la línea recta del piso 100, la IA cambia sus parámetros internos para cancelar esa distorsión. Es como si el traductor aprendiera a "ignorar" las manchas de grasa en la ventana para ver la línea recta real.

🏆 ¿Por qué es mejor que lo anterior?

En el pasado, los científicos intentaban limpiar los datos antes de usarlos (como intentar fregar la ventana antes de mirar). Pero a veces es imposible saber qué es ruido y qué es una señal real.

Este nuevo método es como aprender a mirar a través de la ventana sucia sin limpiarla. La IA aprende a filtrar el ruido mientras aprende las reglas del juego.

Los resultados:
Los autores probaron esto en:

Un péndulo (un "cartpole" que se balancea).
Un módulo lunar (como el de los videojuegos).
Un barco no tripulado en el agua.

En todos los casos, incluso con datos muy ruidosos (como si alguien estuviera gritando sobre el micrófono mientras intentas escuchar una canción), su método logró predecir el futuro del sistema mucho mejor que los métodos antiguos.

📝 En Resumen

Este paper nos dice: "No necesitas datos perfectos para predecir el futuro de sistemas complejos. Si el error de tus sensores no es infinito, podemos usar una Inteligencia Artificial inteligente para 'traducir' esos datos sucios a un lenguaje simple y predecible, corrigiendo los errores sobre la marcha."

Es como tener un copiloto automático que sabe conducir perfectamente, incluso si el parabrisas está lleno de lluvia y barro, porque ha aprendido a ver la carretera a través del caos. 🚗💨🌧️

1. Planteamiento del Problema

El artículo aborda el desafío de modelar y controlar sistemas dinámicos no lineales complejos utilizando datos de entrada-salida que están contaminados por ruido de medición.

Contexto: Los métodos basados en el operador de Koopman permiten transformar sistemas no lineales en sistemas lineales en un espacio de dimensión superior (espacio "levantado" o lifted). Sin embargo, la mayoría de los métodos existentes (como DKO - Deep Koopman Operator) asumen datos limpios o no gestionan adecuadamente el ruido.
El Problema: En aplicaciones del mundo real, las mediciones de estado $y(t)$ son ruidosas ( $y(t) = x(t) + w(t)$ ). Al aplicar transformaciones no lineales (mediante redes neuronales profundas) para "levantar" el estado, el ruido se distorsiona y sus correlaciones cambian, lo que puede sesgar gravemente la estimación del operador lineal y degradar el rendimiento del controlador.
Objetivo: Desarrollar un marco de aprendizaje de datos que aproxime la evolución del estado de un sistema dinámico bajo la presencia de ruido de medición desconocido pero acotado, sin requerir la medición directa de los estados limpios ni de las funciones de observables.

2. Metodología Propuesta

Los autores proponen un marco llamado DKND (Deep Koopman Learning with Noisy Data). La metodología se basa en modificar la formulación de pérdida estándar para mitigar el efecto del ruido.

A. Representación del Sistema

El sistema se modela como:
$x(t+1) = f(x(t), u(t))$
$y(t) = x(t) + w(t)$
Donde $w(t)$ es el ruido acotado ( $\|w(t)\| \leq w_{max}$ ).

B. Formulación de la Función de Pérdida

En lugar de minimizar directamente el error de predicción sobre estados reales (que son desconocidos), los autores derivan un límite superior para el error de estimación.

Descomposición del Error: Se introduce una función de pérdida compuesta por dos términos principales (Ecuación 14):
- Término 1: El error de reconstrucción en el espacio levantado y original utilizando los datos ruidosos ( $y_t$ ).
- Término 2: La discrepancia entre el modelo entrenado con datos limpios (teórico) y el modelo entrenado con datos ruidosos.
Caracterización del Ruido: El núcleo de la innovación es la Ecuación (21). Los autores demuestran teóricamente que, si el ruido es acotado y la función de observación $g(\cdot, \theta)$ es Lipschitz continua, se puede minimizar una función de pérdida $\hat{L}_{f,2}(\theta)$ que cuantifica el impacto máximo del ruido en la diferencia de modelos.
- Esta función de pérdida depende de las matrices de datos levantados ( $G, \bar{G}$ ) y sus pseudo-inversas, permitiendo ajustar los parámetros de la red neuronal ( $\theta$ ) para hacer el modelo robusto al ruido.

C. Algoritmo (DKND)

El algoritmo sigue un proceso iterativo:

Inicialización: Se define una arquitectura de Red Neuronal Profunda (DNN) $g(\cdot, \theta)$ y se inicializan los parámetros.
Cálculo de Matrices: En cada iteración $k$ , se calculan las matrices constantes $A_k^*, B_k^*, C_k^*$ utilizando la pseudo-inversa de Moore-Penrose sobre los datos actuales.
Actualización de Parámetros: Se actualizan los parámetros $\theta$ de la red neuronal mediante descenso de gradiente para minimizar la función de pérdida total (Ecuación 22), que combina el error de ajuste y el término de robustez al ruido.
Convergencia: El proceso se repite hasta alcanzar una precisión terminal.

3. Contribuciones Clave

Marco de Aprendizaje Robusto: Propone el primer marco de aprendizaje profundo de Koopman diseñado específicamente para datos con ruido de medición acotado, sin necesidad de conocer la distribución exacta del ruido.
Mitigación Activa del Ruido: A diferencia de métodos pasivos, DKND caracteriza explícitamente cómo el ruido afecta a las funciones de observables y ajusta los parámetros de la DNN ( $\theta$ ) para minimizar esta distorsión.
Teorema de Optimización: Presentan un teorema (Teorema 1) que garantiza que minimizar una función de pérdida derivada (basada en límites de ruido) conduce a una representación de Koopman profunda (DKR) robusta.
Implementación Práctica: El método es fácil de implementar, requiriendo solo la modificación de la función de pérdida estándar y el uso de pseudo-inversas, sin necesidad de estructuras de control complejas adicionales.

4. Resultados Experimentales

Los autores evaluaron DKND en cuatro escenarios de referencia:

Dinámica lineal 2D simple.
Péndulo invertido (Cartpole).
Aterrizador lunar (Lunar Lander).
Vehículo de superficie no tripulado (USV).

Configuración:

Se probaron tres tipos de ruido: Gaussiano, Poisson y Uniforme.
Se comparó contra tres métodos base:
- DK: Deep Koopman estándar (sin manejo de ruido).
- MLP: Perceptrón Multicapa estándar.
- DMDTLS: Descomposición de Modos Dinámicos con Mínimos Cuadrados Totales.

Hallazgos Principales:

Precisión Superior: DKND obtuvo consistentemente la menor Desviación Cuadrática Media (RMSD) en datos de prueba en comparación con todos los métodos base, especialmente bajo ruido uniforme y Poisson.
Robustez: Mientras que DMDTLS y DK mostraron errores significativos (a veces órdenes de magnitud mayores) bajo ruido intenso, DKND mantuvo un rendimiento estable.
Generalización: El método funcionó bien tanto en sistemas lineales simples como en sistemas no lineales complejos y de alta dimensión (como el aterrizador lunar).
Estabilidad: Los resultados mostraron una baja varianza (desviación estándar) a través de 10 ensayos experimentales, indicando que el método no es sensible a la inicialización aleatoria de la red.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

Viabilidad en el Mundo Real: Cierra la brecha entre la teoría del operador de Koopman (que a menudo asume datos ideales) y las aplicaciones prácticas donde el ruido es inevitable. Esto es crucial para el control de robots, vehículos autónomos y sistemas aeroespaciales.
Eficiencia Computacional: Ofrece una alternativa computacionalmente viable a métodos de optimización min-max más complejos propuestos en la literatura reciente para el mismo problema.
Fundamento para Control: Al proporcionar modelos dinámicos precisos y robustos a partir de datos ruidosos, habilita el diseño de estrategias de control óptimo basadas en modelos (MPC, etc.) que son más fiables en entornos reales.

Limitaciones y Futuro:
El método asume que el ruido es acotado, pero no investiga formalmente cómo el tamaño exacto de este límite afecta el rendimiento. Además, debido a la naturaleza no convexa de las DNN, el método converge a mínimos locales. El trabajo futuro se dirige hacia el diseño de estrategias de control óptimo basadas en estos modelos aprendidos.