A Unified Algebraic Framework for Subspace Pruning in Koopman Operator Approximation via Principal Vectors

A continuación presento un resumen técnico detallado del artículo "A Unified Algebraic Framework for Subspace Pruning in Koopman Operator Approximation via Principal Vectors", estructurado según los puntos solicitados.

1. Problema Abordado

La aproximación de dimensión finita del Operador de Koopman es fundamental para aplicar técnicas espectrales lineales a sistemas dinámicos no lineales. Sin embargo, los métodos estándar basados en datos (como la Descomposición Modal Dinámica Extendida o EDMD) a menudo fallan en proporcionar predicciones robustas a largo plazo.

El problema central radica en que estos métodos minimizan solo el error residual de un paso, sin garantizar que el subespacio de funciones elegido sea invariante bajo el operador de Koopman. Si el subespacio no es invariante, la proyección descarta componentes de la dinámica, introduciendo errores de truncamiento y funciones propias espurias que degradan la precisión espectral y predictiva.

El objetivo es encontrar un subespacio de dimensión máxima dentro de un diccionario inicial de funciones candidato que sea "casi invariante" (es decir, que minimice la desviación de la invariancia) bajo una tolerancia de error predefinida. Resolver esto mediante una búsqueda exhaustiva es computacionalmente intratable debido a la explosión combinatoria de subespacios posibles.

2. Metodología Propuesta

Los autores proponen un marco algebraico unificado basado en la geometría de ángulos y vectores principales para realizar la poda (pruning) sistemática de subespacios.

A. Marco Geométrico y de Proximidad de Invariancia

• Proximidad de Invariancia ($\delta(S)$): Se define como el seno del ángulo principal máximo ($\theta_{max}$) entre un subespacio $S$ y su imagen bajo el operador de Koopman $KS$. Un valor de $\delta(S) = 0$ indica invariancia perfecta. Se demuestra teóricamente que minimizar $\delta(S)$ minimiza directamente el error relativo de predicción peor caso del modelo EDMD.
• Cálculo en Entornos de Datos: Se establece una isomorfía entre el espacio de funciones y espacios euclídeos finitos mediante medidas de datos empíricos ($L^2(\mu_X)$), permitiendo calcular ángulos y vectores principales utilizando la Descomposición en Valores Singulares (SVD) de matrices de datos.

B. Estrategia de Poda: Single-Principal-Vector (SPV)

Se introduce un algoritmo iterativo (Algoritmo 1) que opera bajo el principio del "peor infractor":

1. Calcula los ángulos y vectores principales entre el subespacio actual $S$ y su imagen $KS$.
2. Identifica el vector principal $u_{max} \in S$ asociado al ángulo principal más grande (la dirección donde la dinámica "se filtra" más del subespacio).
3. Elimina (poda) este vector del subespacio, proyectando el espacio restante sobre su complemento ortogonal.
4. Repite el proceso hasta que el ángulo máximo caiga por debajo de la tolerancia $\epsilon$.

C. Equivalencia Algebraica

El paper demuestra una equivalencia algebraica rigurosa entre la estrategia de poda SPV propuesta y el algoritmo existente RFB-EDMD (Recursive Forward-Backward EDMD).

• Se prueba que los autovalores de la matriz de consistencia utilizada en RFB-EDMD son exactamente los cuadrados de los senos de los ángulos principales.
• Por lo tanto, eliminar el vector propio correspondiente al mayor autovalor en RFB-EDMD es matemáticamente idéntico a eliminar el vector principal del mayor ángulo en SPV.
• La ventaja de SPV es su generalidad: no depende de la estructura específica de la matriz de consistencia, sino de la noción geométrica de ángulos principales, lo que permite su aplicación a espacios de funciones e inner products más generales.

D. Optimización Computacional: Actualizaciones de Rango Uno

El cálculo directo de ángulos principales en cada iteración requiere una SVD completa, con un costo $O(s^3)$, lo cual es prohibitivo para diccionarios grandes. Para resolver esto, los autores desarrollan un esquema de actualización eficiente:

• Actualización de Autovalores: Utilizan la teoría de modificaciones de rango simétrico (rank-one updates) para actualizar los ángulos principales tras eliminar una dirección. Esto reduce la complejidad a $O(s^2)$ por iteración, aprovechando rutinas de LAPACK (DLAED9).
• Actualización Incremental de QR: Para mantener la base ortogonal del espacio de imagen $KS$ sin recalcular la descomposición QR sobre todos los datos ($O(Ns^2)$), proponen actualizar los factores $Q$ y $R$ de la descomposición QR existente mediante transformaciones en la matriz triangular pequeña $R$. Esto reduce drásticamente el costo en escenarios donde el número de datos $N$ es mucho mayor que el tamaño del diccionario $s$.

3. Contribuciones Clave

1. Formulación Explícita en $L^2$: Detallan la formulación explícita para calcular ángulos y vectores principales en el contexto de datos empíricos, traduciendo el marco geométrico abstracto a una herramienta práctica basada en datos.
2. Algoritmo SPV y Unificación: Introducen la estrategia de poda SPV y demuestran su equivalencia con RFB-EDMD, unificando enfoques basados en consistencia con una perspectiva geométrica más general.
3. Eficiencia Computacional: Desarrollan un esquema numérico innovador basado en actualizaciones de rango uno y descomposiciones QR incrementales. Esto reduce la complejidad computacional de recalcular los ángulos principales en un orden de magnitud, haciendo viable la poda iterativa para diccionarios grandes.

4. Resultados Numéricos

Las simulaciones se realizaron en el oscilador de Duffing amortiguado (un sistema no lineal con equilibrios estables e inestables) utilizando 50,000 puntos de datos.

• Rendimiento Computacional: Se comparó el enfoque de actualización de rango uno (Algoritmo 2) contra un enfoque ingenuo de recálculo completo.
  • Para un diccionario de tamaño $s=403$, el tiempo de ejecución se redujo de 134.6 segundos (ingenuo) a 6.4 segundos (actualización de rango uno), una mejora de más de 20 veces.
  • La ventaja se mantiene y escala favorablemente a medida que aumenta el tamaño del diccionario.
• Calidad de la Aproximación: Al aplicar la poda SPV a un diccionario inicial de 503 funciones (RBFs y polinomios) reduciéndolo a 15 funciones, se obtuvo una función propia de Koopman no trivial (asociada al autovalor más cercano a 1) significativamente más suave.
• Visualización: La función propia podada logró una separación clara de las cuencas de atracción de los dos equilibrios estables del sistema, demostrando que la poda mejora la calidad de la representación lineal y la capacidad de reconstrucción del estado.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Fundamento Teórico Unificado: Proporciona una comprensión geométrica profunda de por qué y cómo funcionan los algoritmos de poda de subespacios, unificando métodos anteriores bajo el concepto de ángulos principales.
• Escalabilidad Práctica: La introducción de actualizaciones de rango uno y QR incremental resuelve el cuello de botella computacional que limitaba la aplicación de métodos de poda rigurosos a problemas de gran escala con grandes diccionarios y conjuntos de datos masivos.
• Generalidad: Al basarse en la geometría de espacios de Hilbert y no solo en estructuras matriciales específicas, el marco SPV es aplicable a una clase más amplia de espacios de funciones y productos internos, abriendo la puerta a futuras generalizaciones más allá del producto interno $L^2$ estándar.
• Mejora de Predicciones: Demuestra que la poda sistemática de direcciones "fugas" (leaky directions) mejora sustancialmente la fidelidad a largo plazo de los modelos de Koopman, un requisito crítico para el control y la predicción en sistemas no lineales complejos.