Diagnostic Certificates of Data Quality and Regression Identifiability for Koopman Identification

Resumen Técnico: Certificados Diagnósticos de Calidad de Datos e Identificabilidad de Regresión para la Identificación de Koopman

Enunciado del Problema
En la identificación de sistemas dinámicos no lineales utilizando el marco del operador de Koopman y la Descomposición de Modos Dinámicos Extendida con control (EDMDc), la calidad del modelo identificado depende de un objeto de regresión conjunto que comprende estados visitados, características de diccionario elevadas y entradas de control. Los criterios clásicos de excitación persistente (PE), que evalúan la riqueza de la entrada, son insuficientes en este contexto. Una señal puede ser rica en entradas mientras la trayectoria de estados permanece confinada a una región estrecha; las muestras de estados pueden parecer bien distribuidas mientras el diccionario elegido produce características elevadas degeneradas o altamente correlacionadas; y las características elevadas pueden ser individualmente no degeneradas mientras que la matriz de regresión concatenada final (características elevadas + entradas) permanece mal condicionada debido a la redundancia entre columnas.

El artículo aborda la falta de un marco estructurado para diagnosticar dónde falla la calidad de los datos en la identificación de Koopman. Plantea que la calidad de los datos es un problema multicapa que involucra la geometría del espacio de estados, la geometría de las características elevadas y la geometría del espacio de regresión, las cuales están relacionadas pero no son intercambiables.

Metodología
Los autores proponen un marco de certificados diagnósticos que separa la evaluación de la calidad de los datos en tres capas distintas, avanzando desde las propiedades de muestreo aguas arriba hasta la estabilidad de la estimación final:

1. Certificados del Espacio de Estados: Son diagnósticos indirectos que evalúan la geometría de la trayectoria recolectada.

   • Cobertura Direccional ($C_{dir}$): Mide la dispersión de las direcciones de desplazamiento de la trayectoria.
   • No-agrupamiento tipo Frostman ($C_{fr}$): Diagnostica el muestreo repetido local y el agrupamiento multiescala.
   • Isotropía de Estado ($C_{state}$): Evalúa la condición espectral de la matriz de estados estandarizada activa.

2. Certificados de Características Elevadas: Evalúan el comportamiento del diccionario sobre los datos recolectados.

   • Isotropía de Características Elevadas ($C_{lift}$): Mide el valor propio mínimo de la matriz de Gram estandarizada de características elevadas, detectando columnas constantes o altas correlaciones inducidas por la distribución específica de estados.

3. Certificados del Espacio de Regresión: Evalúan el problema final de regresión EDMDc.

   • Isotropía de Regresión ($C_{reg}$): Definida como el valor propio mínimo de la matriz concatenada estandarizada activa (características elevadas + entradas). Este es el certificado principal con garantías teóricas directas respecto a la estabilidad de la estimación.
   • Certificado Compuesto ($C_{GPE}$): Una métrica estilo cuello de botella que toma el mínimo de las capas anteriores (normalizado por umbrales) para localizar la falla principal de calidad de datos.

Marco Teórico
El artículo establece que $C_{reg}$ controla directamente el valor singular mínimo de la matriz de diseño estandarizada activa ($\sigma_{min}(\bar{\Phi})$). Bajo un diseño fijo y ruido gaussiano condicional, este certificado acota la información de Fisher y el error esperado del estimador de ridge/mínimos cuadrados. Los autores demuestran una cota inferior de población a muestra para el espectro de regresión, mostrando que un límite espectral positivo requiere tres condiciones actuando en concierto: cobertura de la distribución de estados, no degeneración del diccionario en esa región y excitación de entrada condicional relativa a las características elevadas.

Crucialmente, el artículo proporciona una condición de complemento de Schur y contraejemplos que demuestran que una geometría de estado favorable no implica una geometría elevada o de regresión favorable (por ejemplo, un conjunto de estados donde un término específico de diccionario polinómico se anula idénticamente). Por lo tanto, los diagnósticos aguas arriba no pueden sustituir la inspección directa del espectro de regresión final.

Validación Experimental
El marco se evalúa utilizando el algoritmo IGPE-DOPT, un método de muestreo impulsado por certificados que puntúa segmentos de trayectoria candidatos basándose en una mezcla ponderada de los certificados propuestos. Los experimentos se realizan en sistemas de Duffing, Van der Pol y Lorenz, comparando IGPE-DOPT contra:

• Líneas de base orientadas a la entrada (PE Adaptativa, Diseño Óptimo de Entrada).
• Líneas de base orientadas al estado (k-centro del espacio de estados, GPE-ESTADO).
• Líneas de base del espacio elevado (D-óptimo elevado).
• Líneas de base del espacio de regresión (D/E-óptimo de regresión).

Resultados Clave

1. Separación de Capas: Los experimentos confirman que las capas de certificados son distintas. Un método que optimiza la cobertura de estados (por ejemplo, STATE-KCENTER) no necesariamente optimiza el espectro de regresión, y viceversa.
2. Correspondencia Teórica: El certificado de regresión ($C_{reg}$) se correlaciona con el valor singular mínimo y la estabilidad de estimación de un paso, validando el vínculo teórico.
3. No Monotonía: El rendimiento aguas abajo (predicción de horizonte largo y control en lazo cerrado) no es monótono con respecto a ningún certificado individual. Un método con el certificado de regresión más alto no siempre produce el mejor rendimiento de control, ya que las métricas de tarea dependen del sesgo del diccionario, las regiones de operación y la controlabilidad en lazo cerrado.
4. Sensibilidad: Cambiar los pesos en la función de puntuación de IGPE-DOPT desplaza el perfil de calidad de datos (por ejemplo, priorizando la regresión sobre la cobertura de estados), pero ninguna configuración única de pesos garantiza optimalidad en todas las tareas aguas abajo.

Significado y Afirmaciones
El artículo enmarca explícitamente su contribución como un marco diagnóstico computable, interpretable y ablativo, no como una afirmación de optimalidad universal para la recolección de datos.

• Utilidad Diagnóstica: El marco sirve como un "flujo de trabajo de triaje" para que los practicantes identifiquen si un cuello de botella de calidad de datos reside en la cobertura de estados, la degeneración del diccionario o el espectro de regresión final.
• Límites Teóricos: Los autores enfatizan que sus garantías teóricas se aplican estrictamente a la estabilidad de regresión EDMDc de un paso en coordenadas estandarizadas activas. No afirman controlar el error de simulación de horizonte largo, la recuperación de subespacios invariantes de Koopman o el rendimiento de control en lazo cerrado.
• Guía Práctica: El artículo argumenta que confiar únicamente en la excitación persistente de entrada o en la cobertura de estados es insuficiente. Los practicantes deben reportar dimensiones activas, rangos activos y cantidades espectrales para la matriz de regresión concatenada para garantizar la identificabilidad.

En resumen, este trabajo reformula la adquisición de datos de Koopman de una búsqueda de "entradas ricas" a un diagnóstico estructurado de propiedades geométricas multicapa, proporcionando herramientas para localizar y reparar fallas específicas en la tubería de datos a modelo.