🔢 mathematics

Robust Sparse Identification of Nonlinear Dynamics via Least Trimmed Squares

Este artículo propone un marco robusto de SINDy llamado ILTS-SINDy que combina los Cuadrados Mínimos Truncados Iterativos para el filtrado de valores atípicos con los Cuadrados Mínimos con Umbral Secuencial para la regresión dispersa, demostrando un rendimiento superior en la identificación de la dinámica no lineal a partir de conjuntos de datos con hasta un 20% de observaciones corruptas.

Autores originales: Fabio Amaral, Geovani N. Grapiglia, Cassio M. Oishi

Publicado 2026-06-30✓ Author reviewed ⓘ

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fabio Amaral, Geovani N. Grapiglia, Cassio M. Oishi

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 por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de descubrir la receta secreta de una sopa deliciosa probándola en diferentes momentos del tiempo. Quieres anotar la lista exacta de ingredientes (las "ecuaciones gobernantes") que crean el sabor.

En el mundo de la ciencia, esto es lo que hace SINDy (Identificación Dispersa de Dinámicas No Lineales). Observa los datos de un sistema (como patrones climáticos, poblaciones de animales o la propagación de enfermedades) e intenta encontrar las reglas matemáticas simples que explican cómo cambia ese sistema con el tiempo.

Sin embargo, los datos del mundo real son desordenados. A veces el termómetro se rompe, un sensor falla o alguien accidentalmente derrama una gota de sopa en la taza medidora. En la ciencia de datos, estos se llaman valores atípicos (outliers) o ruido. Si intentas descifrar la receta usando una cucharada de sopa que tiene un trozo de vidrio, tu receta final será incorrecta.

El problema con los métodos antiguos

El artículo explica que las formas estándar de encontrar estas recetas son muy sensibles a los "datos malos".

SINDy Estándar: Intenta usar cada punto de datos, incluso los malos. Si los datos tienen ruido, las matemáticas se confunden e inventan ingredientes falsos (como "polvo mágico") que en realidad no existen.
Otros métodos "robustos": Algunos métodos más nuevos intentan solucionar esto promediando muchos de sus conjetras diferentes o intentando eliminar los datos malos mientras están calculando la receta. Los autores argumentan que estos métodos son demasiado lentos, demasiado complicados o que todavía se confunden porque están intentando hacer dos cosas difíciles a la vez.

La nueva solución: ILTS-SINDy

Los autores proponen un nuevo proceso de dos pasos llamado ILTS-SINDy. Lo describen como un enfoque de "filtrar y luego dispersar" (filter-then-sparsify). Piensa en esto como un proceso de cocina de dos etapas:

Etapa 1: El "Colador Inteligente" (ILTS)

Antes de siquiera empezar a escribir la receta, necesitas limpiar tus ingredientes.

La analogía: Imagina que tienes un cubo de agua con algunas piedras y hojas dentro. En lugar de intentar beber el agua mientras las piedras todavía están en ella, la pasas por un colador inteligente.
Cómo funciona: El método utiliza un algoritmo llamado Mínimos Cuadrados de Recorte Iterativo (ILTS). Observa todos los puntos de datos y pregunta: "¿Cuáles encajan mejor con el patrón?". Mantiene los puntos de datos "buenos" (el agua clara) y desecha los "malos" (las piedras y las hojas) que no tienen sentido. Hace esto repetidamente hasta que está seguro de que solo le queda la información más limpia y confiable.
El resultado: Ahora tienes un conjunto de datos limpio, libre de glitches extraños o valores atípicos.

Etapa 2: El "Chef Minimalista" (STLS)

Ahora que tienes ingredientes limpios, puedes descifrar la receta.

La analogía: Un chef minimalista quiere usar la menor cantidad de ingredientes posible para que la sopa sepa bien. No quiere añadir sal, pimienta, ajo y albahaca si solo se necesita sal y pimienta.
Cómo funciona: El método utiliza Mínimos Cuadrados de Umbral Secuencial (STLS). Observa los datos limpios e intenta encontrar la ecuación matemática más simple que se ajuste a ellos. Comienza considerando todos los ingredientes posibles, luego elimina sistemáticamente los que no son necesarios hasta que solo quedan las reglas esenciales y "dispersas" (simples).

Por qué esto es importante

Los autores probaron este nuevo método en tres "recetas de sopa" famosas (modelos matemáticos para la propagación de enfermedades, clima caótico y poblaciones de depredador-presa) e introdujeron intencionalmente "ingredientes podridos" (valores atípicos) en los datos para ver qué tan bien podían manejarlo los métodos.

Los resultados:
- SINDy Estándar falló estrepitosamente cuando los datos estaban sucios. No pudo encontrar la receta correcta.
- Otros métodos robustos lo hicieron aceptablemente, pero todavía tuvieron dificultades cuando los datos eran muy desordenados.
- ILTS-SINDy fue el campeón. Incluso cuando hasta el 20% de los datos estaban corrompidos (lo que significa que 1 de cada 5 puntos de datos era una mentira o un error), ILTS-SINDy pudo encontrar la receta matemática exacta y correcta.

La conclusión

El artículo afirma que, al separar la tarea de limpiar los datos de la tarea de encontrar las reglas, el nuevo método es mucho mejor para ignorar el ruido y encontrar las verdaderas leyes de la naturaleza. Es como tener un chef que se niega a probar un plato hasta que la cocina esté impecable, asegurando que la receta final sea perfecta.

Resumen Técnico: Identificación de la Dinámica No Lineal mediante Mínimos Cuadrados de Trimado Iterativo Robusto

Planteamiento del Problema
El marco de Identificación Esparsa de la Dinámica No Lineal (SINDy) es un destacado método basado en datos para el descubrimiento de ecuaciones diferenciales gobernantes a partir de datos observacionales. Sin embargo, las implementaciones estándar de SINDy son altamente sensibles al ruido de medición y, críticamente, a los valores atípicos (outliers). Dado que SINDy se basa en aproximaciones de diferencias finitas de derivadas temporales, los puntos de datos corrompidos pueden distorsionar severamente las estimaciones de las derivadas, lo que conduce a problemas de regresión sesgados y a la identificación de términos espurios en el modelo. Si bien se han propuesto variantes robustas existentes —como el SINDy de Trimado (Trimmed SINDy), el SINDy Débil (WSINDy) y el SINDy de Ensamble (E-SINDy)—, estas enfrentan limitaciones. Los enfoques de trimado suelen acoplar la detección de valores atípicos con la regresión esparsa en una única optimización no convexa, lo que puede resultar en la falla al excluir completamente las muestras corrompidas. WSINDy reduce la sensibilidad al ruido, pero introduce complejidad en la selección de funciones de prueba y dominios de integración. E-SINDy mejora la estabilidad mediante el remuestreo, pero puede ser computacionalmente costoso y aún puede heredar sesgos de las submuestras corrompidas.

Metodología: El Flujo de Trabajo ILTS-SINDy
Los autores proponen ILTS-SINDy, un flujo de trabajo de identificación robusta que desacopla el filtrado de valores atípicos de la regresión esparsa en dos etapas secuenciales. Esta estrategia de "filtrar-luego-esparcir" contrasta con los métodos que realizan estas tareas de forma conjunta.

Etapa 1: Filtrado de Mínimos Cuadrados de Trimado Iterativo (ILTS)
La primera etapa aborda la contaminación de los datos identificando y eliminando los valores atípicos antes del ajuste del modelo. El método emplea el algoritmo de Mínimos Cuadrados de Trimado Iterativo (ILTS).
- Mecanismo: El ILTS minimiza iterativamente la suma de los residuos al cuadrado más pequeños. Alterna entre la estimación de los coeficientes de regresión en un subconjunto de datos y la actualización de este subconjunto para retener solo los $p$ puntos de observación con los residuos más pequeños.
- Resultado: Este proceso se concentra progresivamente en los puntos de datos más consistentes, mitigando eficazmente la influencia de los valores atípicos sin requerir conocimiento previo de su ubicación. El resultado es un conjunto de datos "limpio" (una matriz reducida $\hat{A}$ y un vector $\hat{b}$ ) que contiene solo los valores representativos (inliers) estimados.
- Selección de Parámetros: El número de valores representativos $p$ se establece en función de la fracción conocida de valores atípicos $q$ . Los autores señalan que, debido al uso de diferencias finitas centrales, un solo valor atípico puede contaminar hasta tres estimaciones de la derivada (el punto mismo y sus vecinos). Por consiguiente, establecen $p = (m+1) - \lfloor 3q(m+1) \rfloor$ .
Etapa 2: Mínimos Cuadrados de Umbral Secuencial (STLS)
La segunda etapa realiza la identificación de modelos esparsos sobre el conjunto de datos limpio.
- Mecanismo: Se aplica el STLS estándar a los datos filtrados. Resuelve un problema de mínimos cuadrados utilizando la biblioteca de candidatos completa y aplica umbrales iterativamente para forzar la escasez (sparsity) de los coeficientes pequeños hacia cero. La regresión se vuelve a resolver utilizando solo los términos activos restantes hasta la convergencia.
- Resultado: Esto produce una representación parsimoniosa de las ecuaciones gobernantes ( $\dot{x}_i(t) = \sum \alpha_{i,j} \theta_j(x(t))$ ) que es robusta a la corrupción inicial de los datos.

Contribuciones Clave

Marco Desacoplado: La contribución principal es la separación estructural de la detección de valores atípicos (vía ILTS) y la regresión esparsa (vía STLS). Esto evita los compromisos inherentes a los enfoques de optimización conjunta donde las muestras corrompidas podrían clasificarse erróneamente como valores representativos durante la fase de estimación esparsa.
Robustez ante Corrupción Severa: El método está diseñado para manejar conjuntos de datos con una contaminación significativa por valores atípicos (hasta un 20% en los experimentos) manteniendo la capacidad de recuperar las verdaderas ecuaciones gobernantes.
Integración Algorítmica: El artículo formaliza la integración de ILTS (Algoritmo 2) y STLS (Algoritmo 1) en un flujo de trabajo unificado (Algoritmo 3) específicamente para aplicaciones de SINDy.

Resultados Numéricos
Los autores evaluaron ILTS-SINDy frente al SINDy estándar (con STLS) y E-SINDy utilizando conjuntos de datos sintéticos de tres sistemas dinámicos de referencia: el modelo SIR, el sistema de Lorenz y el sistema de Lotka–Volterra. Los experimentos involucraron niveles variables de ruido Gaussiano aditivo y porcentajes de valores atípicos ( $q$ ) que oscilaron entre el 2.5% y el 20%.

Precisión de Recuperación de Soporte: ILTS-SINDy alcanzó consistentemente la mayor precisión media en la recuperación de soporte en todos los sistemas y condiciones. Mientras que el rendimiento del SINDy estándar se degradó significativamente con el aumento de la corrupción, y E-SINDy mostró una robustez moderada, ILTS-SINDy mantuvo valores de precisión cercanos a 1.0 incluso bajo una contaminación severa.
Tasa de Recuperación Exacta: Una métrica crítica fue la recuperación exacta del verdadero patrón de escasez (el conjunto correcto de términos activos). El SINDY estándar falló en lograr la recuperación exacta en la mayoría de los escenarios corruptos. E-SINDy mostró una alta precisión de soporte pero bajas tasas de recuperación exacta, lo que sugiere que a menudo reconstruía las trayectorias correctamente pero identificaba la estructura del modelo errónea. En contraste, ILTS-SINDy demostró tasas de recuperación exacta superiores, manteniendo una recuperación casi perfecta para el sistema SIR y un fuerte desempeño para Lorenz y Lotka–Volterra incluso con altos niveles de valores atípicos.

Significancia y Reivindicaciones
El artículo afirma que ILTS-SINDy ofrece una mejora significativa sobre las variantes robustas de SINDy existentes, particularmente en regímenes de fuerte contaminación de datos. Al filtrar los valores atípicos antes de la regresión esparsa, el método produce un problema de regresión más limpio, lo que conduce a una identificación más fiable de las ecuaciones gobernantes subyacentes. Los autores sostienen que este enfoque no solo mejora la precisión predictiva sino que, lo más importante, asegura el descubrimiento estructural correcto del sistema dinámico.

El trabajo es modesto en cuanto a su alcance actual, señalando que asume el conocimiento exacto del porcentaje de valores atípicos $q$ para determinar el número de valores representativos $p$ . Como trabajo futuro, se identifica la incorporación de un procedimiento adaptativo para estimar $q$ de forma basada en datos, la extensión del marco a SINDy con control (entradas externas) y la validación del enfoque en conjuntos de datos del mundo real. El artículo no pretende una aplicabilidad universal a todos los sistemas dinámicos sin validación adicional, sino que destaca su eficacia en los entornos sintéticos probados.