On the Sharp Input-Output Analysis of Nonlinear Systems under Adversarial Attacks

तकनीकी सारांश: प्रतिकूल हमलों के तहत गैररेखीय प्रणालियों का तीक्ष्ण इनपुट-आउटपुट विश्लेषण

समस्या का निरूपण
यह शोध पत्र प्रतिकूल गड़बड़ियों (adversarial disturbances) की उपस्थिति में सामान्य गैररेखीय गतिशील प्रणालियों (nonlinear dynamical systems) के इनपुट-आउटपुट मैपिंग को पहचानने की चुनौती को संबोधित करता है। प्रणाली को एक आंशिक रूप से प्रेक्षित गैररेखीय गतिशील प्रणाली के रूप में मॉडल किया गया है:
$$x_{t+1} = f(x_t, u_t, w_t), \quad y_t = g(x_t, u_t)$$
जहाँ $x_t$ अवस्था (state) है, $u_t$ नियंत्रण इनपुट है, $w_t$ एक प्रतिकूल गड़बड़ी है, और $y_t$ प्रेक्षण (observation) है। मौजूदा साहित्य के विपरीत, जो मुख्य रूप से गाऊसी (Gaussian) इनपुट, स्वतंत्र और समान रूप से वितरित (i.i.d.) गड़बड़ियों, या शून्य-माध्य (zero-mean) शोर को मानता है, यह कार्य एक काफी व्यापक परिवेश पर विचार करता है:

1. गैर-गाऊसी, गैर-शून्य माध्य इनपुट: नियंत्रण इनपुट गाऊसी वितरण या शून्य माध्य तक सीमित नहीं हैं।
2. सहसंबंधित, गैर-शून्य माध्य प्रतिकूल गड़बड़ियाँ: गड़बड़ी $w_t$ प्रणाली के पूर्ण सूचना इतिहास के साथ सहसंबंधित हो सकती है और इसका माध्य गैर-शून्य हो सकता है।
3. आंशिक दृश्यता (Partial Observability): शिक्षार्थी केवल $y_t$ को देखता है, पूर्ण अवस्था $x_t$ को नहीं।

प्राथमिक उद्देश्य मैट्रिक्स $G^*$ को सीखना है जो इनपुट इतिहास $(u_t, \dots, u_{t-\tau})$ से प्रेक्षण $y_t$ तक के मैपिंग को नियंत्रित करता है, इन सामान्यीकृत गड़बड़ियों के बावजूद।

कार्यप्रणाली
लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो परिमित-स्मृति सन्निकटन (finite-memory approximation) का उपयोग करके गैररेखीय प्रणाली पहचान समस्या को एक रैखिक पैरामीटराइज्ड अनुमान समस्या में पुनर्गठित करता है।

1. आधार फलनों (Basis Functions) के माध्यम से रैखिक पैरामीटरीकरण: स्टोन-वेइरस्ट्रॉस प्रमेय (Stone-Weierstrass theorem) और सार्वभौमिक सन्निकटन गुणों का लाभ उठाते हुए, गैररेखीय इनपुट-आउटपुट व्यवहार को इनपुट इतिहास पर लागू आधार फलनों $\Phi(\cdot)$ के एक रैखिक संयोजन के रूप में अनुमानित किया जाता है:
   $$y_t \approx G^* \cdot \Phi(u_t, \dots, u_{t-\tau}) + \text{अवशेष (residuals)}$$
   अवशेषों में सन्निकटन त्रुटियां, "दूर" के अतीत की अवस्थाओं के प्रभाव, और मेमोरी विंडो के दौरान गड़बड़ियों का संचयी प्रभाव शामिल है।

2. संभाव्य प्रतिकूल हमला मॉडल: शोध पत्र एक विशिष्ट बाधा पेश करता है जो विरोधी (adversary) पर लागू होती है। जबकि विरोधी हमले के समय पूर्ण सूचना इतिहास $\sigma\{x_0, \dots, x_t\}$ का उपयोग करके $w_t$ को डिजाइन कर सकता है, हमलों को विरल (sparse) माना जाता है। विशेष रूप से, किसी भी समय $t$ पर, एक हमला होने की संभावना $p$ है, जहाँ $p < \frac{1}{2\tau}$ है। इसका तात्पर्य यह है कि उच्च संभावना के साथ, प्रणाली बिना हमलों के $\tau$ निरंतर समय चरणों का अनुभव करती है, जिससे "स्वच्छ" इनपुट-आउटपुट गतिकी को देखा जा सकता है।

3. $\ell_2$-नॉर्म अनुमानक: लेखक $G^*$ का अनुमान लगाने के लिए $\ell_2$-नॉर्म न्यूनीकरण (लीस्ट स्क्वायर्स) अनुमानक का प्रस्ताव करते हैं:
   $$\hat{G}_T = \arg \min_{G} \sum_{t=\tau}^{T-1} \| y_t - G \cdot \Phi(U^{(\tau)}_t) \|_2^2$$
   विश्लेषण यह प्रदर्शित करता है कि बड़े-परिमाण, गैर-शून्य माध्य वाले प्रतिकूल हमलों के बावजूद, यदि हमला प्रायिकता (attack probability) विरलता की शर्त को पूरा करती है, तो $\ell_2$-नॉर्म अनुमानक सफलतापूर्वक $G^*$ को पुनः प्राप्त कर सकता है।

प्रमुख योगदान और परिणाम

• सामान्यीकृत धारणाएं: यह कार्य प्रणाली पहचान सिद्धांत को रैखिक प्रणालियों और मानक शोर धारणाओं (गाऊसी, शून्य-माध्य, i.i.d.) से आगे बढ़ाकर गैर-गाऊसी, गैर-शून्य माध्य इनपुट और सहसंबंधित प्रतिकूल गड़बड़ियों सहित लिप्सचिट्ज़ निरंतर (Lipschitz continuous) गैररेखीय प्रणालियों तक विस्तारित करता है।
• इष्टतम अनुमान त्रुटि सीमा: शोध पत्र सिद्ध करता है कि $\ell_2$-नॉर्म अनुमानक की अनुमान त्रुटि $O(\rho^\tau)$ द्वारा सीमित है, जहाँ $\rho \in (0,1)$ प्रणाली गतिकी $f$ का संकुचन कारक (contraction factor) है। यह सीमा इनपुट मेमोरी लंबाई $\tau$ के साथ तेजी से (exponentially) घटती है।
• मिलान निचली सीमा (Matching Lower Bound): परिणाम की तीक्ष्णता (sharpness) स्थापित करने के लिए, लेखक एक ऐसी समस्या का निर्माण करते हैं जहाँ किसी भी अनुमानक को $\Omega(\rho^\tau)$ की त्रुटि का सामना करना पड़ता है। यह सिद्ध करता है कि प्राप्त ऊपरी सीमा इष्टतम है और दिए गए प्रतिकूल मॉडल के तहत सबसे खराब स्थिति में इसे सुधारा नहीं जा सकता है।
• $\ell_2$-नॉर्म की श्रेष्ठता: विश्लेषण दिखाता है कि $\ell_2$-नॉर्म अनुमानक इस विशिष्ट सेटिंग में $\ell_1$-नॉर्म या $\ell_\infty$-नॉर्म अनुमानकों की तुलना में अधिक सटीक त्रुटि सीमा प्राप्त करता है। अन्य नॉर्म्स प्रेक्षण आयाम $r$ पर निर्भर अतिरिक्त कारकों को पेश करते हैं, जबकि $\ell_2$-नॉर्म की सीमा $r$ से स्वतंत्र है।
• प्रायोगिक सत्यापन: सिंथेटिक गैररेखीय प्रणालियों और एक वास्तविक दुनिया के पावर ग्रिड स्विंग डायनेमिक्स मॉडल पर संख्यात्मक प्रयोग इसके सैद्धांतिक निष्कर्षों की पुष्टि करते हैं। परिणाम दर्शाते हैं कि $\ell_2$-नॉर्म अनुमानक वास्तविक मैपिंग की ओर अभिसरित (converge) होता है, जबकि मानक लीस्ट-स्क्वायर्स (जो शून्य-माध्य शोर मानता है) प्रतिकूल परिस्थितियों में विफल हो जाता है।

महत्व और दावे
शोध पत्र का दावा है कि यह काफी हद तक सामान्यीकृत धारणाओं के तहत जेनेरिक गैररेखीय और आंशिक रूप से प्रेक्षित प्रणालियों के लिए पहला तीक्ष्ण इनपुट-आउटपुट विश्लेषण प्रदान करता है। इसका प्राथमिक महत्व प्रतिकूल हमलों के तहत प्रणाली पहचान के लिए इष्टतम अनुमान त्रुटि सीमाओं को स्थापित करने में निहित है।

लेखक इस बात पर जोर देते हैं कि उनका कार्य वास्तविक प्रतिकूल वातावरण में जटिल गैररेखीय प्रणालियों (जैसे पावर ग्रिड और स्वायत्त वाहन) को सीखने की सुरक्षा और लचीलेपन में सुधार के लिए सैद्धांतिक गारंटी प्रदान करता है। यह निर्धारित करके कि किन समस्याओं के वर्ग में सटीक पहचान संभव है (विशेष रूप से जब हमला प्रायिकता मेमोरी लंबाई के सापेक्ष विरल हो), यह शोध पत्र सैद्धांतिक सिस्टम आइडेंटिफिकेशन और साइबर-फिजिकल सिस्टम की व्यावहारिक सुरक्षा आवश्यकताओं के बीच के अंतर को पाटता है। भविष्य की दिशाओं के संबंध में उनका कार्य विनम्र है, जिसमें यह उल्लेख किया गया है कि अनंत-आयामी अनुकूलन वाले गैर-पैरामीट्रिक दृष्टिकोणों तक इन परिणामों का विस्तार करना एक खुला प्रश्न बना हुआ है।