Koopman Representations for Non-Vanishing Time Intervals: An Optimization Approach and Sampling Effects

1. Problema e Contesto

L'articolo affronta la sfida di apprendere le auto-funzioni di Koopman da dati osservati a intervalli di tempo arbitrari, inclusi intervalli non nulli (non-vanishing) e potenzialmente irregolari.

• Contesto: La teoria dell'operatore di Koopman mappa dinamiche non lineari in un operatore lineare su uno spazio di funzioni infinito-dimensionale. Per l'applicazione pratica, si utilizzano approssimazioni a dimensione finita.
• Sfida principale: I metodi esistenti, come l'Extended Dynamic Mode Decomposition (EDMD), spesso assumono intervalli di tempo fissi o piccoli. Quando gli intervalli di campionamento sono grandi o irregolari (comune nei dati multimodali reali, come la deambulazione umana o i rilevatori di traffico), si verificano fenomeni di aliasing e perdita di identificabilità delle frequenze reali del sistema.
• Obiettivo: Formulare l'apprendimento delle auto-funzioni come un problema di ottimizzazione diretto sui dati osservati, analizzando come il pattern di campionamento influenzi la capacità di identificare lo spettro di Koopman.

2. Metodologia

Gli autori propongono un'estensione del lavoro precedente [17] per gestire oggetti spettrali complessi, formulando il problema come una minimizzazione diretta della perdita (loss) basata sulle osservazioni.

• Formulazione dell'Ottimizzazione:
  Si cerca una coppia $(\phi, \lambda)$ (auto-funzione e autovalore) che minimizzi l'errore di invarianza di Koopman:
  $$L(\phi, \lambda) = \frac{1}{N} \sum_{n=1}^{N} |\phi(x(t_{n+1})) - e^{\lambda(t_{n+1}-t_n)}\phi(x(t_n))|^2$$
  Dove $\phi$ è approssimata come una combinazione lineare di una base di funzioni $\{g_m\}$, e $\lambda = \alpha + i\beta$ è l'autovalore complesso.
  Il problema diventa:
  $$\min_{\alpha, \beta \in \mathbb{R}, a \in \mathbb{C}^M, \|a\|_2=1} \lambda_M(C(\alpha, \beta))$$
  dove $\lambda_M$ è il più piccolo autovalore di una matrice Hermitiana $C(\alpha, \beta)$ costruita dai dati.

• Analisi del Paesaggio di Perdita (Loss Landscape):
  Gli autori analizzano le proprietà matematiche della funzione di perdita:

  1. Aliasing e Periodicità: Sotto campionamento regolare con intervallo $\delta$, la funzione di perdita è periodica sull'asse della frequenza immaginaria $\beta$ con periodo $2\pi/\delta$. Questo crea ambiguità (aliasing) dove frequenze distinte di multipli interi di $2\pi/\delta$ appaiono indistinguibili.
  2. Allineamento di Fase: Vicino alla vera frequenza di Koopman, le fasi dei termini nella somma si allineano, creando una "valle" ripida nel paesaggio di perdita. Questo richiede una selezione attenta del passo di ottimizzazione (step-size).
  3. Effetto del Campionamento Irregolare:
     • Rottura dell'Aliasing: La non periodicità temporale rompe la periodicità della funzione di perdita, migliorando l'identificabilità delle frequenze reali.
     • Cancellazione di Fase: Per errori di previsione grandi, il campionamento irregolare causa una cancellazione di fase nei termini della somma, rendendo il gradiente più dolce e evitando plateau piatti che bloccano l'ottimizzazione.

3. Contributi Chiave

1. Formulazione di Ottimizzazione Diretta: Sviluppo di un metodo che opera direttamente su osservazioni a intervalli arbitrari, senza assumere un passo temporale fisso.
2. Analisi Teorica dell'Identificabilità: Dimostrazione esplicita che l'aliasing è una proprietà intrinseca del pattern di campionamento e che il campionamento irregolare può superare i limiti imposti dal teorema di Nyquist-Shannon (in analogia con il compressed sensing).
3. Caratterizzazione del Gradiente: Analisi di come l'allineamento di fase vicino alla soluzione ottima crei gradienti ripidi, mentre l'irregolarità del campionamento mitighi i problemi di ottimizzazione quando l'errore è grande.
4. Superiorità rispetto a gEDMD: Evidenziazione dei limiti della Generalized EDMD (gEDMD) in presenza di grandi intervalli temporali, dove tende a produrre autovalori spurii o fallire nel recupero dello spettro reale.

4. Risultati Numerici

Gli esperimenti sono stati condotti su due sistemi:

• Sistema Non Lineare (Campionamento Grossolano): Confronto tra il metodo proposto e gEDMD su un sistema non lineare con intervalli di tempo $\{0.05, 0.25, 0.5\}$.
  • Risultato: Il metodo proposto ha recuperato con successo gli autovalori di Koopman veri per tutti gli intervalli e tutte le inizializzazioni. gEDMD ha fallito nel recuperare accuratamente gli autovalori per intervalli più grandi e ha generato autovalori spurii.
• Dinamica ad Alta Frequenza (Oscillatore Armonico): Test con frequenza $\omega = 50$ e intervalli di campionamento regolari ($\delta=0.2$) e irregolari.
  • Campionamento Regolare: Il metodo proposto ha mostrato periodicità nel paesaggio di perdita. A causa dell'aliasing, l'ottimizzazione convergeva spesso a frequenze aliasate o si fermava su plateau piatti (gradiente troppo piccolo).
  • Campionamento Irregolare: La periodicità è scomparsa. Il metodo ha recuperato con successo gli autovalori veri ($\pm i\omega$) anche partendo da inizializzazioni lontane, dimostrando che l'irregolarità rompe l'aliasing e facilita la convergenza.

5. Significato e Implicazioni

Il lavoro fornisce intuizioni fondamentali per l'ottimizzazione dei metodi basati su Koopman:

• Gestione dei Dati Reali: Il metodo è particolarmente adatto per dati multimodali reali caratterizzati da irregolarità temporali (es. sensori biomedici, traffico), dove i metodi a passo fisso falliscono.
• Strategia di Campionamento: Suggerisce che il campionamento irregolare non è solo un vincolo, ma uno strumento attivo per migliorare l'identificabilità spettrale e ridurre l'aliasing.
• Robustezza: Il metodo proposto dimostra una maggiore robustezza e precisione rispetto alle tecniche standard (gEDMD) nella ricostruzione dello spettro di Koopman, specialmente in scenari con grandi intervalli di tempo o dinamiche ad alta frequenza.

In sintesi, l'articolo trasforma la sfida del campionamento irregolare in un'opportunità, fornendo un framework teorico e pratico per apprendere dinamiche complesse in condizioni di osservazione non ideali.