技術的サマリー：最適輸送を用いた力学系の幾何学的辞書学習

1. 問題定義

データからの力学系（DS）の学習は、通常、コップマン作用素のような作用素論的表現に依存しており、スペクトル量（固有値、不変部分空間）が時間スケールや長期的な振る舞いを符号化する。しかし、現在の手法は以下の 2 つの主要な限界に直面している：

1. インスタンス固有の推定：力学作用素は通常、各システムに対して独立して推定される。これにより、関連するシステム間で共有される構造的パターンの発見が妨げられ、転移学習や比較が不適切な問題となる。
2. データ不足と幾何学：正確な推定には、通常、長く情報豊富な軌道が必要である。実際には、短く、部分的、または準安定な軌道しか利用できない状況において、標準的な推定量は統計的に不安定になる。さらに、力学作用素の空間は非ユークリッド的（スペクトル的かつ作用素論的）であるため、古典的な線形辞書学習手法は適用不可能である。

既存のアプローチは、個々のインスタンスに固有の表現力豊かな作用素表現を提供するか、共有構造の学習を支援することなく原理的な比較を可能にするかのいずれかである。共有された作用素構造を捉えつつ、幾何学的操作と転移を可能にする統合された枠組みは存在しない。

2. 手法：DOODL

著者らは、関連する力学系がスペクトル作用素空間において低次元多様体の近くに存在するという仮説に基づいた DOODL（Dynamical OperatOr Dictionary Learning）を提案する。

2.1 スペクトル幾何学と最適輸送

DOODL は作用素のスペクトル分解に基づいて動作する。スペクトル分解 $G = \sum \lambda_i P_i$（ここで $\lambda_i$ は固有値、$P_i$ はスペクトル射影）を持つ作用素 $G$ に対して、この手法は $G$ を離散スペクトル測度 $\mu(G)$ として表現する。
作用素を比較するために、DOODL は スペクトル・グラスマン最適輸送（SGOT） 発散を利用する。この計量は、最適輸送計画を通じて固有値と不変部分空間（射影）を同時に整合させ、力学的时间スケールとコヒーレント構造の両方を捉える作用素空間上の幾何学を定義する。

2.2 リーマン多様体上の辞書学習

DOODL は、$d$ 個の特性スペクトルダイナミクス（原子）$\mathcal{G} = \{G_1, \dots, G_d\}$ の辞書を学習する。

• 多様体構造：スペクトル分解の空間は、滑らかなリーマン商多様体 $\mathcal{M} = \mathcal{N} / (\mathbb{C}^*)^r$ として特徴付けられる。ここで $\mathcal{N}$ は固有値と双直交固有ベクトルの空間であり、この構造はスケーリングに対する固有ベクトルの非一意性を考慮する。
• 再構成モデル：線形結合を用いる古典的な辞書学習とは異なり、DOODL は非線形再構成モデルを採用する。単体 $\Delta^{d-1}$ 内の係数 $\alpha$ が与えられたとき、再構成 $B_p(\alpha; \mathcal{G})$ はスペクトル成分（固有値、左/右固有ベクトル）の線形結合を実行し、その後、双直交性の制約を回復するためにスペクトル分解の多様体への射影を行う。このアプローチは、計算効率と幾何学的忠実性のバランスを取る。
• 最適化：辞書と係数は、観測された作用素とその再構成との間の平均 SGOT 発散を最小化することで学習される。最適化は、多様体上のリーマン勾配降下法を用いた確率的な不正確ブロック座標戦略によって行われる。

2.3 辞書ベースの作用素推定

DOODL の重要な応用は、短い軌道からの作用素推定である。制約のない高次元作用素を推定する代わりに、この手法は探索空間を学習された作用素多様体（再構成モデルの像）に制限する。これは正則化として機能し、推定問題の有効次元を削減する。

3. 理論的保証

本論文は、短い軌道からの作用素推定に対する統計的保証を提供する（定理 1）。

• オラクル不等式：DOODL 推定量の過剰リスクは、バイアス項（学習された多様体の近似誤差）と分散項によって有界化される。
• 次元削減：分散項の複雑さは、辞書のサイズ $d$ ではなく、学習された作用素多様体の内在次元 $m$ によって支配される。
• 混合：これらの境界は $\beta$-混合軌道に対して成り立ち、有効サンプルサイズは時間的依存性に対して調整される。
• バイアスの減衰：辞書のバイアスは、トレーニング軌道の長さが増加するにつれて漸近的に消失し、学習された多様体が真の基底構造に収束することを確認する。

4. 実験結果

この枠組みは、2 つの異なる領域で評価された：

4.1 準安定ランジュバンダイナミクス

• 設定：2 つの井戸ポテンシャルを持つ 1 次元減衰ランジュバン系であり、ポテンシャル幅 $w$ が変化する。
• 知見：
  • 多様体の発見：DOODL は、システム群が作用素空間において低次元（約 1 次元）多様体上に存在することを正常に同定した。学習された原子は、ポテンシャル幅の変化に対して滑らかに整合した。
  • 短い軌道のパフォーマンス：切断された軌道（最大 1 万サンプル）の領域において、DOODL は独立した低ランク回帰（RRR）推定量や線形辞書学習のベースラインと比較して、SGOT 誤差が 1〜2 桁低い値を達成した。
  • 領域スイッチング：この手法は、スライディングウィンドウ上の埋め込み係数の進化を追跡することにより、急激な領域スイッチの検出を可能にし、スイッチング時刻において鋭い不連続性を示した。

4.2 乱流プラズマダイナミクス

• 設定：密度勾配（$\kappa$）と交換結合（$g$）を制御するパラメータによって支配される、エッジプラズマ乱流（Tokam2D）の多次元シミュレーション。
• パイプライン：この手法は、空間記述子を抽出するために凍結された PDE 基盤モデル（POSEIDON）を利用し、続いて時間座標を学習し、有限ランク生成子表現を推定する。
• 知見：
  • 幾何学的組織化：SGOT 幾何学は、教師なしで $(g, \kappa)$ に対応するプラズマ領域の 2 次元多様体構造を回復した。
  • パラメータ回復：学習された重心座標から物理パラメータを回帰した結果、高い $R^2$ スコアが得られた（$g$ に対して 0.81、$\kappa$ に対して 0.97）。
  • 早期同定：推定を学習されたスペクトル多様体に制限することで、短い軌道の接頭辞（最大 3000 時間ステップ）からの信頼性の高い作用素回復とパラメータ同定が可能となり、直接的な制約なしの推定を大幅に上回った。パラメータ $\kappa$（支配的なスペクトル署名）は、$g$（分散したスペクトル署名）よりも速く回復された。

5. 意義と主張

本論文は、DOODL が力学系における転移可能な表現学習のための原理的な枠組みを提供すると主張する。その主な意義は以下の点にある：

1. 共有構造の捉え方：インスタンス固有の推定を超えて、特性スペクトルダイナミクスの共有された「辞書」を学習し、関連するシステムの比較と補間を可能にする。
2. データ効率性：学習された低次元スペクトル多様体への推定の制限により、DOODL は古典的手法が失敗する短く部分的に観測された軌道からの、高速かつ解釈可能な作用素推定を可能にする。
3. 幾何学的忠実性：リーマン最適化と最適輸送を通じて、力学作用素の内在的な非ユークリッド幾何学を尊重し、作用素空間における単純な線形近似の落とし穴を回避する。
4. 物理的解釈可能性：学習された埋め込みは物理パラメータや力学領域に対応し、プラズマ乱流のような複雑でマルチスケールな環境におけるシステム同定や領域シフトの検出を容易にする。

著者らは、最適化問題が非凸であり、学習された多様体が静的で分布のシフトにオンライン適応しないという限界を認めている。今後の研究として、継続的かつ適応的なバリエーションの探求が提案されている。