기술 요약: 집합 멤버십 식별을 위한 실험 설계

문제 정의

본 논문은 미지의 선형 시불변(LTI) 시스템에 대한 **집합 멤버십 식별(set-membership identification)**을 위한 오프라인 실험 설계 문제를 다룬다. 목표는 유한한 수평선(horizon) 동안 수집된 입력-상태(또는 입력-출력) 데이터가 원하는 정확도로 시스템 파라미터를 식별할 수 있을 만큼 충분히 정보가 풍부하도록 하는 입력 신호 $u[0, T-1]$를 설계하는 것이다.

본 연구는 두 가지 별개의 노이즈 체제 하에서 작동한다:

1. 무노이즈 ($\varepsilon = 0$): 목표는 **정확한 식별(exact identification)**이며, 데이터가 실제 시스템 파라미터를 유일하게 결정해야 한다.
2. 노이즈 존재 ($\varepsilon > 0$): 목표는 **$\rho$-정확도 식별($\rho$-accuracy identification)**이며, 데이터가 가능한 시스템의 집합을 주어진 허용 오차 $\rho$ 이하의 체비쇼프 반경(Chebyshev radius, 최악의 경우 오차)을 갖는 유계 집합으로 제한해야 한다.

핵심적인 과제는 실제 시스템을 알 수 없다는 점이다. 따라서 설계는 사전 지식($\Sigma_{pk}$), 즉 가용한 정보(예: 파라미터 범위, 구조적 제약 또는 가제어성 속성)와 일치하는 시스템들의 집합에 의존해야 한다. 본 논문은 **보편적 입력(universal inputs)**의 개념을 도입한다: 입력 신호가 사전 지식 집합 내의 임의의 시스템에 적용되었을 때, 해당 시스템에 의해 생성된 데이터가 원하는 식별 작업에 적합하다면 그 입력은 보편적이라고 한다.

방법론

저자들은 집합 멤버십 식별 원리를 활용하여 **데이터 정보성(data informativity)**과 **입력 보편성(input universality)**에 기반한 프레임워크를 개발한다.

1. 데이터 정보성 및 보편적 입력

• 데이터 정보성: 데이터셋 $D$가 $\rho$-정확도를 위해 $\Sigma_{pk}$-정보적이라는 것은, 데이터와 일치하는 시스템의 집합 $\Sigma_D$와 사전 지식 $\Sigma_{pk}$의 교집합이 $\rho$ 이하의 체비쇼프 반경을 갖는다는 것을 의미한다.
• 보편적 입력: 입력 $u[0, T-1]$가 $\Sigma_{pk}$-보편적이라는 것은, $\Sigma_{pk}$에 속하는 모든 시스템 $(A, B)$에 대하여, 해당 시스템에 의해 생성된 가능한 모든 데이터셋이 $\Sigma_{pk}$-정보적임을 의미한다.

2. 무노이즈 분석

노이즈가 없는 경우, 저자들은 보편적 입력이 존재하는 조건과 지속적 흥분(persistency of excitation, PE) 사이의 관계를 분석한다.

• 개집합 사전 지식(Open Prior Knowledge): 가제어 시스템 집합($\Sigma_{cont}$) 내에 포함된 개집합 형태의 사전 지식에 대해, 본 논문은 보편적 입력이 차수 $n+1$의 지속적 흥분을 갖는 입력과 동등함을 입증한다 (여기서 $n$은 상태 차원).
• 일반적 사전 지식: 저자들은 사전 지식 $\Sigma_{pk}$의 특정 구조에 의존하는 보편성을 위한 충분 조건(정리 9 및 14)을 도출한다. 이 조건들은 시스템 행렬 $A$의 최소 다항식과 특정 행렬 구성($M_{A,B}$, $D_A$)을 활용한다.
• 핵심 통찰: 특정 구조화된 사전 지식(예: 특정 노름(norm) 경계 또는 알려진 최소 다항식 차수)의 경우, 보편적 입력은 표준 PE에 필요한 $nm+n+m$샘플보다 훨씬 짧은 길이$T$로 설계될 수 있다. 일부 경우에는 지속적 흥분을 갖지 않는 입력(예: 긴 구간 동안 0의 값을 갖는 "hands-off" 입력)도 보편적임이 증명된다.

3. 노이즈 분석

$\ell_\infty$-유계 노이즈가 존재하는 경우, 분석은 식별 오차를 제한하는 방향으로 전환된다.

• $\rho$-정확도: 본 논문은 최악의 경우 오차가 $\rho$ 이하임을 보장하는 조건(정리 21)을 제공한다. 이는 특정 데이터 의존 행렬의 최소 특이값(smallest singular value)이 노이즈 레벨 $\varepsilon$에 비해 충분히 크게 만드는 것을 포함한다.
• 실행 가능 조건: 저자들은 사전 지식 집합이 유계이고 가제어도 $\gamma_{pk} > 0$를 만족할 때, $\rho$-정확도를 위한 보편적 실험 설계가 실행 가능하다는 것을 보여준다. 또한, 전체 $\Sigma_{pk}$에 대해 조건을 만족할 수 없더라도 나머지 부분 집합이 작은 고유 반경을 갖는다면 해당 부분 집합에 대해서는 조건을 만족하는 분할 전략(정리 24)을 제안한다.
• 노이즈 환경에서의 정확한 식별: 본 논문은 노이즈가 존재할 때 정확한 식별($\rho=0$)은 사전 지식 집합이 **균등 이산적(uniformly discrete)**인 경우에만 가능하다는 것을 증명한다(정리 29, 30). 이는 사전 집합 내의 서로 다른 시스템들이 최소한의 거리에 의해 분리되어야 함을 의미하며, 정수 파라미터를 가진 시스템에서 흔히 나타나는 조건이다.

4. 입력-출력 데이터로의 확장

본 프레임워크는 ARX 시스템(입력-출력 모델)을 상태 공간 표현으로 재구성함으로써 입력-출력 데이터로 확장된다. 이를 통해 도출된 입력-상태 결과를 입력-출력 데이터 시나리오에 적용할 수 있다.

주요 기여

1. 보편적 입력 프레임워크: 가제어성만을 가정하는 한계를 넘어 일반적인 사전 지식을 명시적으로 포함함으로써 오프라인 실험 설계를 연구하기 위한 새로운 프레임-워크를 개발하였다.
2. 보편성과 PE의 특성 규명:
   • 개집합 사전 지식을 가진 단일 입력 시스템의 경우, 보편성은 차수 $n+1$의 지속적 흥분과 동등함이 밝혀졌다.
   • 다중 입력 시스템 및 특정 사전 지식 구조의 경우, 본 논문은 차수 $n+1$의 지속적 흥분을 갖지 않으면서도 보편적인 입력이 존재함을 입증하여, 필요한 샘플 크기를 줄일 수 있음을 보여준다 (예: $nm+n+m$에서$2n+m$또는$k+1$로 감소).
3. 노이즈 강건 설계: 노이즈가 있는 환경에서 주어진 오차 범위 $\rho$ 내로 식별을 보장하는 입력을 설계하기 위한 충분 조건을 제공한다.
4. 노이즈 환경에서의 정확한 식별: 노이즈가 존재할 때 정확한 식별은 사전 지식 집합이 균등 이산적인 경우에만 가능하다는 것을 입증하고, 이러한 경우를 위한 설계 방법을 제공한다.
5. Hands-off 입력: 본 방법론은 "hands-off" 입력(상당한 0 구간을 갖는 신호)의 설계를 가능하게 하며, 이는 지속적 흥분 입력을 적용하기 어려운 안전 중심 또는 자원 제한적 애플리케이션에서 실질적인 가치를 지닌다.

결과 및 예시

• 이론적 경계: 본 논문은 보편적 식별을 위해 필요한 샘플 수 $T$의 하한을 도출한다. 예를 들어, 특정 사전 지식 하에서는 $T \ge 2n+m$이면 충분하며, 이는 표준적인 $T \ge nm+n+m$을 개선한 것이다.
• 예시 1 (궤도 운동): 우주선 상대 운동 모델을 사용하여, 2-임펄스 입력(대부분의 수평선 동안 0인 입력)이 궤도율(orbital rate)과 질량을 식별하기 위한 $\Sigma_{pk}$-보편적 입력임을 입증한다. 반면, 표준 PE는 훨씬 더 길고 연속적인 흥분을 요구한다.
• 예시 2 (시스템 네트워크): 1,000개의 동일한 시스템으로 구성된 네트워크를 고려한다. 결과는 네트워크의 구조를 활용하여 고차원 환경에서 노이즈가 있는 $\rho$-정확도 식별을 위한 보편적 입력을 설계하는 방법을 보여준다.

의의

본 논문은 자신의 결과가 Willems 등의 근본 정리(fundamental lemma)에 기반한 실험 설계 방식을 일반화한다고 주장한다. 근본 정리는 지속적 흥분에 의존하며 가제어성에 관한 사전 지식에 국한되는 반면, 본 연구는 일반적인 사전 지식을 수용할 수 있다.

본 연구의 의의는 많은 실제 시나리오(예: 파라미터 범위, 구조적 제약 또는 이산적 파라미터 집합과 같은 사전 지식이 존재하는 경우)에서 지속적 흥분 입력이 반드시 필요하지 않다는 발견에 있다. 제안된 방법은 기존 방식보다 더 효율적인 샘플 효율적(sample-efficient) 실험 설계를 제공할 수 있다. 이는 다음과 같은 이유로 지속적 흥분 입력을 적용하는 것이 부적절한 분야에서 특히 중요하다:

• 안전 고려 사항
• 물리적 제약
• 자원 제한 (예: 화학/생물학 시스템, 임상 환경, 대규모 네트워크 및 항공우주 시스템)

더 짧거나, 구조화되거나, "hands-off" 형태의 입력이 충분히 유효하다는 조건을 제공함으로써, 본 논문은 제약된 환경에서의 시스템 식별을 위한 더 유연하고 효율적인 접근 방식을 제시한다.