Diagnostic Certificates of Data Quality and Regression Identifiability for Koopman Identification

Technische Samenvatting: Diagnostische Certificaten voor Datakwaliteit en Regressie-Identificeerbaarheid voor Koopman-Identificatie

Probleemstelling
Bij de identificatie van niet-lineaire dynamische systemen met het Koopman-operatorraamwerk en Extended Dynamic Mode Decomposition met besturing (EDMDc), hangt de kwaliteit van het geïdentificeerde model af van een gezamenlijk regressie-object dat bezochte toestanden, opgeheven woordenboekkenmerken en besturingsinvoeren omvat. Klassieke criteria voor persistente excitatie (PE), die input-rijkdom beoordelen, zijn ontoereikend voor deze context. Een signaal kan input-rijk zijn terwijl de toestandstrajectie beperkt blijft tot een smal gebied; toestandsstalen kunnen goed verspreid lijken terwijl het gekozen woordenboek degeneratieve of sterk gecorreleerde opgeheven kenmerken produceert; en opgeheven kenmerken kunnen individueel niet-degeneratief zijn terwijl de uiteindelijke samengevoegde regressiematrix (opgeheven kenmerken + invoeren) slecht-geconditioneerd blijft door redundantie tussen kolommen.

Het artikel adresseert het gebrek aan een gestructureerd raamwerk om te diagnosticeren waar de datakwaliteit faalt bij Koopman-identificatie. Het stelt dat datakwaliteit een meerlagig probleem is dat toestandsruimte-geometrie, opgeheven-kenmerk-geometrie en regressieruimte-geometrie omvat, die gerelateerd maar niet uitwisselbaar zijn.

Methodologie
De auteurs stellen een raamwerk voor diagnostische certificaten voor dat de beoordeling van datakwaliteit splitst in drie distincte lagen, gaande van upstream steekproeveigenschappen tot de stabiliteit van de uiteindelijke schatting:

1. Toestandsruimte-certificaten: Dit zijn indirecte diagnostics die de geometrie van de verzamelde trajectie beoordelen.

   • Richtingsdecting ($C_{dir}$): Meet de spreiding van trajectie-verplaatsingsrichtingen.
   • Frostman-type Niet-clustering ($C_{fr}$): Diagnoseert lokale herhaalde steekproeven en multischaal-clustering.
   • Toestand-isotropie ($C_{state}$): Beoordeelt de spectrale conditie van de actieve gestandaardiseerde toestandsmatrix.

2. Opgeheven-kenmerk-certificaten: Deze beoordelen het gedrag van het woordenboek op de verzamelde data.

   • Opgeheven-kenmerk-isotropie ($C_{lift}$): Meet de kleinste eigenwaarde van de gestandaardiseerde Gram-matrix van opgeheven kenmerken, en detecteert constante kolommen of hoge correlaties veroorzaakt door de specifieke toestandsverdeling.

3. Regressieruimte-certificaten: Deze beoordelen het uiteindelijke EDMDc-regressieprobleem.

   • Regressie-isotropie ($C_{reg}$): Gedefinieerd als de kleinste eigenwaarde van de actieve gestandaardiseerde samengevoegde matrix (opgeheven kenmerken + invoeren). Dit is het primaire certificaat met directe theoretische garanties betreffende schattingsstabiliteit.
   • Composiet Certificaat ($C_{GPE}$): Een bottleneck-achtige maatstaf die het minimum van de bovenstaande lagen neemt (genormaliseerd door drempelwaarden) om het primaire defect in de datakwaliteit te lokaliseren.

Theoretisch Raamwerk
Het artikel stelt vast dat $C_{reg}$ direct de kleinste singuliere waarde van de actieve gestandaardiseerde ontwerpmatrix controleert ($\sigma_{min}(\bar{\Phi})$). Onder een vast ontwerp en conditioneel Gaussisch ruis, begrenst dit certificaat de Fisher-informatie en de verwachte fout van de ridge/least-squares-schatter. De auteurs bewijzen een ondergrens van populatie naar steekproef voor het regressiespectrum, waaruit blijkt dat een positieve spectrale begrenzing drie voorwaarden vereist die in concert werken: dekking van de toestandsverdeling, niet-degeneratie van het woordenboek op dat gebied, en conditionele input-excitatie ten opzichte van opgeheven kenmerken.

Cruciaal biedt het artikel een Schur-complementvoorwaarde en tegenvoorbeelden die aantonen dat een gunstige toestandsgeometrie geen gunstige opgeheven of regressiegeometrie impliceert (bijvoorbeeld een toestandsset waar een specifiek polynoomwoordenboekterm identiek verdwijnt). Derhalve kunnen upstream-diagnostics niet substitueren voor directe inspectie van het uiteindelijke regressiespectrum.

Experimentele Validatie
Het raamwerk wordt geëvalueerd met het IGPE-DOPT-algoritme, een door certificaten gestuurde steekproefmethode die kandidaat-trajectsegmenten scoort op basis van een gewogen mix van de voorgestelde certificaten. Experimenten worden uitgevoerd op Duffing-, Van der Pol- en Lorenz-systemen, waarbij IGPE-DOPT wordt vergeleken met:

• Input-georiënteerde baselines (Adaptive PE, Optimal Input Design).
• Toestands-georiënteerde baselines (State-space k-center, GPE-STATE).
• Opgeheven-ruimte baselines (Lifted D-optimal).
• Regressieruimte-baselines (Regression D/E-optimal).

Belangrijkste Resultaten

1. Lagscheiding: De experimenten bevestigen dat certificaatlagen distinct zijn. Een methode die toestandsdekking optimaliseert (bijv. STATE-KCENTER) optimaliseert niet noodzakelijk het regressiespectrum, en omgekeerd.
2. Theoretische Correspondentie: Het regressiecertificaat ($C_{reg}$) correleert met de kleinste singuliere waarde en de stabiliteit van de schatting op één stap, wat het theoretische verband valideert.
3. Niet-monotonie: Downstream-prestaties (voorspelling op lange horizon en gesloten-regelkringbesturing) zijn niet monotoon met betrekking tot enig enkel certificaat. Een methode met het hoogste regressiecertificaat levert niet altijd de beste besturingsprestaties op, aangezien taakmetrieken afhangen van woordenboekbias, werkgebieden en gesloten-regelkringcontroleerbaarheid.
4. Sensitiviteit: Het wijzigen van de gewichten in de IGPE-DOPT-scoorfunctie verschuift het profiel van datakwaliteit (bijvoorbeeld prioriteit geven aan regressie boven toestandsdekking), maar geen enkele gewichtsconfiguratie garandeert optimaliteit voor alle downstream-taken.

Betekenis en Claims
Het artikel presenteert zijn bijdrage expliciet als een berekenbaar, interpreteerbaar en ablatief diagnostisch raamwerk, niet als een claim van universele optimaliteit voor datacollectie.

• Diagnostische Nut: Het raamwerk dient als een "triage-werkstroom" voor practitioners om te identificeren of een bottleneck in de datakwaliteit ligt in toestandsdekking, woordenboekdegeneratie of het uiteindelijke regressiespectrum.
• Theoretische Grenzen: De auteurs benadrukken dat hun theoretische garanties strikt van toepassing zijn op stabiliteit van EDMDc-regressie op één stap in actieve gestandaardiseerde coördinaten. Zij claimen niet de fout bij langdurige rollouts, herstel van Koopman-invariante deelruimten of gesloten-regelkringbesturingsprestaties te controleren.
• Praktische Richtlijnen: Het artikel betoogt dat het uitsluitend vertrouwen op input-PE of toestandsdekking ontoereikend is. Practitioners moeten actieve dimensies, actieve rangen en spectrale grootheden rapporteren voor de samengevoegde regressiematrix om identificeerbaarheid te waarborgen.

Samenvattend herformuleert dit werk de Koopman-data-acquisitie van een zoektocht naar "rijke invoeren" naar een gestructureerde diagnose van meerlagige geometrische eigenschappen, en biedt het hulpmiddelen om specifieke fouten in de data-naar-model-pijplijn te lokaliseren en te repareren.