Diagnostic Certificates of Data Quality and Regression Identifiability for Koopman Identification

Resumo Técnico: Certificados de Diagnóstico de Qualidade de Dados e Identificabilidade de Regressão para Identificação de Koopman

Enunciado do Problema
Na identificação de sistemas dinâmicos não lineares utilizando o framework do operador de Koopman e a Decomposição de Modos Dinâmicos Estendida com controle (EDMDc), a qualidade do modelo identificado depende de um objeto de regressão conjunto que compreende estados visitados, características de dicionário elevadas e entradas de controle. Critérios clássicos de excitação persistente (EP), que avaliam a riqueza da entrada, são insuficientes para este contexto. Um sinal pode ser rico em entrada enquanto a trajetória de estado permanece confinada a uma região estreita; amostras de estado podem parecer bem distribuídas enquanto o dicionário escolhido produz características elevadas degeneradas ou altamente correlacionadas; e características elevadas podem ser individualmente não degeneradas, enquanto a matriz de regressão concatenada final (características elevadas + entradas) permanece mal condicionada devido à redundância entre colunas.

O artigo aborda a falta de um framework estruturado para diagnosticar onde a qualidade dos dados falha na identificação de Koopman. Ele postula que a qualidade dos dados é um problema de múltiplas camadas envolvendo a geometria do espaço de estados, a geometria das características elevadas e a geometria do espaço de regressão, que são relacionadas, mas não intercambiáveis.

Metodologia
Os autores propõem um framework de certificados de diagnóstico que separa a avaliação da qualidade dos dados em três camadas distintas, avançando das propriedades de amostragem a montante até a estabilidade da estimativa final:

1. Certificados do Espaço de Estados: São diagnósticos indiretos que avaliam a geometria da trajetória coletada.

   • Cobertura Direcional ($C_{dir}$): Mede a dispersão das direções de deslocamento da trajetória.
   • Não-agrupamento do tipo Frostman ($C_{fr}$): Diagnostica amostragem local repetida e agrupamento multiescala.
   • Isotropia de Estado ($C_{state}$): Avalia a condição espectral da matriz de estado padronizada ativa.

2. Certificados de Características Elevadas: Avaliam o comportamento do dicionário sobre os dados coletados.

   • Isotropia de Características Elevadas ($C_{lift}$): Mede o menor autovalor da matriz de Gram padronizada das características elevadas, detectando colunas constantes ou altas correlações induzidas pela distribuição específica de estados.

3. Certificados do Espaço de Regressão: Avaliam o problema final de regressão EDMDc.

   • Isotropia de Regressão ($C_{reg}$): Definida como o menor autovalor da matriz concatenada padronizada ativa (características elevadas + entradas). Este é o certificado primário com garantias teóricas diretas sobre a estabilidade da estimativa.
   • Certificado Composto ($C_{GPE}$): Uma métrica no estilo de gargalo que toma o mínimo das camadas acima (normalizado por limiares) para localizar a falha primária de qualidade dos dados.

Framework Teórico
O artigo estabelece que $C_{reg}$ controla diretamente o menor valor singular da matriz de projeto padronizada ativa ($\sigma_{min}(\bar{\Phi})$). Sob um projeto fixo e ruído gaussiano condicional, este certificado limita a informação de Fisher e o erro esperado do estimador de ridge/mínimos quadrados. Os autores provam um limite inferior de população para amostra do espectro de regressão, mostrando que um limite espectral positivo requer três condições atuando em conjunto: cobertura da distribuição de estados, não degenerescência do dicionário naquela região e excitação de entrada condicional relativa às características elevadas.

Crucialmente, o artigo fornece uma condição de complemento de Schur e contraexemplos demonstrando que uma geometria de estado favorável não implica geometria elevada ou de regressão favorável (por exemplo, um conjunto de estados onde um termo específico de dicionário polinomial se anula identicamente). Assim, diagnósticos a montante não podem substituir a inspeção direta do espectro de regressão final.

Validação Experimental
O framework é avaliado usando o algoritmo IGPE-DOPT, um método de amostragem orientado por certificados que pontua segmentos de trajetória candidatos com base em uma mistura ponderada dos certificados propostos. Os experimentos são conduzidos nos sistemas de Duffing, Van der Pol e Lorenz, comparando o IGPE-DOPT com:

• Baselines orientadas à entrada (EP Adaptativa, Projeto de Entrada Ótima).
• Baselines orientadas ao estado (k-center do espaço de estados, GPE-ESTADO).
• Baselines no espaço elevado (D-ótima elevada).
• Baselines no espaço de regressão (D/E-ótima de regressão).

Resultados Chave

1. Separação de Camadas: Os experimentos confirmam que as camadas de certificados são distintas. Um método que otimiza a cobertura de estados (por exemplo, STATE-KCENTER) não necessariamente otimiza o espectro de regressão, e vice-versa.
2. Correspondência Teórica: O certificado de regressão ($C_{reg}$) correlaciona-se com o menor valor singular e a estabilidade de estimativa de um passo, validando o vínculo teórico.
3. Não Monotonicidade: O desempenho a jusante (previsão de longo horizonte e controle em malha fechada) não é monótono em relação a qualquer certificado individual. Um método com o certificado de regressão mais alto nem sempre produz o melhor desempenho de controle, pois as métricas da tarefa dependem do viés do dicionário, regiões operacionais e controlabilidade em malha fechada.
4. Sensibilidade: Alterar os pesos na função de pontuação do IGPE-DOPT desloca o perfil de qualidade dos dados (por exemplo, priorizando regressão sobre cobertura de estados), mas nenhuma configuração única de pesos garante otimalidade em todas as tarefas a jusante.

Significado e Alegações
O artigo enquadra explicitamente sua contribuição como um framework de diagnóstico computável, interpretável e ablatável, e não como uma alegação de otimalidade universal para coleta de dados.

• Utilidade Diagnóstica: O framework serve como um "fluxo de trabalho de triagem" para praticantes identificarem se um gargalo de qualidade de dados reside na cobertura de estados, degenerescência do dicionário ou no espectro de regressão final.
• Limites Teóricos: Os autores enfatizam que suas garantias teóricas se aplicam estritamente à estabilidade de regressão EDMDc de um passo em coordenadas padronizadas ativas. Eles não alegam controlar o erro de simulação de longo horizonte, a recuperação de subespaços invariantes de Koopman ou o desempenho de controle em malha fechada.
• Orientação Prática: O artigo argumenta que confiar apenas na EP de entrada ou na cobertura de estados é insuficiente. Os praticantes devem relatar dimensões ativas, ranks ativos e quantidades espectrais para a matriz de regressão concatenada para garantir identificabilidade.

Em resumo, o trabalho reestrutura a aquisição de dados de Koopman de uma busca por "entradas ricas" para um diagnóstico estruturado de propriedades geométricas de múltiplas camadas, fornecendo ferramentas para localizar e reparar falhas específicas no pipeline de dados-a-modelo.