Robust Sparse Identification of Nonlinear Dynamics via Least Trimmed Squares

Resumo Técnico: Identificação Esparsa Robusta de Dinâmicas Não Lineares via Mínimos Quadrados Aparados

Definição do Problema
O framework de Identificação Esparsa de Dinâmicas Não Lineares (SINDy) é um método proeminente baseado em dados para descobrir equações diferenciais governantes a partir de dados observacionais. No entanto, as implementações padrão do SINDy são altamente sensíveis ao ruído de medição e, criticamente, a outliers. Uma vez que o SINDy depende de aproximações de diferenças finitas para as derivadas temporais, pontos de dados corrompidos podem distorcer severamente as estimativas das derivadas, levando a problemas de regressão enviesados e à identificação de termos espúrios no modelo. Embora variantes robustas existentes — como o Trimmed SINDy, Weak SINDy (WSINDy) e Ensemble SINDy (E-SINDy) — tenham sido propostas, elas enfrentam limitações. Abordagens de corte (trimmed) frequentemente acoplam a detecção de outliers com a regressão esparsa em uma única otimização não convexa, podendo falhar em excluir totalmente as amostras corrompidas. O WSINDy reduz a sensibilidade ao ruído, mas introduz complexidade na seleção de funções de teste e domínios de integração. O E-SINDy melhora a estabilidade através de reamostragem, mas pode ser computacionalmente caro e ainda pode herdar vieses de subamostras corrompidas.

Metodologia: O Pipeline ILTS-SINDy
Os autores propõem o ILTS-SINDy, um pipeline de identificação robusta que desacopla a filtragem de outliers da regressão esparsa em dois estágios sequenciais. Esta estratégia de "filtrar-então-esparsificar" contrasta com métodos que realizam essas tarefas conjuntamente.

1. Estágio 1: Filtragem por Mínimos Quadrados Aparados Iterativos (ILTS)
   O primeiro estágio aborda a contaminação de dados identificando e removendo outliers antes do ajuste do modelo. O método emprega o algoritmo de Mínimos Quadrados Aparados Iterativos (ILTS).

   • Mecanismo: O ILTS minimiza iterativamente a soma dos menores resíduos quadráticos. Ele alterna entre estimar os coeficientes de regressão em um subconjunto de dados e atualizar este subconjunto para reter apenas os $p$ observações com os menores resíduos.
   • Resultado: Este processo concentra progressivamente nos pontos de dados mais consistentes, mitigando efetivamente a influência de outliers sem exigir conhecimento prévio de suas localizações. O resultado é um conjunto de dados "limpo" (uma matriz reduzida $\hat{{A}}$ e um vetor $\hat{b}$) contendo apenas os inliers estimados.
   • Seleção de Parâmetros: O número de inliers $p$ é definido com base na fração de outliers conhecida $q$. Os autores observam que, devido ao uso de diferenças finitas centrais, um único outlier pode contaminar até três estimativas de derivada (o próprio ponto e seus vizinhos). Consequentemente, eles definem $p = (m+1) - \lfloor 3q(m+1) \rfloor$.

2. Estágio 2: Mínimos Quadrados Sequencialmente Limiares (STLS)
   O segundo estágio realiza a identificação de modelos esparsos no conjunto de dados limpo.

   • Mecanismo: O STLS padrão é aplicado aos dados filtrados. Ele resolve um problema de mínimos quadrados usando a biblioteca de candidatos completa e impõe a esparsidade iterativamente, zerando coeficientes pequenos através de um limiar (thresholding). A regressão é resolvida novamente usando apenas os termos ativos restantes até a convergência.
   • Resultado: Isso gera uma representação parcimoniosa das equações governantes ($\dot{x}_i(t) = \sum \alpha_{i,j} \theta_j(x(t))$) que é robusta à corrupção inicial dos dados.

Principais Contribuições

• Framework Desacoplado: A principal contribuição é a separação estrutural da detecção de outliers (via ILTS) e da regressão esparsa (via STLS). Isso evita os compromissos inerentes às abordagens de otimização conjunta, onde amostras corrompidas podem ser classificadas incorretamente como inliers durante a fase de estimativa esparsa.
• Robustez à Corrupção Severa: O método é projetado para lidar com conjuntos de dados com contaminação significativa de outliers (até 20% nos experimentos) mantendo a capacidade de recuperar as equações governantes reais.
• Integração Algorítmica: O artigo formaliza a integração do ILTS (Algoritmo 2) e do STLS (Algoritmo 1) em um pipeline unificado (Algoritmo 3) especificamente para aplicações de SINDy.

Resultados Numéricos
Os autores avaliaram o ILTS-SINDy contra o SINDy padrão (com STLS) e o E-SINDy usando conjuntos de dados sintéticos de três sistemas dinâmicos de referência: o modelo SIR, o sistema de Lorenz e o sistema de Lotka–Volterra. Os experimentos envolveram níveis variados de ruído Gaussiano aditivo e porcentagens de outliers ($q$) variando de 2,5% a 20%.

• Precisão de Recuperação de Suporte: O ILTS-SINDy alcançou consistentemente a maior precisão média de recuperação de suporte em todos os sistemas e condições. Enquanto o desempenho do SINDY padrão degradou significamente com o aumento da corrupção, e o E-SINDy mostrou robustez moderada, o ILTS-SINDy manteve valores de precisão próximos a 1,0 mesmo sob contaminação severa.
• Taxa de Recuperação Exata: Uma métrica crítica foi a recuperação exata do padrão de esparsidade real (o conjunto correto de termos ativos). O SINDy padrão falhou em alcançar a recuperação exata na maioria dos cenários corrompidos. O E-SINDy mostrou alta precisão de suporte, mas baixa taxa de recuperação exata, sugerindo que ele frequentemente reconstrói trajetórias corretamente, mas identifica a estrutura do modelo errada. Em contraste, o ILTS-SINDy demonstrou taxas de recuperação exata superiores, mantendo uma recuperação quase perfeita para o sistema SIR e um forte desempenho para Lorenz e Lotka–Volterra mesmo em altos níveis de outliers.

Significância e Alegações
O artigo afirma que o ILTS-SINDy oferece uma melhoria significativa sobre as variantes robustas existentes do SINDy, particularmente em regimes de forte contaminação de dados. Ao filtrar os outliers antes da regressão esparsa, o método produz um problema de regressão mais limpo, levando a uma identificação mais confiável das equações governantes subjacentes. Os autores afirmam que esta abordagem não apenas melhora a precisão preditiva, mas, mais importante, garante a descoberta estrutural correta do sistema dinâmico.

O trabalho é modesto quanto ao seu escopo atual, observando que assume o conhecimento exato da porcentagem de outliers $q$ para determinar o número de inliers $p$. O trabalho futuro é identificado como a incorporação de um procedimento adaptativo para estimar $q$ de forma orientada por dados, estendendo o framework para SINDy com controle (entradas externas) e validando a abordagem em conjuntos de dados do mundo real. O artigo não reivindica aplicabilidade universal a todos os sistemas dinâmicos sem validação adicional, mas destaca sua eficácia nos benchmarks sintéticos testados.