几何诱导的软状态表征的预测边界与 Koopman 闭合

当软抽象允许线性动力学时

论文《Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions》以编号 2609.32652 发布于 arXiv。作者是 Mohit Kumar 和 Somayeh Kargaran，提交日期为 2026 年 9 月 26 日。该研究探讨了这样一个问题：几何诱导的软状态抽象在何种情况下允许精确的有限维线性动力学。

论文中的表示方式如下：

• 每个状态由取值于单纯形的坐标表示；
• 坐标由特定类别的 Kernel Affine Hull Machine (KAHM) 的重构分数得到；
• 一个矩阵将当前状态的坐标映射为下一状态的坐标。

软坐标表示的是类别分布，而不是硬性分类。软坐标与 one-hot 标签之间的偏差会成为影响预测的独立因素。

实用判据：精确闭合是“表示与动力学映射”这一对组合的属性，而不只是表示本身的属性。应针对具体动力学检验闭合，而不是笼统地针对抽象进行检验。

预测误差下界

主要成果是一个可计算的预测最小均方误差置信下界。该下界适用于所有满足给定谱范数约束的矩阵。

该下界考虑了两种误差来源：

• 后继状态坐标的类内变化；
• 软坐标与对应 one-hot 标签之间的偏差。

计算依赖于独立的“状态—后继状态”样本对，无需为此拟合预测矩阵。可以在训练预测器之前求得该下界，并将其用作可达精度的参考。

实用判据：选择模型之前，应将目标误差与下界进行比较。如果目标低于下界，那么没有任何满足给定谱范数约束的矩阵能够达到该目标。

证书：收敛性与不可达容差

在坐标和评分分布固定的情况下，随着样本量增长，该证书几乎必然收敛到总体下界。任何低于这一极限的容差最终都会被认证为不可达。

重构分数的裕量也会限制从软分配转换到硬分配时的误差。也就是说，重构能力较弱不仅会影响坐标，还会影响后续向离散类别的转换。

实用判据：如果目标容差低于下界，增加样本量也无济于事。需要改变的是表示方式或谱范数约束。

库普曼闭合与特征函数

在确定性动力学和精确坐标闭合的条件下，闭合矩阵的特征向量构成库普曼算子的特征函数。其降阶转置矩阵的特征向量则构成伴随库普曼算子的特征函数。

只有在闭合精确的情况下，才会出现这种谱结构。在这种情况下，闭合矩阵可以直接提供动力学的谱特征。

实用判据：只有在具体动力学上检验并确认闭合精确之后，才能利用闭合矩阵得出谱结论。否则，谱描述的是拟合模型，而不是系统本身。

相同坐标，不同动力学映射

一个四状态 KAHM 构造表明：相同的软坐标可以对某个动力学映射实现精确闭合。对于另一个映射，同一组坐标则会导致正的预测误差。

由此可得出三点结论：

• 闭合针对的是“坐标与动力学映射”这一对组合；
• 不能将一种动力学下的结果直接迁移到另一种动力学；
• 每个任务都需要单独检验。

实用判据：应针对每个动力学映射分别评估抽象。坐标相同本身并不能证明闭合精确。

基准测试展示了什么，又未计算什么

实验涵盖 Duffing、Van der Pol、CartPole、MountainCar 和 Acrobot。研究将软坐标直接预测与 state-space DMD/EDMD 基线方法进行比较，并报告了预测指标、表示变化和谱诊断结果。

基准测试评估的是拟合后的模型。由于其中没有数值计算排除证书，实验部分并不能取代可达性下界。

实用判据：基准测试展示的是具体拟合模型的表现，而证书给出的是一整类矩阵的界限。判断是否适用时，应分别计算这两类结果。