Límites de predicción y cierre de Koopman de representaciones blandas de estados inducidas geométricamente

Cuándo una abstracción suave admite una dinámica lineal

El trabajo «Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions» se publicó en arXiv con el número 2609.32652. Sus autores son Mohit Kumar y Somayeh Kargaran, y se presentó el 26 de septiembre de 2026. El estudio responde a la pregunta: ¿cuándo admiten las abstracciones suaves de estados inducidas por la geometría una dinámica lineal exacta de dimensión finita?

La representación del trabajo funciona así:

• cada estado se define mediante coordenadas con valores en un simplex;
• las coordenadas se obtienen a partir de estimaciones de reconstrucción de una máquina de envolvente afín con kernel específica de clase (KAHM);
• una matriz transforma las coordenadas del estado actual en las coordenadas del siguiente.

Las coordenadas suaves son una distribución sobre clases, no una asignación rígida. La desviación de las coordenadas suaves respecto de las etiquetas one-hot se convierte en un factor independiente que influye en la predicción.

Criterio práctico: el cierre exacto es una propiedad del par «representación y mapa de dinámica», no solo de la representación. Debe comprobarse en una dinámica concreta, no en la abstracción en general.

Límite inferior del error de predicción

El resultado principal es un límite inferior de confianza computable para el error cuadrático medio mínimo de predicción. El límite se aplica a todas las matrices que cumplen una restricción dada sobre la norma espectral.

El límite tiene en cuenta dos fuentes de error:

• la variación dentro de las clases de las coordenadas de los estados sucesores;
• la desviación de las coordenadas suaves respecto de las etiquetas one-hot correspondientes.

El cálculo se basa en pares independientes de «estado y sucesor». No es necesario ajustar una matriz de predicción para hacerlo. El límite puede obtenerse antes de entrenar el predictor y utilizarse como referencia de la precisión alcanzable.

Criterio práctico: comparar el error objetivo con el límite antes de elegir un modelo. Si el objetivo está por debajo del límite, ninguna matriz con la restricción dada sobre la norma espectral podrá alcanzarlo.

Certificado: convergencia y tolerancia inalcanzable

Con coordenadas y distribución de estimación fijas, el certificado converge casi seguramente al límite inferior poblacional a medida que aumenta el tamaño de la muestra. Cualquier tolerancia inferior a ese límite acabará certificándose como inalcanzable.

Los márgenes de las estimaciones de reconstrucción también limitan el error de transición de la asignación suave a la rígida. Es decir, una reconstrucción deficiente no solo afecta a las coordenadas, sino también a la posterior conversión en una clase discreta.

Criterio práctico: si la tolerancia objetivo está por debajo del límite, aumentar el tamaño de la muestra no ayudará. Hay que cambiar la representación o la restricción sobre la norma espectral.

Cierre de Koopman y funciones propias

Con una dinámica determinista y un cierre exacto de las coordenadas, los vectores propios de la matriz de cierre definen funciones propias del operador de Koopman. Los vectores propios de su matriz traspuesta reducida definen funciones propias del operador adjunto de Koopman.

El panorama espectral aparece solo cuando el cierre es exacto. En ese caso, la matriz de cierre ofrece acceso directo a las características espectrales de la dinámica.

Criterio práctico: las conclusiones espectrales basadas en la matriz de cierre solo pueden utilizarse después de comprobar la exactitud del cierre en una dinámica concreta. De lo contrario, el espectro describe un modelo ajustado, no el sistema en sí.

Las mismas coordenadas, distintos mapas de dinámica

Una construcción KAHM de cuatro estados muestra que las mismas coordenadas suaves pueden dar lugar a un cierre exacto para un mapa de dinámica. Para otro mapa, esas mismas coordenadas imponen un error de predicción positivo.

De ello se desprenden tres conclusiones:

• el cierre corresponde al par «coordenadas y mapa de dinámica»;
• no se puede trasladar el resultado de una dinámica a otra;
• la comprobación debe realizarse por separado para cada tarea.

Criterio práctico: evaluar la abstracción por separado para cada mapa de dinámica. La coincidencia de las coordenadas, por sí sola, no confirma un cierre exacto.

Qué muestran los benchmarks y qué no calculan

Los experimentos abarcan Duffing, Van der Pol, CartPole, MountainCar y Acrobot. La predicción directa de las coordenadas suaves se compara con los métodos de referencia state-space DMD/EDMD. Se presentan métricas de predicción, variación de la representación y diagnósticos espectrales.

Los benchmarks evalúan modelos ajustados. En ellos no se calcula numéricamente el certificado de exclusión, por lo que la parte experimental no sustituye al límite de alcanzabilidad.

Criterio práctico: un benchmark muestra el comportamiento de modelos ajustados concretos, mientras que el certificado establece un límite para toda una clase de matrices. Para decidir si algo es aplicable, hay que calcular estas herramientas por separado.