Limites de prédiction et fermeture de Koopman des représentations d’état souples induites géométriquement

Quand une abstraction souple autorise une dynamique linéaire

L’article « Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions » a été publié sur arXiv sous le numéro 2609.32652. Ses auteurs sont Mohit Kumar et Somayeh Kargaran ; il a été soumis le 26 septembre 2026. Cette étude répond à la question suivante : quand les abstractions souples des états induites par la géométrie autorisent-elles une dynamique linéaire exacte de dimension finie ?

La représentation utilisée dans l’article fonctionne ainsi :

• chaque état est défini par des coordonnées à valeurs dans un simplexe ;
• les coordonnées sont obtenues à partir des estimations de reconstruction de la class-specific Kernel Affine Hull Machine (KAHM) ;
• une matrice transforme les coordonnées de l’état actuel en celles de l’état suivant.

Les coordonnées souples correspondent à une distribution sur les classes, et non à une affectation rigide. L’écart entre les coordonnées souples et les étiquettes one-hot devient un facteur distinct qui influe sur la prédiction.

Critère pratique : la fermeture exacte est une propriété du couple « représentation et application dynamique », et non de la représentation seule. Il faut la vérifier pour une dynamique donnée, et non pour l’abstraction dans son ensemble.

Borne inférieure de l’erreur de prédiction

Le résultat principal est une borne inférieure de confiance, calculable, pour l’erreur quadratique moyenne minimale de prédiction. Cette borne s’applique à toutes les matrices qui respectent une contrainte donnée sur la norme spectrale.

La borne tient compte de deux sources d’erreur :

• la variation intraclasse des coordonnées des états successeurs ;
• l’écart entre les coordonnées souples et les étiquettes one-hot correspondantes.

Le calcul s’appuie sur des paires indépendantes « état–successeur ». Il n’est pas nécessaire d’ajuster une matrice de prédiction. La borne peut être obtenue avant l’entraînement du prédicteur et servir de repère pour la précision atteignable.

Critère pratique : comparer l’erreur cible à la borne avant de choisir un modèle. Si la cible est inférieure à la borne, aucune matrice respectant la contrainte donnée sur la norme spectrale ne pourra l’atteindre.

Certificat : convergence et tolérance inatteignable

Pour des coordonnées et une distribution d’estimation fixées, le certificat converge presque sûrement vers la borne inférieure de population à mesure que la taille de l’échantillon augmente. À terme, toute tolérance inférieure à cette limite sera certifiée comme inatteignable.

Les marges des estimations de reconstruction limitent également l’erreur de passage d’une affectation souple à une affectation rigide. Autrement dit, une reconstruction médiocre nuit non seulement aux coordonnées, mais aussi à leur conversion ultérieure en une classe discrète.

Critère pratique : si la tolérance cible est inférieure à la borne, augmenter la taille de l’échantillon n’y changera rien. Il faut modifier la représentation ou la contrainte sur la norme spectrale.

Fermeture de Koopman et fonctions propres

Pour une dynamique déterministe et une fermeture exacte des coordonnées, les vecteurs propres de la matrice de fermeture définissent les fonctions propres de l’opérateur de Koopman. Les vecteurs propres de sa matrice transposée réduite définissent les fonctions propres de l’opérateur de Koopman adjoint.

La représentation spectrale n’apparaît que lorsque la fermeture est exacte. Dans ce cas, la matrice de fermeture donne un accès direct aux caractéristiques spectrales de la dynamique.

Critère pratique : les conclusions spectrales tirées de la matrice de fermeture ne sont valables qu’après avoir vérifié l’exactitude de la fermeture pour la dynamique considérée. Dans le cas contraire, le spectre décrit un modèle ajusté, et non le système lui-même.

Mêmes coordonnées, applications dynamiques différentes

Une construction KAHM à quatre états montre que les mêmes coordonnées souples peuvent donner une fermeture exacte pour une application dynamique. Pour une autre application, ces mêmes coordonnées entraînent une erreur de prédiction strictement positive.

Il en découle trois conclusions :

• la fermeture concerne le couple « coordonnées et application dynamique » ;
• un résultat obtenu pour une dynamique ne peut pas être transposé à une autre ;
• la vérification doit être effectuée séparément pour chaque tâche.

Critère pratique : évaluer l’abstraction séparément pour chaque application dynamique. Le fait que les coordonnées coïncident ne confirme pas, à lui seul, l’existence d’une fermeture exacte.

Ce que montrent les benchmarks et ce qu’ils ne mesurent pas

Les expériences portent sur Duffing, Van der Pol, CartPole, MountainCar et Acrobot. La prédiction directe des coordonnées souples est comparée aux méthodes de référence state-space DMD/EDMD. Les mesures de prédiction, de variation de la représentation et les diagnostics spectraux sont présentés.

Les benchmarks évaluent des modèles ajustés. Le certificat d’exclusion n’y est pas calculé numériquement ; la partie expérimentale ne remplace donc pas la borne d’atteignabilité.

Critère pratique : un benchmark montre le comportement de modèles ajustés particuliers, tandis qu’un certificat fixe une limite pour toute une classe de matrices. Pour décider de la pertinence d’une approche, il faut évaluer ces outils séparément.