Fronteiras de previsão e fechamento de Koopman de representações soft de estado induzidas geometricamente

Quando a abstração suave permite uma dinâmica linear

O trabalho «Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions» foi publicado no arXiv com o número 2609.32652. Os autores são Mohit Kumar e Somayeh Kargaran, e foi submetido em 26 de setembro de 2026. O estudo responde à pergunta: quando é que as abstrações suaves de estados induzidas pela geometria permitem uma dinâmica linear exata de dimensão finita?

A representação do trabalho funciona da seguinte forma:

• cada estado é definido por coordenadas com valores num simplex;
• as coordenadas são obtidas a partir de estimativas de reconstrução da class-specific Kernel Affine Hull Machine (KAHM);
• uma matriz transforma as coordenadas do estado atual nas coordenadas do estado seguinte.

As coordenadas suaves são uma distribuição por classes, não uma atribuição rígida. O desvio das coordenadas suaves em relação aos rótulos one-hot torna-se um fator independente que influencia a previsão.

Critério prático: o fecho exato é uma propriedade do par «representação e mapa da dinâmica», não apenas da representação. Deve ser verificado numa dinâmica específica, e não na abstração em geral.

Limite inferior do erro de previsão

O principal resultado é um limite inferior de confiança calculável para o erro quadrático médio mínimo de previsão. O limite aplica-se a todas as matrizes que satisfazem a restrição especificada para a norma espectral.

O limite tem em conta duas fontes de erro:

• a variação intraclasse das coordenadas dos estados sucessores;
• o desvio das coordenadas suaves em relação aos rótulos one-hot correspondentes.

O cálculo baseia-se em pares independentes «estado—sucessor». Não é necessário ajustar uma matriz de previsão. O limite pode ser obtido antes de treinar o preditor e usado como referência para a precisão alcançável.

Critério prático: compare o erro pretendido com o limite antes de escolher o modelo. Se o objetivo estiver abaixo do limite, nenhuma matriz com a restrição especificada para a norma espectral o conseguirá atingir.

Certificado: convergência e tolerância inalcançável

Com as coordenadas e a distribuição da estimativa fixas, o certificado converge quase certamente para o limite inferior populacional à medida que o tamanho da amostra aumenta. Qualquer tolerância abaixo deste limite acabará por ser certificada como inalcançável.

As margens das estimativas de reconstrução também limitam o erro na transição de uma atribuição suave para uma rígida. Ou seja, uma reconstrução fraca prejudica não só as coordenadas, mas também a conversão posterior para uma classe discreta.

Critério prático: se a tolerância pretendida estiver abaixo do limite, aumentar a amostra não ajudará. É necessário alterar a representação ou a restrição para a norma espectral.

Fecho de Koopman e funções próprias

Com uma dinâmica determinística e um fecho exato das coordenadas, os vetores próprios da matriz de fecho definem funções próprias do operador de Koopman. Os vetores próprios da sua matriz transposta reduzida definem funções próprias do operador adjunto de Koopman.

A descrição espectral só surge onde o fecho é exato. Neste caso, a matriz de fecho dá acesso direto às características espectrais da dinâmica.

Critério prático: só é possível usar conclusões espectrais baseadas na matriz de fecho depois de verificar a exatidão do fecho na dinâmica específica. Caso contrário, o espetro descreve um modelo ajustado, não o próprio sistema.

As mesmas coordenadas — mapas de dinâmica diferentes

Uma construção KAHM com quatro estados mostra que as mesmas coordenadas suaves podem proporcionar um fecho exato para um mapa de dinâmica. Para outro mapa, as mesmas coordenadas impõem um erro de previsão positivo.

Daqui decorrem três conclusões:

• o fecho diz respeito ao par «coordenadas e mapa da dinâmica»;
• não é possível transferir o resultado de uma dinâmica para outra;
• a verificação é necessária separadamente para cada tarefa.

Critério prático: avalie a abstração separadamente para cada mapa da dinâmica. A coincidência das coordenadas, por si só, não confirma um fecho exato.

O que os benchmarks mostram e o que não calculam

As experiências abrangem Duffing, Van der Pol, CartPole, MountainCar e Acrobot. A previsão direta das coordenadas suaves é comparada com os métodos de referência state-space DMD/EDMD. São apresentados indicadores de previsão, variação da representação e diagnósticos espectrais.

Os benchmarks avaliam modelos ajustados. Não calculam numericamente o certificado de exclusão, pelo que a componente experimental não substitui o limite de alcançabilidade.

Critério prático: um benchmark mostra o comportamento de modelos ajustados específicos, enquanto o certificado estabelece um limite para uma classe inteira de matrizes. Para decidir sobre a aplicabilidade, estas ferramentas devem ser calculadas separadamente.