Границы прогнозирования и купмановское замыкание геометрически индуцированных мягких представлений состояний

Когда мягкая абстракция допускает линейную динамику

Работа «Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions» вышла на arXiv под номером 2609.32652. Авторы — Mohit Kumar и Somayeh Kargaran, подана 26 сентября 2026 года. Исследование отвечает на вопрос: когда мягкие абстракции состояний, индуцированные геометрией, допускают точную конечномерную линейную динамику.

Устройство представления в работе такое:

• каждое состояние задают координаты со значениями в симплексе;
• координаты получают из оценок реконструкции class-specific Kernel Affine Hull Machine (KAHM);
• матрица переводит координаты текущего состояния в координаты следующего.

Мягкие координаты — это распределение по классам, а не жёсткое назначение. Отклонение мягких координат от one-hot меток становится отдельным фактором, который влияет на предсказание.

Практический критерий: точное замыкание — свойство пары «представление и карта динамики», а не только представления. Проверять его нужно на конкретной динамике, а не на абстракции в целом.

Нижняя граница ошибки предсказания

Основной результат — вычислимая нижняя доверительная граница для минимальной среднеквадратичной ошибки предсказания. Граница действует среди всех матриц, которые удовлетворяют заданному ограничению на спектральную норму.

Граница учитывает два источника ошибки:

• внутриклассовую вариацию координат состояний-преемников;
• отклонение мягких координат от соответствующих one-hot меток.

Вычисление опирается на независимые пары «состояние—преемник». Подбирать матрицу предсказания для этого не нужно. Границу можно получить до обучения предиктора и использовать как ориентир достижимой точности.

Практический критерий: сравнивать целевую ошибку с границей до выбора модели. Если цель ниже границы, никакая матрица с заданным ограничением на спектральную норму её не достигнет.

Сертификат: сходимость и недостижимый допуск

При фиксированных координатах и распределении оценки сертификат почти наверное сходится к популяционной нижней границе с ростом размера выборки. Любой допуск ниже этого предела в конечном счёте будет сертифицирован как недостижимый.

Запасы оценок реконструкции также ограничивают ошибку перехода от мягкого назначения к жёсткому. То есть слабая реконструкция мешает не только координатам, но и последующему переводу в дискретный класс.

Практический критерий: если целевой допуск лежит ниже границы, наращивание выборки не поможет. Менять нужно представление или ограничение на спектральную норму.

Купмановское замыкание и собственные функции

При детерминированной динамике и точном замыкании координат собственные векторы матрицы замыкания задают собственные функции оператора Купмана. Собственные векторы её редуцированной транспонированной матрицы задают собственные функции сопряжённого оператора Купмана.

Спектральная картина появляется только там, где замыкание точное. Матрица замыкания в этом случае даёт прямой доступ к спектральным характеристикам динамики.

Практический критерий: использовать спектральные выводы по матрице замыкания можно лишь после проверки точности замыкания на конкретной динамике. Иначе спектр описывает подогнанную модель, а не саму систему.

Одинаковые координаты — разные карты динамики

Четырёхсостоянийная конструкция KAHM показывает: одинаковые мягкие координаты могут давать точное замыкание для одной карты динамики. Для другой карты те же координаты вынуждают положительную ошибку предсказания.

Отсюда следуют три вывода:

• замыкание относится к паре «координаты и карта динамики»;
• переносить результат с одной динамики на другую нельзя;
• проверка нужна отдельно для каждой задачи.

Практический критерий: оценивать абстракцию по каждой карте динамики отдельно. Совпадение координат само по себе не подтверждает точное замыкание.

Что показывают бенчмарки и чего они не считают

Эксперименты охватывают Duffing, Van der Pol, CartPole, MountainCar и Acrobot. Прямое предсказание мягких координат сравнивают с базовыми методами state-space DMD/EDMD. Приводят показатели предсказания, вариации представления и спектральные диагностики.

Бенчмарки оценивают подогнанные модели. Сертификат исключения в них численно не считают, поэтому экспериментальная часть не заменяет границу достижимости.

Практический критерий: бенчмарк показывает поведение конкретных подогнанных моделей, а сертификат задаёт предел для целого класса матриц. Для решения о применимости эти инструменты нужно считать раздельно.