분산 쿠프만 연산자 학습을 위한 순차 관측 프레임워크

초록

본 논문은 여러 에이전트가 시간적으로 단편화된 관측 데이터를 공유 그래프를 통해 교환하며, 각 에이전트가 로컬 Koopman 근사값을 추정하고 전체 시스템에 대한 일관된 Koopman 연산자를 지수적 수렴으로 합의하는 분산 학습 알고리즘을 제안한다. 비동기·제한된 센싱 환경에서도 수렴과 예측 정확도를 검증한다.

상세 분석

이 연구는 비선형 동역학을 선형화하는 Koopman 연산자 이론을 기반으로, 데이터가 시간에 따라 파편화된 다중 에이전트 시스템에서의 분산 학습 문제를 체계적으로 정의한다. 각 에이전트 i는 자체적으로 관측한 데이터 블록 ((X_i,Y_i))를 이용해 로컬 최소제곱 문제 (\min_{K_i}|Y_i-K_iX_i|_F^2)를 풀며, 모든 에이전트가 동일한 행렬 (K)에 도달하도록 합의 제약 (K_i=K_j)를 도입한다. 이를 그래프 라플라시안 (L)와 결합해 (KL=0) 형태의 전역 최적화 문제로 변환한다.

알고리즘 1은 PI(비례‑적분) 형태의 업데이트 법칙을 사용한다. 첫 번째 항은 로컬 그래디언트 ((K_iX_i-Y_i)X_i^\top)에 비례한 경사 하강으로 로컬 오차를 감소시키고, 두 번째 항은 인접 에이전트와의 차이를 비례‑확산(term) 및 적분(term)으로 보정해 합의를 촉진한다. 이때 증폭기 (k_P, k_I)와 스텝 사이즈 (\alpha)는 행렬 (M)의 고유값을 통해 충분조건이 도출되며, (\alpha<\alpha_{\max})이면 전체 시스템이 지수적으로 수렴한다는 정리 1이 제시된다.

수렴 분석은 블록 대각 행렬 구조와 라플라시안의 스펙트럼 특성을 이용해 2차 시스템 형태의 동역학 행렬 (M)의 안정성을 검증한다. 특히, (M)의 실부가 음인 고유값이 존재하도록 설계 파라미터를 선택하면, 모든 에이전트의 추정값이 중앙집중식 최적해 (K^*)에 일치하고, 동시에 라플라시안에 대한 영공간에 수렴한다.

시뮬레이션에서는 다중 UAV가 시차 있게 센싱하는 밀도 필드 추정 시나리오를 사용한다. 각 UAV는 제한된 시간 슬롯에서만 관측을 수행하고, 제한된 통신 대역폭으로 이웃에게 (K_i)만 전송한다. 결과는 분산 알고리즘이 중앙집중식 EDMD와 거의 동일한 예측 정확도를 달성함을 보여주며, 특히 센싱 간격이 길어질수록 중앙집중식 방법이 데이터 부족으로 성능이 저하되는 반면, 제안 방법은 시간적으로 파편화된 데이터를 효과적으로 통합한다.

본 논문의 주요 기여는 (1) 시간적으로 단편화된 관측을 전제로 한 분산 Koopman 학습 문제 정의, (2) PI 기반 합의 알고리즘과 그 수렴 조건의 엄밀한 행렬 이론 분석, (3) 제한된 센싱·통신 환경에서의 실용적 시뮬레이션 검증이다. 이러한 접근은 프라이버시 보호, 통신 부하 감소, 비동기 운영이 요구되는 대규모 사이버‑물리 시스템에 직접 적용 가능하다.