온라인 코어셋 선택을 통한 동적 시스템 학습

초록

본 논문은 프로세스 교란이 존재하는 선형 동적 시스템의 집합-멤버십 식별(set‑membership identification) 문제에 대해, 온라인으로 핵심 데이터(코어셋)만을 선택해 저장·연산량을 크게 줄이면서도 파라미터 가능한 집합(feasible parameter set)의 수렴을 보장하는 방법을 제시한다. 핵심 아이디어는 가능한 파라미터 집합을 다중 폴리헤드(스택드 폴리토프) 형태로 과대근사하고, 새로운 데이터가 이 집합을 충분히 수축시킬 경우에만 저장하는 기하학적 선택 기준을 도입하는 것이다. 이론적으로 영구적(영구적) 흥분(persistently exciting) 입력과 정확한 교란 경계가 주어지면 집합 부피가 거의 확실히 0으로 수렴함을 증명하고, 교란 경계가 부정확할 때는 Hausdorff 거리 상한을 제공한다. 또한 기대 코어셋 크기에 대한 상한을 구하고, 선형‑파라미터 구조를 갖는 비선형 시스템 및 측정 잡음이 존재하는 경우로 확장한다. 시뮬레이션을 통해 제안 방법의 데이터 효율성과 수렴 특성을 검증한다.

상세 분석

이 논문은 데이터가 연속적으로 흐르는 동적 시스템에서 “모든 데이터를 그대로 저장·처리”하는 전통적 접근법이 실시간 제어에 부적합하다는 점을 출발점으로 삼는다. 기존의 집합‑멤버십 식별은 관측된 입력‑출력 쌍을 모두 이용해 파라미터 가능한 집합 Θₛ를 정의하지만, 이 과정은 매번 새로운 부등식(또는 폴리토프)을 추가하면서 복잡도가 기하급수적으로 증가한다. 저자들은 이를 해결하기 위해 두 가지 핵심 기법을 도입한다. 첫째, Θₛ를 “스택드 폴리토프” 형태로 과대근사한다. 구체적으로, 시스템 행렬 Θ∈ℝⁿˣⁿᶻ 를 행별로 분리하고, 각 행에 대해 데이터‑의존적인 폴리토프 제약 Hᵢθᵢ ≤ cᵢ 를 만든 뒤, 모든 행을 수직으로 쌓아 하나의 고차원 폴리토프 Θ̂를 구성한다. 이 표현은 기존의 교차(intersection) 형태보다 연산적으로 더 친화적이며, 다중 설명 변수에 대한 선형 부등식 집합을 한 번에 관리할 수 있다. 둘째, 새로운 데이터 (zₖ₋₁, xₖ) 가 추가될 때마다 현재 폴리토프 Θ̂가 얼마나 수축되는지를 기하학적으로 평가한다. 저자들은 일반화된 Grünbaum 부등식(다각형의 중심에서의 지원함수 비율)을 이용해 “수축 비율”을 정의하고, 이 비율이 사전 설정된 임계값 α₀보다 클 경우에만 데이터를 코어셋에 포함한다. 이렇게 하면 선택된 데이터는 실제로 파라미터 불확실성을 크게 감소시키는 경우에만 저장된다.

이론적 분석은 세 부분으로 나뉜다. (1) 영구적 흥분 입력과 정확한 교란 경계 W가 주어질 때, 선택된 코어셋을 통해 구성된 폴리토프의 부피 vol(Θ̂ₖ) 가 거의 확실히 0으로 수렴함을 정리 1(정리 1)에서 증명한다. 여기서는 마르코프 체인 수렴 이론과 Borel‑Cantelli 보조정리를 활용해 “거의 확실히”라는 확률적 수렴을 확보한다. (2) 교란 경계가 실제보다 크게 설정될 경우, 코어셋 기반 폴리토프와 전체 데이터 기반 폴리토프 사이의 Hausdorff 거리 d_H(Θ̂ₖ, Θ_