실시간 데이터 분석은 계산 효율성을 유지하면서 비정상(nonstationary) 데이터 스트림 내의 비선형 동역학(nonlinear dynamics)을 정확하고 적응적으로 처리하는 능력을 요구합니다. 그러나 비선형 동역학은 매우 복잡하여, 엄격한 시간 제약 조건 하에서 동적으로 변화하는 비선형 패턴을 포착하고 이를 다운스트림 태스크(downstream tasks)에 활용하는 것은 쉽지 않은 일입니다. 비선형 복잡성과 계산적 다루기 쉬움(computational tractability) 사이의 간극을 메우기 위해, 본 연구는 비선형 동역학이 무한 차원 공간에서의 선형 전이(linear transitions)로 표현될 수 있다는 Koopman operator 이론을 적용합니다. 이 연산자(operator)의 유한 차원 근사(finite-dimensional approximations)를 기반으로, 우리는 비정상 데이터 스트림에 대해 비선형 동역학을 모델링하는 효율적인 스트리밍 알고리즘인 AdaKoop을 제시합니다. 우리의 접근 방식은 Koopman operator 이론에 근거한 확률적 프레임워크(probabilistic framework)를 활용하며, 원시 관측값(raw observations)과 재생 커널 힐베르트 공간 (RKHS, reproducing kernel Hilbert space) 특징을 모두 잠재 벡터(latent vectors)로부터의 방출(emissions)로 취급합니다. 이러한 이중 뷰(dual-view) 정식화는 비선형 동역학을 다루기 쉬운 선형 시스템으로 표현할 수 있게 합니다. 따라서 AdaKoop은 반복적인 비선형 최적화(iterative nonlinear optimization)의 과도한 계산 비용을 피하면서, 스트리밍 방식으로 비선형 동역학을 효율적이고 안정적으로 모델링할 수 있게 합니다. 나아가, 데이터 스트림의 비정상성(nonstationarity)을 해결하기 위해, AdaKoop은 급격한 패턴 변화에 대한 통계적 가설 검정(statistical hypothesis testing)을 통해 패턴의 전환을 적응적으로 감지하고, 연속적인 변화를 처리하기 위해 모델 파라미터를 점진적으로 업데이트합니다. 다양한 도메인에 걸친 총 71개의 실제 벤치마크 데이터셋을 대상으로 한 광범위한 실험을 통해, AdaKoop이 실시간 예측 정확도와 계산 효율성 측면에서 최첨단(state-of-the-art) 방법론들을 능가함을 입증하였습니다.