从缺失观测学习结构化线性动力系统

一篇 arXiv 预印本提出用于从缺失观测中学习结构化线性动力系统的偏差校正估计器，适用于每一时刻仅能观测到少量数据、且转移矩阵被约束在凸集上的情形，并给出统计误差的非渐近界，该界取决于凸集局部复杂度、轨迹长度 T 与子采样概率 p。作者称，在 T 远小于无约束情形所需值、且 p = o(1) 时，仍可有效恢复转移矩阵。 论文同时证明投影梯度下降算法的收敛性，并将理论应用于子空间、双等调矩阵以及行由 Lipschitz 函数采样构成的矩阵三类场景。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。