研究人员开发了识别线性动力系统的新方法，特别是在系统矩阵的先验结构信息可用时。第一篇论文侧重于凸约束，推导出误差界限，与无约束方法相比，在样本量较小时提高了估计精度。第二篇论文解决了多个线性动力系统的联合学习问题，提出了一种总变差惩罚估计器，即使在系统数量增加且轨迹长度恒定的情况下，也能实现精确估计，尤其是在系统平滑变化或在连接图上跳跃次数很少的情况下。 AI
影响 这些论文引入了先进的统计技术，可以提高依赖于时间序列数据和系统识别的各种人工智能应用中的建模和预测能力。
排序理由 两篇在arXiv上发表的学术论文，详细介绍了学习线性动力系统的新统计方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2303.15121v5 Announce Type: replace-cross Abstract: We consider the problem of finite-time identification of linear dynamical systems from $T$ samples of a single trajectory. Recent results have predominantly focused on the setup where either no structural assumption is mad…
arXiv:2511.18737v3 Announce Type: replace-cross Abstract: We consider the problem of joint estimation of the parameters of $m$ linear dynamical systems, given access to single realizations of their respective trajectories, each of length $T$. The linear systems are assumed to res…