Skip to content
Hot eventLive

从缺失观测中学习结构化线性动态系统研究

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026年10月9日，arXiv Statistics Machine Learning 发布论文《从缺失观测中学习结构化线性动态系统》。该研究针对凸集 𝒦 上仅部分观测可用的结构化线性动态系统学习问题，提出通过最小化偏差校正且可能非凸目标函数的估计量。研究给出依赖 𝒦 局部复杂度、轨迹长度 T 与子采样概率 p 的非渐近统计误差界，并证明投影梯度下降算法的收敛性。理论应用于子空间、双等单调矩阵与由 Lipschitz 函数采样行构成的矩阵三类场景，证明在 T 远小于无约束情形且 p = o(1) 时仍可有效恢复转移矩阵。

Generated from reports · updated 3 hr ago

LatestOct 9
arXiv 发布该论文，提出偏差校正估计量及误差界，证明投影梯度下降收敛性。

Timeline

Follow the coverage from different angles.

Oct 9, 2026
  1. arXiv · Statistics Machine Learning
    从缺失观测中学习结构化线性动态系统

    论文研究在凸集 𝒦 上、仅部分观测可用的结构化线性动态系统学习问题，提出最小化偏差校正且可能非凸目标函数的估计量。给出依赖 𝒦 局部复杂度、轨迹长度 T 与子采样概率 p 的非渐近统计误差界，并证明投影梯度下降算法的收敛性。理论应用于子空间、双等单调矩阵与由 Lipschitz 函数采样行构成的矩阵三类场景，证明在 T 远小于无约束情形且 p = o(1) 时仍可有效恢复转移矩阵。

Heat trend

Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –

02.557.510Oct9Oct9Oct9Oct9

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.