Adaptive Learning with Nonlinear Dynamics Driven by Dependent Processes
依赖过程驱动的非线性动态中的适应性学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般学习算法及依赖随机过程的收敛理论，未明确涉及给定细分中的具体经济模型或实证任务，分类证据不足。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
依赖过程驱动的非线性动态中的适应性学习
- 研究问题
- 经济主体的适应性学习算法在非线性动态和具有一定依赖性的随机过程驱动下，何时能够收敛，并如何给出便于核验的条件？
- 方法与思路
- 作者扩展既有适应性学习的收敛分析框架，允许非线性运动规律及 mixing、mixingale 等依赖过程，并给出适合学习问题的条件。
- 材料陈述的贡献
- 摘要称论文提供适应性学习算法的收敛理论，拓宽可处理的非线性与适度随机依赖情形，并强调条件应易于核验或具有可解释性。
- 阅读关注点
- 核对收敛概念、算法形式及步长要求，非线性动态与依赖过程分别需满足什么条件，以及这些条件在具体学习模型中如何验证。
- 阅读边界
- 摘要未说明具体算法、依赖强度限制、收敛速度或经济应用；其收敛结论需结合全文条件理解，不能推及任意非线性学习过程。
原文摘要
The authors provide a convergence theory for adaptive learning algorithms useful for the study of learning by economic agents. Their results extend the framework of L. Ljung previously utilized by A. Marcet-T. J. Sargent and M. Woodford by permitting nonlinear laws of motion driven by stochastic processes that may exhibit moderate dependence, such as mixing and mixingale processes. The authors draw on previous work by H. J. Kushner and D. S. Clark to provide readily verifiable and/or interpretable conditions ensuring algorithm convergence, chosen for their suitability in the context of adaptive learning. Copyright 1994 by The Econometric Society.