PAC-Bayesian-Like Error Bound for a Class of Linear Time-Invariant Stochastic State-Space Models
一类线性时不变随机状态空间模型的类 PAC-Bayes 误差界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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究带输入的随机动态状态空间模型，直接涉及时间依赖系统的建模与学习。
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…
一类线性时不变随机状态空间模型的类 PAC-Bayes 误差界
- 研究问题
- 对于带有输入的线性时不变随机状态空间系统，如何形式化学习问题，并为所学模型建立类 PAC-Bayes 误差界？
- 方法与思路
- 作者聚焦一类随机线性时不变系统，先定义带输入的学习任务，再推导类 PAC-Bayes 误差界并讨论其若干推论。
- 材料陈述的贡献
- 摘要所述贡献是为该类动态系统建立学习问题与误差界框架，并指出其与控制工程、计量经济学及部分循环神经网络的联系。
- 阅读关注点
- 应核对系统类别的限制、输入与噪声条件、误差和风险的定义，以及该界与标准 PAC-Bayes 结果之间的具体区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未提供误差界公式、适用条件、界的紧致性或实证结果。
原文摘要
In this paper we derive a PAC-Bayesian-Like error bound for a class of stochastic dynamical systems with inputs, namely, for linear time-invariant stochastic state-space models (stochastic LTI systems for short). This class of systems is widely used in control engineering and econometrics, in particular, they represent a special case of recurrent neural networks. In this paper we 1) formalize the learning problem for stochastic LTI systems with inputs, 2) derive a PAC-Bayesian-Like error bound for such systems, 3) discuss various consequences of this error bound.