Exponential mixing properties of nonlinear functional autoregressive models
非线性函数型自回归模型的指数混合性质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：摘要明确研究函数型时间序列的自回归动态、指数混合性质和依赖数据下的学习理论。
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
非线性函数型自回归模型的指数混合性质
- 研究问题
- 非线性函数型自回归模型在什么条件下具有指数混合性，这类依赖控制又能如何支持函数型时间序列中的自适应学习？
- 方法与思路
- 作者给出指数混合的充分条件和 Hammerstein 算子示例，再针对 Urysohn 算子模型分析深度神经网络自适应估计。
- 材料陈述的贡献
- 摘要称，建立非线性函数型自回归模型的指数混合条件，并将其用于推导基于深度神经网络的自适应估计量收敛率。
- 阅读关注点
- 应核对混合条件涉及的算子与扰动要求、两类算子的关系，以及网络复杂度、函数空间和依赖程度如何决定收敛率。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；充分条件、具体收敛速率及适用边界未说明，不能判断一般模型均适用。
原文摘要
The importance of functional data analysis has increased substantially in recent years. In machine learning, nonlinear function regression based on deep neural networks is referred to as operator learning, and many of its applications involve functional time series data. However, the theoretical understanding of nonlinear models in functional time series analysis remains limited, as most existing works focus on linear models. In this paper, we derive basic properties for analyzing adaptive learning in nonlinear functional autoregressive (NFAR) models. Specifically, we derive sufficient conditions for NFAR models to be exponentially mixing. We provide an example with a Hammerstein operator under which these conditions are satisfied. As an application of exponential mixing, we consider operator learning for NFAR models with Urysohn operators and derive convergence rates for adaptive estimators based on deep neural networks.