A Trek Rule for the Lyapunov Equation
Lyapunov 方程的 Trek 路径规则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：摘要聚焦稳态协方差的矩阵与图论性质，未明确研究时间序列估计或因果识别，现有细分领域的归类证据不足。
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
Lyapunov 方程的 Trek 路径规则
- 研究问题
- 高斯 Markov 过程的漂移图结构如何决定稳态协方差，以及这种协方差模型与线性加性噪声模型有哪些差异？
- 方法与思路
- 作者为 Lyapunov 方程建立新的 Trek 规则，将稳态协方差展开为漂移与波动矩阵元素的幂级数，无环情况下进一步简化。
- 材料陈述的贡献
- 摘要称，无环模型可得到关于漂移矩阵非对角元素的多项式表达，并推导边际方差的新下界，帮助分析拓扑顺序上的方差变化。
- 阅读关注点
- 应核对稳态存在及级数收敛的条件、无环化简的适用范围，以及方差下界究竟支持何种沿拓扑顺序变化的结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出定理条件，图结构与协方差的联系也不直接构成因果识别结果。
原文摘要
The Lyapunov equation is a linear matrix equation characterizing the cross-sectional steady-state covariance matrix of a Gaussian Markov process. We show a new version of the trek rule for this equation, which links the graphical structure of the drift of the process to the entries of the steady-state covariance matrix. In general, the trek rule is a power series expansion of the covariance matrix in the entries of the drift and volatility matrices. For acyclic models it simplifies to a polynomial in the off-diagonal entries of the drift matrix. Using the trek rule we can give relatively explicit formulas for the entries of the covariance matrix for some special cases of the drift matrix. These results illustrate notable differences between covariance models entailed by the Lyapunov equation and those entailed by linear additive noise models. To further explore differences and similarities between these two model classes, we use the trek rule to derive a new lower bound on the marginal variances in the acyclic case. This sheds light on the phenomenon, well known for the linear additive noise model, that the variances in the acyclic case tend to increase along a topological ordering of the variables.