Consistency of support vector machines for forecasting the evolution of an unknown ergodic dynamical system from observations with unknown noise
未知噪声下遍历动力系统预测的支持向量机一致性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：摘要明确讨论依赖观测序列的下一期状态预测及混合条件，对应预测与时间序列方法。
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
未知噪声下遍历动力系统预测的支持向量机一致性
- 研究问题
- 仅凭带有未知观测噪声的状态序列，支持向量机能否学得未知遍历动力系统的最佳下一期可观测状态预测器？
- 方法与思路
- 作者先对满足一种弱于 α 混合的依赖条件的过程建立支持向量机一致性结果，再用于高斯 RBF 核下的动力系统预测。
- 材料陈述的贡献
- 摘要称在噪声有界且 α 混合率可求和、系统映射满足紧域 Lipschitz 连续及相关衰减可求和等条件下，可学得最佳预测器。
- 阅读关注点
- 应核对最佳预测器对应的损失定义、弱混合条件、核与正则化参数选择，以及动力系统与噪声条件如何用于一致性证明。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一致性依赖所列条件，摘要未说明收敛速度、有限样本精度或经济数据中的适用性。
原文摘要
We consider the problem of forecasting the next (observable) state of an unknown ergodic dynamical system from a noisy observation of the present state. Our main result shows, for example, that support vector machines (SVMs) using Gaussian RBF kernels can learn the best forecaster from a sequence of noisy observations if (a) the unknown observational noise process is bounded and has a summable α-mixing rate and (b) the unknown ergodic dynamical system is defined by a Lipschitz continuous function on some compact subset of ℝd and has a summable decay of correlations for Lipschitz continuous functions. In order to prove this result we first establish a general consistency result for SVMs and all stochastic processes that satisfy a mixing notion that is substantially weaker than α-mixing.