A Closed-Form Skew Penalty for Volterra Cross-Correlation Identification under Non-Gaussian Input
非高斯输入下 Volterra 互相关识别的闭式偏度惩罚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：摘要讨论有限记忆 Volterra 识别、互相关与输入分布匹配的正交基，属于时间序列/动态系统识别方向，故选 macro-time-series；其余细分领域在摘要中无直接文本依据。
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
非高斯输入下 Volterra 互相关识别的闭式偏度惩罚
- 研究问题
- 摘要关注有限记忆 Volterra 识别在非高斯输入下的病态问题：单项式参数化在非高斯输入下条件数差，而 Wiener--Hermite 展开仅在高斯白噪声输入下消除该病态，因此需要构造与输入分布匹配的正交基并刻画其估计风险。
- 方法与思路
- 作者提出用定向 Gram--Schmidt 对 L^2(P) 中的单项式正交化，构造分布匹配的 Volterra--Wiener--Kunchenko（VWK）基，作为任意多项式混沌坐标系用于有限记忆 Volterra 识别；分析基于矩、有限记忆且限于乘积型输入分布，并给出条件数实验与 Lean 4 形式化证明。
- 材料陈述的贡献
- 摘要称贡献在于 Volterra 估计的解读：给出二阶误设惩罚定理，表明方差匹配高斯基下的自归一化对角估计量产生由偏度系数 δ=μ_3/σ^2 控制的超额 L^2(P) 风险，对称输入时消失；条件数实验区分总体匹配 Gram 为单位阵与有限样本设计 Gram；并用 Lean 4 证明任意 N 的二项 Krawtchouk 行。
- 阅读关注点
- 应核对：偏度惩罚定理的识别假设与自归一化对角估计量的具体形式；δ 的定义与对称输入下风险消失的条件；n=2000 等条件数实验的设置与随阶数退化的程度；Lean 4 证明覆盖的范围；以及作者对 VWK 仅稳定对角互相关与正则化坐标拟合、不主张普遍预测优越性的限定。
- 阅读边界
- 这是 arXiv 预印本（v2），未经同行评审或期刊接收验证；摘要未说明真实数据应用、渐近分布、置信区间构造及非乘积输入分布下的表现，也不能据此判断相对其他方法的普遍优越性。
原文摘要
The monomial parameterization of finite-memory Volterra identification is ill-conditioned under non-Gaussian input, and the Wiener--Hermite expansion removes this ill-conditioning only for Gaussian white-noise input. We construct the distribution-matched Volterra--Wiener--Kunchenko (VWK) basis by oriented Gram--Schmidt orthogonalization of monomials in $L^2(P)$ and use it as an arbitrary-polynomial-chaos coordinate system for finite-memory Volterra identification from data, following the generalized polynomial chaos of Xiu and Karniadakis (2002) and the data-driven arbitrary polynomial chaos of Oladyshkin and Nowak (2012). The basis itself is classical; the contribution is the Volterra-estimation reading. First, an order-2 misspecification-penalty theorem shows that a self-normalized diagonal estimator in the variance-matched Gaussian basis incurs an excess $L^2(P)$ risk governed by the skew coefficient $δ=μ_3/σ^2$, vanishing exactly for symmetric inputs. Second, conditioning experiments separate the constructional fact that the population matched Gram is the identity from the finite-sample design Gram: at $n=2000$, the centered-exponential empirical VWK Gram remains far better conditioned than the power Gram, although it degrades with degree. Third, a machine-checked Lean 4 proof establishes the Binomial$(N,p)$ Krawtchouk row for arbitrary $N$. Full least squares over a fixed span is basis-invariant, so VWK stabilizes diagonal cross-correlation and regularized coordinate fits rather than claiming universal prediction superiority. The analysis is moment-based, finite-memory, and restricted to product input laws.