Barron-Wiener-Laguerre models
Barron–Wiener–Laguerre 模型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：摘要明确面向时间序列建模、稳定动态和非线性系统辨识；因果算子措辞不足以支持处理效应推断分类。
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
Barron–Wiener–Laguerre 模型
- 研究问题
- 如何在保持 Wiener–Laguerre 动态模型结构效率与可解释性的同时，为其非线性输出引入概率建模和后验预测不确定性？
- 方法与思路
- 作者用 Laguerre 基表示稳定线性动态，将非线性映射解释为参数测度上的 Barron 积分近似，并在该映射上引入贝叶斯推断。
- 材料陈述的贡献
- 摘要提出融合经典系统辨识与测度函数近似的概率模型类，把确定性点预测扩展为具有后验预测不确定性的非线性时序建模框架。
- 阅读关注点
- 应核对因果算子中的时间方向约束、动态稳定性、非线性近似和先验设定，以及后验计算方法与预测不确定性的校准证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出校准或实证结果，此处因果动态不能直接理解为干预效应识别。
原文摘要
We propose a probabilistic extension of Wiener-Laguerre models for causal operator learning. Classical Wiener-Laguerre models parameterize stable linear dynamics using orthonormal Laguerre bases and apply a static nonlinear map to the resulting features. While structurally efficient and interpretable, they provide only deterministic point estimates. We reinterpret the nonlinear component through the lens of Barron function approximation, viewing two-layer networks, random Fourier features, and extreme learning machines as discretizations of integral representations over parameter measures. This perspective naturally admits Bayesian inference on the nonlinear map and yields posterior predictive uncertainty. By combining Laguerre-parameterized causal dynamics with probabilistic Barron-type nonlinear approximators, we obtain a structured yet expressive class of causal operators equipped with uncertainty quantification. The resulting framework bridges classical system identification and modern measure-based function approximation, providing a principled approach to time-series modeling and nonlinear systems identification.