Статистические данные > Машинное обучение [представлено 8 октября 2026 года] Название: RoroboodLDS: Обучение линейным динамическим системам в условиях состязательной коррупции View PDF HTML (экспериментальное) Резюме: Мы рассматриваем проблему изучения линейных динамических систем при противоборстве с одной траекторией длины $Т. Хотя определение самих линейных динамических систем хорошо изучено, проблема надежной идентификации системы при состязательном загрязнении рассматривается относительно реже. В этой работе мы изучаем ситуацию, когда часть наблюдений в долл. Мы предлагаем различные оценки, основанные на расслаблении наименьших квадратов наряду с алгоритмом попеременной минимизации. Кроме того, мы также предлагаем два оценочных элемента, которые используют групповой паритет (путем наказания/жестких ограничений) выпадающих. Для оценки с групповым наказанием мы вычисляем неасимптотические границы ошибок, которые определяют ее устойчивость к резкому отклонению. Мы также эмпирически показываем, что предлагаемые оценки работают на практике эффективно. История представления: Aravinda Kanchena Ruwanpatirana [видение электронной почты] [v1] Thu, 8 октября 2026 13:08:25 UTC (12 291 KB) Текущий контекст просмотра: stat.ML ссылки и цитаты загружаются... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и…
" RoughLDS: Обучение линейным динамическим системам в условиях конкурентной коррупции
arXiv: 2610.11906v1 Аннонс Тип: новое резюме. Мы рассматриваем проблему изучения линейных динамических систем под состязательным загрязнением с одной траектории длины в долл. США. Хотя определение самих линейных динамических систем хорошо изучено, проблема надежной идентификации системы при состязательном загрязнении рассматривается относительно реже. В этой работе мы изучаем ситуацию, когда часть наблюдений в долл. Мы предлагаем различные оценки, основанные на расслаблении наименьших квадратов наряду с алгоритмом попеременной минимизации. Кроме того, мы также предлагаем два оценочных элемента, которые используют групповой паритет (путем наказания/жестких ограничений) выпадающих. Для оценки с групповым наказанием мы вычисляем неасимптотические границы ошибок, которые определяют ее устойчивость к резкому отклонению. Мы также эмпирически показываем, что предлагаемые оценки работают на практике эффективно.