Métodos de Erro em Variáveis para Identificação de Sistema Eficiente com Garantias de Amostra Finita

Este artigo aborda o problema de aprender sistemas dinâmicos lineares a partir de observações ruidosas. Neste contexto, os algoritmos existentes geram estimativas de parâmetros tendenciosas ou apresentam grandes complexidades de amostra. Resolvemos essas questões adaptando o método de variável instrumental e o método de compensação de viés, originalmente propostos para modelos de erro em variáveis, ao nosso contexto. Fornecemos uma análise não assintótica refinada para ambos os métodos. Sob condições leves, nossos algoritmos alcançam complexidades de amostra superiores que correspondem à melhor complexidade de amostra conhecida para aprender um sistema totalmente observável sem ruído de observação.