具有有限样本保证的高效系统识别中的变量误差方法

本文解决了从噪声观察中学习线性动态系统的问题。在这种情况下，现有算法要么产生偏倚的参数估计，要么具有较大的样本复杂度。我们通过将工具变量方法和偏差补偿方法（最初为变量误差模型提出）调整到我们的环境中来解决这些问题。我们提供了对这两种方法的精细非渐近分析。在温和条件下，我们的算法实现了优越的样本复杂度，与学习完全可观察系统而没有观察噪声的已知最佳样本复杂度相匹配。