Core Concepts
시스템 식별 문제에서 안정적인 시스템과 주기적인 공격 하에서 상태 차원에 선형적인 샘플 복잡성으로 시스템 동역학을 정확하게 복구할 수 있으며, 확률적 공격 모델에서도 다항식 샘플 복잡성으로 정확한 복구가 가능하다.
Abstract
이 논문은 선형 이산 시간 시스템에 대한 시스템 식별 문제를 연구합니다. 시스템 동역학이 알려지지 않은 경우, 수집된 데이터를 사용하여 시스템 행렬을 학습하는 것이 중요합니다.
논문에서는 두 가지 볼록 추정기를 제안합니다:
추정된 교란 벡터의 ℓ2 노름 최소화
추정된 교란 벡터의 ℓ1 노름 최소화
이 추정기들은 시스템이 안정적이고 공격이 주기적으로 발생하는 경우 상태 차원에 선형적인 샘플 복잡성으로 정확한 복구를 달성할 수 있습니다.
또한 공격 벡터가 부가 가우시안인 경우, 확률적 공격 모델에서도 다항식 샘플 복잡성으로 정확한 복구가 가능합니다. 이는 공격 벡터가 과반수 이상인 경우에도 적용됩니다.
이 결과는 상관관계가 있는 데이터에 대한 동적 시스템의 학습에 대한 최초의 수학적 보장을 제공합니다.
Stats
시스템 차원 n에 선형적인 샘플 복잡성으로 정확한 복구 가능
확률적 공격 모델에서 다항식 샘플 복잡성으로 정확한 복구 가능
공격 벡터가 과반수 이상인 경우에도 정확한 복구 가능
Quotes
"시스템 식별 문제에서 안정적인 시스템과 주기적인 공격 하에서 상태 차원에 선형적인 샘플 복잡성으로 시스템 동역학을 정확하게 복구할 수 있다."
"공격 벡터가 부가 가우시안인 경우, 확률적 공격 모델에서도 다항식 샘플 복잡성으로 정확한 복구가 가능하다."
"이 결과는 상관관계가 있는 데이터에 대한 동적 시스템의 학습에 대한 최초의 수학적 보장을 제공한다."