선형 동적 시스템 (LDS)의 온라인 학습을 위한 메모리 효율적인 통합 알고리즘

요약

선형 동적 시스템(LDS)의 온라인 예측을 위해 메모리 효율적인 통합 알고리즘을 제안합니다. 시스템의 불안정성 복잡도(k)에 따라 파라미터 수를 $\widetilde{O}(k)$로 유지하며 서선형 후회를 달성합니다. 실험을 통해 고차원 시스템에서 기존 방식보다 뛰어난 성능을 입증했습니다.

핵심 포인트

• 불안정성 복잡도(k)에 적응하는 메모리 효율적 알고리즘 제안
• 비대각화 가능 시스템을 포함한 모든 LDS에 적용 가능
• 학습 파라미터 수를 $\widetilde{O}(k)$로 최적화하여 메모리 절약
• 필터 기반 예측기에 필요한 최소 필터 개수가 k임을 증명
• 고차원 시스템에서 기존 방법론 대비 우수한 성능 확인