离线学习与在线学习结合的自适应预测理论
机器学习
2025-12-02 v1 系统与控制
系统与控制
摘要
实际智能系统通常通过结合离线学习和在线适应来运行，处理高度相关且非平稳的系统数据或信号，但文献中很少对此进行理论上的考察。本文对一种两阶段学习框架的预测性能进行理论探索，适用于一类非线性随机动力系统。对于离线学习阶段，我们在具有强相关性和分布迁移的通用数据集下，建立了近似非线性最小二乘估计的泛化误差上界，利用KL散度来量化分布差异。对于在线适应阶段，我们在离线训练模型的基础上，提出一种meta-LMS预测算法，以应对实际目标系统中可能的不确定参数漂移。这种结合了离线学习与在线适应的两阶段框架，表现出优于纯离线或纯在线方法的优异预测性能。本文提供了理论保证和实证研究。
引用
@article{arxiv.2512.00342,
title = {Adaptive prediction theory combining offline and online learning},
author = {Haizheng Li and Lei Guo},
journal= {arXiv preprint arXiv:2512.00342},
year = {2025}
}