通过 Rényi 散度构建一类线性时不变状态空间模型的 PAC-Bayesian 误差界

基于摘要分析。本文研究含输入的线性时不变随机状态空间模型（随机 LTI 系统）的学习与误差界问题，主要贡献是形式化该类系统的学习问题、推导 PAC-Bayesian 误差界，并讨论该误差界的推论。标题表明其误差界通过 Rényi 散度构建，但摘要未提供具体公式及推导条件。 研究对象是控制工程和计量经济学中常用的随机动力系统，而非 EEG 解码模型。作者指出，该类系统也可视为循环神经网络的一个特殊情形，因此本文的阅读价值主要在于动力系统学习的理论分析，不能据此推广到所有循环神经网络或现代 State Space Model。 需从全文核对的内容包括：允许的系统与噪声假设、预测目标和损失、先验与后验的定义、Rényi 散度在界中的具体作用，以及误差界如何依赖样本规模和时序数据结构。摘要未披露实验结果；实验协议、消融及统计信息尚未验证，也无法判断该界的紧致性或实践可计算性。 材料没有提供 EEG/BCI 验证。若用于神经信号时序建模，首先需要评估随机 LTI 假设是否适用；低信噪比、非平稳性及跨被试差异下的适用性尚未验证。已有 EEG 相关工作尚未检索确认。