📊 statistics

CLT-Optimal Parameter Error Bounds for Linear System Identification

यह शोध पत्र यह प्रदर्शित करता है कि लीनियर सिस्टम आइडेंटिफिकेशन के लिए वर्तमान अत्याधुनिक सीमाएँ (bounds) पैरामीटर त्रुटियों को स्टेट डायमेंशन के एक कारक से अधिक आंकती हैं और इंस्टेंस-विशिष्ट इष्टतम दरों से मेल खाने वाले परिमित-नमूना सीमाएँ (finite-sample bounds) प्राप्त करने के लिए मैट्रिक्स-वैल्यूड मार्टिंगेल पर आधारित एक नवीन द्वितीय-क्रम अपघटन (second-order decomposition) प्रस्तुत करता है।

मूल लेखक: Yichen Zhou, Stephen Tu

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yichen Zhou, Stephen Tu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: तूफान में रेडियो ट्यून करना

कल्पना कीजिए कि आप एक पुराने जमाने के रेडियो को एक विशिष्ट स्टेशन पर ट्यून करने की कोशिश कर रहे हैं। आप जानते हैं कि स्टेशन मौजूद है, लेकिन सिग्नल कमजोर है, और हर तरफ शोर (noise) है। आपका लक्ष्य यह पता लगाना है कि रेडियो वास्तव में कैसे काम करता है (यानी "सिस्टम पैरामीटर्स"), केवल समय के साथ उससे निकलने वाली आवाज़ को सुनकर।

इंजीनियरिंग और मशीन लर्निंग की दुनिया में, इसे सिस्टम आइडेंटिफिकेशन (System Identification) कहा जाता है। आपके पास एक मशीन (एक लीनियर डायनेमिकल सिस्टम) है जो एक इनपुट लेती है, उस पर कुछ प्रक्रिया करती है, और एक आउटपुट देती है। आप उस मशीन के आंतरिक नियमों को रिवर्स-इंजीनियर करना चाहते हैं।

पिछले एक दशक से, वैज्ञानिक यह बताने में बहुत अच्छे रहे हैं कि, "यदि आप इतनी देर तक सुनते हैं, तो आपको एक अच्छा अनुमान मिल जाएगा।" उन्होंने गणितीय "सुरक्षा जाल" (bounds) बनाए हैं जो यह वादा करते हैं कि आपका अनुमान कितना सटीक होगा।

समस्या: इस शोध पत्र के लेखक, यिचेन झोउ और स्टीफन टू ने पाया कि ये सुरक्षा जाल वास्तव में बहुत ढीले (too loose) हैं। वे विशाल, ढीले छेदों वाले सुरक्षा जाल की तरह हैं। वे कहते हैं, "आप गिर सकते हैं," लेकिन वास्तव में, आप ठोस जमीन पर खड़े हैं। मौजूदा गणित आपके एरर (त्रुटि) का बहुत अधिक आकलन करता है, कभी-कभी सिस्टम के आकार के बराबर कारक से भी अधिक।

मुख्य खोज: "औसत" बनाम "सबसे खराब स्थिति"

लेखकों ने महसूस किया कि पिछला गणित सबसे खराब स्थिति (worst-case scenario) (सबसे खराब संभव शोर पैटर्न) को देख रहा था, न कि सामान्य स्थिति (typical scenario) को।

पुराना तरीका: कल्पना कीजिए कि मौसम का पूर्वानुमान कहता है, "बारिश हो सकती है, या ओले गिर सकते हैं, या तूफान आ सकता है, इसलिए नाव साथ रखें।" यह सुरक्षित है, लेकिन अगर सिर्फ हल्की बूंदाबांदी हो रही हो, तो यह कष्टदायक है।
नया तरीका: लेखकों ने सेंट्रल लिमिट थ्योरम (CLT) नामक अवधारणा का उपयोग किया। इसे "औसत का नियम" (Law of Averages) समझें। यदि आप पर्याप्त बार एक सिक्का उछालते हैं, तो परिणाम एक अनुमानित बेल कर्व (bell curve) में स्थिर हो जाते हैं। लेखकों ने महसूस किया कि अधिकांश वास्तविक दुनिया के सिस्टम के लिए, त्रुटियां (errors) उसी अनुमानित बेल कर्व की तरह व्यवहार करती हैं, न कि किसी अराजक तूफान की तरह।

उन्होंने पाया कि इस "औसत के नियम" का उपयोग करके, वे एरर का बहुत अधिक सटीक अनुमान लगा सकते हैं। पुराना गणित कहता था, "आपका एरर स्टेट डायमेंशन का 100 गुना हो सकता है।" नया गणित कहता है, "वास्तव में, आपका एरर स्टेट डायमेंशन का केवल 1 गुना है।" यह एक बहुत बड़ा सुधार है।

दो परिदृश्य: एक लंबी कहानी बनाम कई छोटी कहानियाँ

यह शोध पत्र डेटा एकत्र करने के दो तरीकों को देखता है:

स्थिर प्रणाली (एक लंबी कहानी - The Stable System): आप एक ही मशीन को बहुत लंबे समय तक देखते हैं।
- उपमा: आप एक कमरे में बैठते हैं और 10 घंटे तक रेडियो सुनते हैं।
- चुनौती: यदि कमरा बहुत शांत है (सिस्टम अस्थिर है), तो आप कुछ भी नहीं सुन पाएंगे। लेकिन यदि कमरा स्थिर है, तो नया गणित दिखाता है कि आप पहले की तुलना में बहुत तेज़ी से नियमों को सीख सकते हैं।
कई प्रक्षेपवक्र (कई छोटी कहानियाँ - The Many Trajectories): आप बहुत सी अलग-अलग मशीनों को थोड़े समय के लिए देखते हैं।
- उपमा: आपके पास 1,000 अलग-अलग कमरों में 1,000 लोग हैं, और आप प्रत्येक को 10 मिनट तक सुनते हैं।
- चुनौती: पिछले गणित ने माना था कि एक अच्छा उत्तर पाने के लिए आपको बहुत से लोगों की आवश्यकता होगी। नया गणित दिखाता है कि यदि कमरों में शोर "समान" (uniform) नहीं है (कुछ कमरे दूसरों की तुलना में अधिक शोर वाले हैं), तो आप वास्तव में कम लोगों या कम सुनने के समय के साथ भी काम चला सकते हैं।

गुप्त हथियार: एक बेहतर आवर्धक लेंस (Magnifying Glass)

उन्होंने गणित को कैसे ठीक किया? उन्होंने एरर को देखने का तरीका बदल दिया।

पुराना तरीका: उन्होंने एरर को दो बड़े हिस्सों में विभाजित किया: "शोर (Noise)" और "डेटा (Data)"। उन्होंने उनका अलग-अलग विश्लेषण किया। यह एक चलती हुई कार को इंजन और पहियों को अलग-अलग देखकर मापने की कोशिश करने जैसा था, और फिर गति का अनुमान लगाने जैसा था। यह अव्यवस्थित था और इससे एरर का बहुत अधिक आकलन हुआ।
नया तरीका: उन्होंने एक सेकंड-ऑर्डर डिकंपोजिशन (Second-Order Decomposition) का उपयोग किया।
- उपमा: कल्पना कीजिए कि आप हवा को मापने की कोशिश कर रहे हैं। पुराने तरीके में आपने कहा होता, "हवा तेज़ है, और पेड़ हिल रहे हैं, इसलिए एरर बहुत बड़ा है।"
- नया तरीका यह पहचानता है कि हवा का एक मुख्य धक्का (main push) होता है (जो अनुमानित बेल कर्व का पालन करता है) और एक मामूली कंपन (tiny wobble) होता है (जो नगण्य है)।
- उन्होंने इस "मुख्य धक्के" को एक मार्टिंगेल (Martingale) (एक फैंसी गणितीय शब्द जिसका अर्थ है यादृच्छिक चरणों का एक क्रम जो शून्य तक औसत हो जाता है) के रूप में पहचाना। इस "मुख्य धक्के" को अलग करके, वे सेंट्रल लिमिट थ्योरम का उपयोग करके सटीक माप प्राप्त कर सके। वह "कंपन" इतना छोटा था कि उसका कोई महत्व नहीं था।

यह क्यों महत्वपूर्ण है?

डेटा की बचत: यदि आप जानते हैं कि सटीक मॉडल प्राप्त करने के लिए आपको कम डेटा की आवश्यकता है, तो आप समय और पैसा बचाते हैं। रोबोटिक्स में, इसका अर्थ है कि एक रोबोट चलने का कौशल तेज़ी से सीख सकता है। वित्त (finance) में, इसका अर्थ है कि एक मॉडल कम ऐतिहासिक डेटा के साथ बाजार के रुझानों की भविष्यवाणी कर सकता है।
वास्तविक दुनिया के शोर को संभालना: वास्तविक जीवन "पूर्णतः यादृच्छिक" (isotropic) नहीं होता है। कभी-कभी शोर एक विशिष्ट दिशा से आता है (जैसे माइक्रोफ़ोन पर चलता हुआ पंखा)। पुराने गणित ने सभी शोर को समान माना, जिससे निराशाजनक (pessimistic) अनुमान मिले। नया गणित "असमान" शोर को भी पूरी तरह से संभालता है।
बेहतर आत्मविश्वास: इंजीनियर अब कह सकते हैं, "मैं 99% सुनिश्चित हूँ कि मेरा मॉडल इतना सटीक है," बजाय इसके कि, "मैं 99% सुनिश्चित हूँ कि मेरा मॉडल 'ठीक' और 'भयानक' के बीच कहीं भी हो सकता है।"

संक्षेप में

यह शोध पत्र तर्क देता है कि दशकों से, जब हम डेटा से सीखने के दौरान होने वाली त्रुटियों को समझने की बात करते हैं, तो हम अखरोट तोड़ने के लिए हथौड़े का उपयोग कर रहे थे। हम खतरे का बहुत अधिक आकलन कर रहे थे।

"औसत के नियम" (सेंट्रल लिमिट थ्योरम) का उपयोग करके और गणित को तोड़ने के एक चतुर नए तरीके के माध्यम से, लेखकों ने एक सटीक स्कैल्पल (precision scalpel) बनाया है। वे दिखाते हैं कि अधिकांश वास्तविक दुनिया के सिस्टम के लिए, हम नियमों को पहले की तुलना में बहुत तेज़ी से और बहुत कम डेटा के साथ सीख सकते हैं, बशर्ते हम समस्या को सही तरीके से देखें।

निष्कर्ष: ब्रह्मांड अक्सर हमारे सबसे खराब-स्थिति वाले गणित की तुलना में अधिक अनुमानित होता है। यदि आप पर्याप्त बारीकी से देखते हैं, तो शोर शांत हो जाता है, और सिग्नल स्पष्ट हो जाता है।

यहाँ यिचेन झोउ (Yichen Zhou) और स्टीफन टू (Stephen Tu) के शोध पत्र "CLT-Optimal Parameter Error Bounds for Linear System Identification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र रैखिक प्रणाली पहचान (Linear System Identification - LSI) की मौलिक समस्या को संबोधित करता है: प्रेक्षित अवस्था प्रक्षेपवक्रों (observed state trajectories) से एक असतत-समय रैखिक गतिक प्रणाली (discrete-time LDS) के अज्ञात संक्रमण मैट्रिक्स (transition matrix) $A$ को पुनः प्राप्त करना। प्रणाली को इस प्रकार मॉडल किया गया है:
$x_{t+1} = A x_t + w_t, \quad x_0 = 0$
जहाँ $w_t$ सहप्रसरण (covariance) $\Sigma_W$ वाली एक शोर प्रक्रिया (noise process) है। लेखक $m$ स्वतंत्र प्रक्षेपवक्रों (trajectories) की लंबाई $T$ के लिए $A$ के साधारण न्यूनतम वर्ग (Ordinary Least Squares - OLS) अनुमानक (estimator) पर ध्यान केंद्रित करते हैं।

मुख्य अंतराल (The Core Gap):
जबकि हालिया साहित्य ने LSI में OLS के लिए परिमित-नमूना (finite-sample), गैर-अनंतकालीन (non-asymptotic) सीमाएँ स्थापित की हैं, लेखक तर्क देते हैं कि ये सीमाएँ समस्या की वास्तविक सांख्यिकीय जटिलता (statistical complexity) को पकड़ने में विफल रहती हैं। विशेष रूप से:

मौजूदा सीमाएँ अक्सर पैरामीटर के वर्ग त्रुटि (squared parameter error) को (फ्रोबेनियस और ऑपरेटर/स्पेक्ट्रल दोनों रूपों में) अवस्था आयाम $d$ के कारक से बढ़ाकर दिखाती हैं।
यह विसंगति तब सबसे अधिक स्पष्ट होती है जब शोर सहप्रसरण $\Sigma_W$ या अवस्था सहप्रसरण विषम (non-isotropic) होता है (जैसे, निम्न-रैंक या अत्यधिक गैर-समान स्पेक्ट्रा), जो भौतिक प्रणालियों में एक सामान्य परिदृश्य है।
वर्तमान "मिनिमैक्स-इष्टतम" (minimax-optimal) सीमाएँ केवल सबसे खराब स्थिति (worst-case) के उदाहरणों के लिए सटीक हैं, न कि उन विशिष्ट समस्या उदाहरणों के लिए जहाँ सांख्यिकीय संरचना तेज़ अभिसरण (convergence) की अनुमति देती है।

2. कार्यप्रणाली (Methodology)

लेखक सेंट्रल लिमिट थ्योरम (CLT) द्वारा अनुमानित दरों से मेल खाने वाले मामला-विशिष्ट इष्टतम सीमाओं (instance-specific optimal bounds) को व्युत्पन्न करने के लिए एक नया विश्लेषणात्मक ढांचा प्रस्तावित करते हैं।

A. स्पर्शोन्मुखी बेंचमार्किंग (Asymptotic Benchmarking)

लेखक पहले स्पर्शोन्मुखी सामान्यता (asymptotic normality) का उपयोग करके "स्वर्ण मानक" (gold standard) दरों को स्थापित करते हैं। वे दो व्यवस्थाओं (regimes) के तहत $\hat{A}_{m,T}$ के OLS अनुमानक के सीमित वितरण का विश्लेषण करते हैं:

कठोर रूप से स्थिर गतिकी (Strictly Stable Dynamics): निश्चित $m$ के साथ $T \to \infty$ (या संयुक्त सीमाएँ), यह मानते हुए कि $\rho(A) < 1$ ।
कई प्रक्षेपवक्र (Many Trajectories): $m \to \infty$ (जहाँ $m \gtrsim d$ ), जिसमें $A$ पर स्थिरता की कोई धारणा नहीं है।

वे अनुमान त्रुटि के लिए सटीक स्पर्शोन्मुखी प्रसरण (asymptotic variance) को व्युत्पन्न करते हैं, यह दिखाते हुए कि इष्टतम त्रुटि स्केलिंग केवल उनके ऑपरेटर नॉर्म्स के बजाय, व्युत्क्रम अवस्था सहप्रसरण और शोर सहप्रसरण के ट्रेस (trace) पर निर्भर करती है।

B. नवीन द्वितीय-क्रम अपघटन (Novel Second-Order Decomposition)

प्राथमिक पद्धतिगत नवाचार OLS त्रुटि का एक द्वितीय-क्रम त्रुटि अपघटन (second-order error decomposition) है, जो पूर्व कार्यों (जैसे [1, 6]) में उपयोग किए जाने वाले मानक दृष्टिकोण से भिन्न है।

मानक दृष्टिकोण: त्रुटि को एक स्व-सामान्यीकृत मार्टिंगेल पद (self-normalized martingale term) और अनुभवजन्य सहप्रसरण के न्यूनतम आइजन मान (minimum eigenvalue) में विभाजित करता है। यह अक्सर ढीली सीमाएँ देता है क्योंकि न्यूनतम आइजन मान विश्लेषण बहुत रूढ़िवादी (conservative) होता है।
नया दृष्टिकोण: लेखक त्रुटि $\hat{\Delta}_{m,T}$ $\hat{Δ}_{m, T}$ को इस प्रकार विभाजित करते हैं:
$\hat{\Delta}_{m,T} = \underbrace{\hat{Q}_{m,T} \Gamma_T^{-1}}_{\text{पद 1 (CLT पद)}} + \underbrace{\hat{Q}_{m,T} (\hat{\Sigma}_{m,T}^{-1} - \Gamma_T^{-1})}_{\text{पद 2 (उच्च-क्रम पद)}}$
- पद 1: एक मैट्रिक्स-मूल्य वाला मार्टिंगेल जिसे वास्तविक व्युत्क्रम सहप्रसरण द्वारा स्केल किया गया है। यह पद CLT स्केलिंग को पकड़ता है और त्रुटि का मुख्य स्रोत है।
- पद 2: एक उच्च-क्रम शेष पद (remainder term) जिसमें वास्तविक सहप्रसरण से अनुभवजन्य सहप्रसरण का विचलन शामिल है।

C. तकनीकी उपकरण (Technical Tools)

इन पदों का विश्लेषण करने के लिए, लेखक उन्नत संभाव्यता तंत्र (probabilistic machinery) का उपयोग करते हैं:

पद 1 (ऑपरेटर नॉर्म) के लिए: वे मैट्रिक्स-मूल्य वाले मार्टिंगेल के मोमेंट्स को बांधने के लिए गैर-कम्यूटेटिव बुर्खॉल्डर असमानताओं (Non-commutative Burkholder inequalities) का उपयोग करते हैं। यह उन्हें अनावश्यक आयाम कारकों के बिना $\|\Sigma_W\|_{op}$ और $\text{tr}(\Gamma_T^{-1})$ को शामिल करते हुए सही स्केलिंग निकालने की अनुमति देता है।
पद 2 के लिए: वे व्हाइटन्ड (whitened) अनुभवजन्य सहप्रसरण के "अनुमानित समरूपता" (approximate isometry) को नियंत्रित करने के लिए हैनसन-राइट्राइट असमानताओं (Hanson-Wright inequalities) (लॉग-कोन्केव या स्वतंत्र शोर मान्यताओं के तहत) पर भरोसा करते हैं। वे यह सुनिश्चित करने के लिए ट्रैजेक्टरी स्मॉल-बॉल (Traj-SB) स्थितियों का भी उपयोग करते हैं कि अनुभवजन्य सहप्रसरण अच्छी तरह से अनुकूलित (well-conditioned) है।

3. प्रमुख योगदान (Key Contributions)

अत्याधुनिक तकनीक की ढीलेपन की पहचान: यह शोध पत्र कठोरता से प्रदर्शित करता है कि मौजूदा सीमाएँ विशिष्ट, व्यावहारिक रूप से प्रासंगिक उदाहरणों (जैसे, गैर-समदैशिक शोर) में त्रुटि को $d$ (अवस्था आयाम) के कारक से बढ़ाकर दिखाती हैं।
CLT-इष्टतम सीमाएँ: लेखक परिमित-नमूना सीमाएँ व्युत्पन्न करते हैं जो स्थिरांक कारकों (constant factors) तक और पॉलीलॉग (polylogarithmic) कारकों तक, स्पर्शोन्मुखी सामान्यता से प्राप्त मामले-विशिष्ट इष्टतम दरों से मेल खाती हैं।
परिष्कृत अपघटन: द्वितीय-क्रम अपघटन का परिचय "गॉसियन-समान" उतार-चढ़ाव (पद 1) को सहप्रसरण अनुमान त्रुटि (पद 2) से अलग करता है, जिससे प्रभावी (dominant) पद का बहुत सटीक विश्लेषण संभव होता है।
सामान्य शोर मॉडल: परिणाम गैर-समदैशिक सहप्रसरण वाले सामान्य सब-गॉसियन (sub-Gaussian) शोर के लिए मान्य हैं, जो कई पूर्व कार्यों में पाई जाने वाली प्रतिबंधात्मक समदैशिक शोर ( $\Sigma_W = \sigma^2 I$ ) की धारणा से आगे बढ़ते हैं।

4. मुख्य परिणाम (Main Results)

शोध पत्र अपेक्षित वर्ग त्रुटि $\mathbb{E}[\|\hat{A}_{m,T} - A\|^2]$ के लिए दो व्यवस्थाओं में सीमाएँ प्रदान करता है:

A. फ्रोबेनियस नॉर्म (Frobenius Norm)

लेखक दिखाते हैं कि हल्के नियमों (लॉग-कोन्केव शोर या स्वतंत्र निर्देशांकों) के तहत, त्रुटि संतुष्ट करती है:
$\mathbb{E} \|\hat{A}_{m,T} - A\|_F^2 \lesssim \frac{\text{tr}(\Sigma_W) \text{tr}(\Gamma_T^{-1})}{mT}$

महत्व: यह बिल्कुल स्पर्शोन्मुखी दर से मेल खाता है। पिछली सीमाएँ अक्सर $\frac{d \cdot \text{tr}(\Sigma_W)}{mT \cdot \lambda_{\min}(\Gamma_T)}$ के साथ स्केल करती थीं, जो $\Gamma_T$ के स्पेक्ट्रम के गैर-समान होने पर $d$ के कारक से ढीली होती है।

B. ऑपरेटर (स्पेक्ट्रल) नॉर्म (Operator/Spectral Norm)

ऑपरेटर नॉर्म के लिए, सीमा है:
$\mathbb{E} \|\hat{A}_{m,T} - A\|_{op}^2 \lesssim \frac{\|\Sigma_W\|_{op} \text{tr}(\Gamma_T^{-1}) + \text{tr}(\Sigma_W) \|\Gamma_T^{-1}\|_{op}}{mT} \cdot \text{polylog}(d)$

महत्व: हालांकि इसमें एक $\log^2(d)$ कारक शेष रहता है (जो गैर-कम्यूटेटिव बुर्खॉल्डर असमानता के कारण है), समस्या के उदाहरण (traces बनाम operator norms) पर निर्भरता सही है। यह एक महत्वपूर्ण सुधार है क्योंकि पिछली सीमाएँ अंश (numerator) में $d$ के साथ स्केल करती थीं।

C. व्यवस्था विशिष्टता (Regime Specifics)

कई प्रक्षेपवक्र ( $m \gtrsim d$ ): सीमाएँ $A$ की स्थिरता की धारणा के बिना भी लागू होती हैं।
स्थिर गतिकी ( $\rho(A) < 1$ ): सीमाएँ एकल प्रक्षेपवक्र ( $m=1$ ) के लिए भी मान्य हैं, बशर्ते कि प्रक्षेपवक्र की लंबाई एक "बर्न-इन" समय $\kappa(A)$ से अधिक हो, जो $A$ के स्पेक्ट्रल गैप पर निर्भर करता है।

5. महत्व और प्रभाव (Significance and Impact)

सैद्धांतिक सटीकता: यह कार्य स्पर्शोन्मुखी सिद्धांत (CLT) और परिमित-नमूना विश्लेषण के बीच के अंतर को पाटता है, यह सिद्ध करता है कि यदि विश्लेषण सही ढंग से किया जाए तो OLS वास्तव में LSI के लिए मामला-इष्टतम (instance-optimal) है।
व्यावहारिक प्रासंगिकता: गैर-समदैशिक शोर और गैर-समान अवस्था सहप्रचारों को ध्यान में रखकर, ये परिणाम वास्तविक दुनिया की प्रणालियों के लिए अधिक सटीक डेटा आवश्यकताओं को प्रदान करते हैं जहाँ विक्षोभ (disturbances) शायद ही कभी समदैशिक होते हैं।
पद्धतिगत प्रगति: गैर-कम्यूटेटिव मार्टिंगेल असमानताओं और विशिष्ट द्वितीय-क्रम अपघटन का उपयोग उच्च-आयामी सांख्यिकी और नियंत्रण सिद्धांत में आश्रित डेटा के विश्लेषण के लिए एक नया टूलकिट प्रदान करता है।
भावी दिशाएँ: शोध पत्र स्पेक्ट्रल नॉर्म बाउंड में $\log^2(d)$ कारक को हटाने को एक प्रमुख खुला प्रश्न के रूप में पहचानता है, जिसके लिए संभवतः मैट्रिक्स मार्टिंगल्स के अधिक सटीक विश्लेषण की आवश्यकता होगी। यह $p=2$ और $p=\infty$ से परे शैटन- $p$ (Schatten- $p$ ) नॉर्म्स के अध्ययन के द्वार भी खोलता है।

संक्षेप में, झोउ और टू यह प्रदर्शित करते हैं कि रैखिक प्रणाली पहचान की "सांख्यिकीय जटिलता" पहले की तुलना में कम है, और परिष्कृत गणितीय उपकरणों के साथ, हम सिस्टम और शोर के विशिष्ट ज्यामिति के संबंध में सटीक त्रुटि सीमाएँ प्राप्त कर सकते हैं।