本研究提出了基于稳定性和证书的扩展动态模态分解（SafEDMD）的学习架构，通过严格的证书生成可靠的、数据驱动的代理模型，并设计了基于半定编程的认证控制器。与现有方法相比，该机制具有优势。

本文介绍了时态图学习（TGL）的概念和重要概念，包括数学公式和学习架构。还讨论了时间序列预测方法，以启发TGL的解决方案。

介绍了一种使用语义嵌入方法的新技术，可以将临床数据与学习架构耦合，实现最小化预处理。该方法可帮助研究人员使用快速、轻量级和简单的模型进行下游处理。实验证明，这种高度压缩的嵌入数据表示可以捕捉到大量有用的复杂性，尽管在某些情况下，压缩并非完全无损。