本文探讨了动态系统模型构建中的样本复杂性与控制目标之间的权衡，提出了稳定线性时不变系统的样本数上限，并分析了物理输入约束对样本复杂性的影响。研究表明，现代机器学习和统计工具能够有效识别随机系统，并提出了新算法以避免状态空间维度的指数级增长。

本文探讨了随机梯度下降算法在未知线性时不变动态系统中收敛于全局极值的能力，尽管目标函数为非凸。研究提供了多项式运行时间和样本复杂度的界限，首次为线性系统识别问题提供了多项式保证，并分析了样本复杂性与控制目标之间的权衡。