研究多元复杂系统的建模，利用局部结构检测与变量的成对相关性推断数据的维度和像素排列，辅助现代基于注意力机制的机器学习方法的成功实现。

May, 2023

通过 Ising 模型，我们发现在脊椎动物视网膜和文化皮层神经元网络中，两元素之间的相关性与大群体之间的高阶复杂相互作用描述了神经元的集体行为，证明了神经编码具有联想或纠错功能。

Dec, 2005

本研究证明基于成对交互的概率模型，尤其是伊辛模型，能够准确地描述从神经元到基因等多种真实生物网络实验数据。通过将统计物理和机器学习的思想相融合，我们展示了一种新的反演求解方法，并发展出了针对真实神经元数据的一些有效的求解技巧。我们的算法不仅仅可以在几分钟内学习描述四十个神经元的伊辛模型，而且可以分析更大的数据集，从而验证这些网络的集体行为假设。

Dec, 2007

本文总结了一个新兴领域 —— 除了成双成对的相互作用的网络。本文介绍了表示高阶相互作用的方法，并重点讨论了高阶动力系统和动态拓扑的快速增长的研究，并集中讨论了传播、同步和游戏等的新兴现象，当这些波及的节点多于两个时，阐明了高阶拓扑与动态属性之间的关系，并提供了实证应用的概述，展望了当前建模和概念前沿。

Jun, 2020

本研究基于最大熵理论和马尔可夫假设，以模型为基础实现了对分布式脉冲活动中人口模式出现的预测，并成功优于只考虑成对相关性的伊辛模型。同时，实验数据表明这种方法也适用于慢波睡眠等过程的分析。

Mar, 2009

本研究探讨了在复杂的社会系统中成功的可预测性，提出了两种错误预测的一般来源：数据和 / 或模型的不足，以及社会系统的固有不可预测性。本文以 Twitter 上的信息级联大小预测为例辅以经验研究，结果表明，即使拥有无限的数据，预测性能也会受到很强的限制；预测准确度的限制不仅取决于数据本身，而且可能取决于产品质量的估计误差和产品质量的微小差异等因素。因此，对于更难以获得数据的其他复杂的社会系统，预测准确度的限制可能更低。

Feb, 2016

使用模拟皮层网络的数据，探究描述多神经元尖峰列统计学的成对 Ising 模型的最优耦合的优化方法和它们的统计特性，并通过比较不同的近似方法从一定程度上找到了这些最优耦合，但发现从小规模子集中提取耦合常常高估其大小，而且随着子集大小的增长，所用模型的拟合效果逐渐恶化，需要引入高阶相关性来描述大型网络的统计特性。

Feb, 2009

本文通过 Ising 模型描述 40 个神经元之间的相关触发活动，发现神经元之间的配对相互作用影响高阶相关性；作者构建神经网络的基础上，增加规模进一步研究其热力学特性和编码能力，并对 2 种与神经编码相关的现象进行深入研究。

Dec, 2009

使用 Ising 模型描述和分析视网膜神经元的相关放电活动，展示二元交互作用可解释观察到的高阶相关性，并研究人工构建的神经元网络在不同规模下的临界点和集体行为。

Nov, 2006

以蛋白质相互作用网络为例，网络模型的正确性对于预测其行为至关重要。然而，研究表明目前广受欢迎的自组织网络模型不能很好拟合 PPI 数据，相对而言，随机几何模型更准确。

Apr, 2004