描述了异步动力学 Ising 模型中的耦合如何被推测，并讨论了两种情况下的学习规则和数值方法。

Sep, 2012

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

我们提出了一种基本的平均场方法，用于完全不对称的动力学伊辛模型，可应用于该问题的单个实例。

Mar, 2011

该研究探讨了如何从动态过程的相关样本中重构二值图形模型，并分析了基于交互筛选目标和条件似然损失的两个估计器的样本复杂性。我们发现，对于来自远离平衡的动态过程的样本，样本复杂度与混合速度快的动态过程相比呈指数级下降。

Apr, 2021

我们研究了从独立同分布采样中学习 Ising 模型（成对二元 Markov 随机场）的结构问题。通过分析多个具体例子，我们发现当 Markov 随机场发展为远程相互关系时，具有低复杂度算法的方法的系统性失效。更具体地说，这种现象似乎与 Ising 模型的相变有关（但并不与之重合）。

Oct, 2009

提出了一种新的，具有物理解释的统计估计量来学习未知 Ising 模型的基础图，该估计量使用凸优化计算速度快，并且在适当的正则化下，可以以对数的速度回复基础图。

May, 2016

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

探讨了通过简单的 Hebbian 学习算法分离高维数据集中的非高斯分量的情况，介绍了该算法适用于学习 Stiefel 流形的自然梯度变体，并研究了大输入维度下两种算法的参数轨迹。

Sep, 2003

我们研究了一种具有热噪声的模型，其中学生之间的铁磁耦合与权重的汉明距离成正比，发现耦合会使相图的相应区域向更小的值转移，从学习角度来看，这些结果表明更多的学生在耦合的情况下能够用更少的数据学习相同的规则。

Aug, 2023

本文提出了一种计算 Ising 模型底层图形恢复的样本复杂性下界的通用框架，其中隔离出两个关键图形结构成分，可以用于指定样本复杂度下界。

Nov, 2014