本文介绍一种名为 Interaction Screening 的新方法，使用本地优化问题准确估计模型参数，这个算法在信息论上优化样本数量的条件下可以实现完美的图形结构恢复，证明了 Interaction Screening 方法是一种准确、可行和最优的通用逆向 Ising 问题解决技术。

Dec, 2016

本文探讨了如何通过简单的贪心算法来学习任意边界度数的 Ising 模型，在保证模型可辨识度的情况下，仅需用时 O (p^2) 即可还原图结构，并且该结构性质可独立运用于其他相关研究。

Nov, 2014

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

本文研究了从 i.i.d 样本中学习离散无向图结构的计算复杂性。首先，我们指出学习带有噪声的奇偶校验可以作为学习图模型的一个特殊情况。其次，我们提出一个有关统计算法的条件，它们无法在 $p$ 最大度数为 $d$ 的一般图模型上有效学习，因此需要限制模型类的大小。除了对图的结构性假设之外，我们还引入相关性衰减度量，研究了反铁磁模型。我们提供了一个性能介于 $O (p^2)$ 和 $O (p^{d+2})$ 之间的算法。

Dec, 2014

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

从数据中有效地学习 Ising 模型的底层参数是我们重新审视的问题。我们展示了一种基于逐节点逻辑回归的简单现有方法在多种新颖环境下能成功地恢复底层模型的参数，包括从本地 Markov 链动态生成的数据、自旋玻璃的 Sherrington-Kirkpatrick 模型以及 M - 数据和对抗性 Glauber 动态的学习。这种方法在不修改算法的情况下显著扩展了 Wu, Sanghavi 和 Dimakis 的优雅分析。

Nov, 2023

提供了一种用于学习离散因子模型的交互筛选框架，它可以减少使用最小数量的数据，而且我们的界限对于使用该算法的大多数模型都是可验证的。

Feb, 2019

本文中，我们提出了一种 Lasso 惩罚版本的 Monte Carlo 极大似然方法，用于高维二元马尔可夫随机场的模型选择问题。在证明了算法的正确性后，我们还研究了该方法的有效性。

Dec, 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

本文提出了一种基于经验条件变差距离阈值处理的简单算法，针对高维 Ising (图形) 模型选择问题。对于具有稀疏局部分离器的图形族，该方法将是有效的，被用来作为结构估计的基准。我们在该文章中还建立了结构估计的非渐近必要和充分条件。

Jul, 2011