Ising 块模型准确恢复
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
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
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
本文旨在解决反 Ising 问题,介绍了几种平均场近似的公式并推导了 Bethe 近似的新解析表达式,以此来比较其在随机图和规则晶格上定义的多种模型(包括稀释铁磁体和自旋玻璃)的准确性,并提出了简易改进。但也发现了在存在外部场的情况下,基于 TAP 和 Bethe 近似的方法有基础的局限性。
Dec, 2011
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
本文提供了一种新的较优 KL 误差的均场近似上下界,并推广到高阶马尔可夫随机场。结合组合数学和优化技术,我们还研究了估计 Ising 模型及马尔可夫随机场自由能的算法问题。我们提供了多种算法,在多项式时间复杂度内误差均控制在某个界内。
Feb, 2018
本文证明了针对一类二元数据的 Ising 自旋玻璃模型,如给定模型的单个实现,其最大伪似然估计值在某一点处是 squraat {a_N}- 一致的,推广了 Chatterjee(2007)的结果,同时在简单图的收敛序列中,证明了在高温相中不可能进行一致的测试和估计。我们还展示了我们的结果在合成和真实世界网络数据上的应用。
Jul, 2015
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
用置信传播的变体提出一种重建算法,可以最大化节点正确标记的比例,使用该算法可以重建在正则和泊松树上的 Ising 模型的鲁棒性重构结果,专注于考虑两个块和连接概率为 $a/n$ 和 $b/n$ 的稀疏对称块模型问题。
Sep, 2013