.png){kind=icon}
返回
Reconstruct Ising Model With Global Optimality via SLIDE
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2025.2571245.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随机事件间交互网络的重建是一个源于统计物理学以及政治学、社会学、生物学、心理学等领域的关键问题。Ising模型为这一重建过程奠定了基础，但从最少量的观测样本中高效地寻找底层Ising模型半个世纪以来一直具有计算上的挑战性。通过稀疏学习，我们提出了一种名为SLIDE的方法，其样本复杂度具有全局最优性。此外，开发了一种算法，能在多项式时间内以高概率给出SLIDE的统计一致解。在广泛的基准案例中，SLIDE方法在重建底层Ising模型方面表现出主导性能，证实了其优越的统计特性。对美国参议员在六个国会中的投票应用显示，共和党和民主党在每个国会中均有明显的聚集现象；有趣的是，民主党在最新国会中的聚集尤为显著。本文的补充材料可在线获取，包括用于重现工作的标准化材料描述。
Keyword:
Consistent algorithm
Ising model
Polynomial time complexity
Sample complexity
Sparse learning
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
分享收藏KULLBACK-LEIBLER AGGREGATION AND MISSPECIFIED GENERALIZED LINEAR MODELSKULLBACK-LEIBLER聚合和错误指定的广义线性模型.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏分享收藏Inverse statistical problems: from the inverse Ising problem to data science逆统计问题: 从逆Ising问题到数据科学ADVANCES IN PHYSICSOAAI
ADVANCES IN PHYSICSIF13.8
OAAI分享收藏
查看更多内容