GNisi：一种从多元二值化数据重构 Ising 模型的图网络
机器学习
2021-09-10 v1 计算物理
摘要
Ising 模型是一种描述相互作用二元变量的简单生成式方法。它们在许多生物学场景中被证明是有用的，因为它们使人们能够将观测到的多体相关性表示为许多直接成对统计相互作用的可分离结果。从数据中推断 Ising 模型在计算上极具挑战性，通常只能满足于数值近似或有限的精度。在本文中，我们提出了一种从数据中确定 Ising 参数的新方法，称为 GNisi，该方法使用在已知 Ising 模型上训练的图神经网络来为未知数据构建参数。我们表明 GNisi 比现有的最先进软件更准确，并通过将 GNisi 应用于基因表达数据来说明我们的方法。
引用
@article{arxiv.2109.04257,
title = {GNisi: A graph network for reconstructing Ising models from multivariate binarized data},
author = {Emma Slade and Sonya Kiselgof and Lena Granovsky and Jeremy L. England},
journal= {arXiv preprint arXiv:2109.04257},
year = {2021}
}
备注
17 pages