跨有序-无序相变网络中耦合关系的推断

统计推断是许多科学工作的核心，但其运作机制仍悬而未决。要回答这一问题，需要定量理解统计模型、推断方法与数据结构之间的内在相互作用。为此，我们刻画了直接耦合分析（DCA）——一种分析氨基酸序列数据极为成功的方法——在从随机图上的铁磁伊辛模型样本中推断两两相互作用时的效能。我们的方法可对由相变分隔的、性质迥异的数据区间进行物理驱动的探索。我们表明，推断质量强烈依赖于生成模型的性质：最优精度出现在中间温度，此时来自宏观有序和热噪声的有害效应最小。重要的是，我们的结果表明 DCA 并非总是优于其基于局部统计的前身；虽然 DCA 在低温下表现出色，但在数据有限时，几乎所有温度下都劣于简单的关联阈值法。我们的发现为 DCA 大获成功的区间以及更广义上推断如何与数据结构相互作用提供了新的见解。