信息过滤网络：理论基础、生成方法学与现实世界应用
机器学习
2025-05-08 v1
摘要
信息过滤网络（IFNs）通过全局稀疏但局部密集且可解释的结构来捕捉多变量依赖关系，为复杂系统建模提供了一个强大的框架。这篇综述全面阐述了IFNs，涵盖了其理论基础、构建方法和多样化的应用。本文追溯了IFNs从早期基于网络的模型到高级公式（如三角最大化过滤图（TMFG）和最大化过滤团森林（MFCF））的起源，重点介绍了IFNs如何应对高维数据驱动建模中的关键挑战。IFNs及其构建方法本质上是高阶网络，能生成单纯复形——这些结构在更广泛的文献中才刚刚开始流行。其应用跨越金融、生物学、心理学和人工智能等领域，IFNs在这些领域中提高了可解释性、计算效率和预测性能。特别关注了它们在图形建模中的作用，其中IFNs能够比传统方法（如图形LASSO）更准确、更具可扩展性地估计稀疏逆协方差矩阵。最后，本综述讨论了将IFNs与机器学习和深度学习相结合的最新进展，强调了它们不仅在连接经典网络理论与当代数据驱动范式方面的潜力，而且在塑造深度学习模型本身的架构方面的潜力。
引用
@article{arxiv.2505.03812,
title = {Information Filtering Networks: Theoretical Foundations, Generative Methodologies, and Real-World Applications},
author = {Tomaso Aste},
journal= {arXiv preprint arXiv:2505.03812},
year = {2025}
}