学习时变 Ising 模型的分段常数图结构
机器学习
2020-07-01 v2 统计力学
机器学习
摘要
本工作关注于在分段常数演化的时变 Ising 模型中估计多个变点。其目的是识别 Ising 模型中发生显著变化的时刻以及潜在的图结构。为此，我们提出通过最大化节点条件对数似然的惩罚版本来估计每个节点的邻域。惩罚的目标有两个：它迫使所学图具有稀疏性，并且借助融合型惩罚，还强制它们分段常数演化。在少量假设下，我们给出了两个变点一致性定理。这些是时变 Ising 模型中未知变点数目检测背景下的首批定理。最后，在多个合成数据集和真实数据集上的实验结果证明了我们方法的性能。
引用
@article{arxiv.1910.08512,
title = {Learning the piece-wise constant graph structure of a varying Ising model},
author = {Batiste Le Bars and Pierre Humbert and Argyris Kalogeratos and Nicolas Vayatis},
journal= {arXiv preprint arXiv:1910.08512},
year = {2020}
}
备注
18 pages (9 pages for Appendix), 4 figures, 2 tables