异质网络模型的确定性、淬灭与退火参数估计
计算机视觉与模式识别
2023-03-07 v1
摘要
至少存在两种不同方法来定义并求解用于分析经济系统的统计模型：典型的经济计量学方法，将引力模型设定解释为任意概率分布的期望连边权重；以及根植于统计物理的方法，构造受约束以满足特定网络性质的最大熵分布。在最近的两篇姊妹论文中，二者已成功整合进由 Kullback-Leibler 散度约束最小化所导出的框架：具体地，设计了两类广泛模型，即集成模型与条件模型，由不同的概率规则定义以放置连边、赋予权重并将其转化为恰当的经济计量学规定。尽管如此，两种方法用于估计各模型定义中参数的方案仍不同。在经济计量学中，通常最大化将网络视为确定性的、解耦模型二值与加权部分的似然；为恢复其随机特性，存在两种替代方案：或在集成每个构型上求解似然最大化而后对参数取平均，或先对似然函数取平均再最大化后者。这些方案的区别在于平均与最大化操作的顺序——这一区别令人联想到自旋玻璃中淬灭与退火的平均无序方式。本文致力于在连续条件网络模型情形下比较这些方案，结果表明退火估计方案是确定性方案的最佳替代。
引用
@article{arxiv.2303.02717,
title = {Learning to Localize in Unseen Scenes with Relative Pose Regressors},
author = {Ofer Idan and Yoli Shavit and Yosi Keller},
journal= {arXiv preprint arXiv:2303.02717},
year = {2023}
}