Combinatorial inference for graphical models
图模型的组合推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究图的连通性、环与最大度，并使用脑网络展示方法，文本依据是网络结构推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
图模型的组合推断
- 研究问题
- 如何检验图模型的整体结构，如连通性、特定长度环和最大度，并刻画结构复杂性给这些检验带来的信息论限制？
- 方法与思路
- 作者提出结构打包与缓冲熵概念来刻画极小极大下界，并设计结构检验算法，以合成图模型和脑网络进行数值展示。
- 材料陈述的贡献
- 摘要称建立一族组合推断问题的信息论界限，提出能够匹配下界的实用结构检验算法，并提供模拟与脑网络应用结果。
- 阅读关注点
- 应核对图模型类别、各结构检验的原假设与备择、复杂性概念的定义，以及算法匹配下界所需的统计和计算条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体模型与界限条件未说明，图结构检验不直接给出因果方向或网络干扰效应。
原文摘要
We propose a new family of combinatorial inference problems for graphical models. Unlike classical statistical inference where the main interest is point estimation or parameter testing, combinatorial inference aims at testing the global structure of the underlying graph. Examples include testing the graph connectivity, the presence of a cycle of certain size, or the maximum degree of the graph. To begin with, we study the information-theoretic limits of a large family of combinatorial inference problems. We propose new concepts including structural packing and buffer entropies to characterize how the complexity of combinatorial graph structures impacts the corresponding minimax lower bounds. On the other hand, we propose a family of novel and practical structural testing algorithms to match the lower bounds. We provide numerical results on both synthetic graphical models and brain networks to illustrate the usefulness of these proposed methods.