Hidden Clique Inference in Random Ising Model I: the planted random field Curie-Weiss model
随机 Ising 模型中的隐藏团推断（一）：植入式随机场 Curie–Weiss 模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论统计物理模型中的隐藏团推断，未提供与所列计量经济学细分方向直接对应的证据。
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
随机 Ising 模型中的隐藏团推断（一）：植入式随机场 Curie–Weiss 模型
- 研究问题
- 在具有随机外磁场的 Curie–Weiss 模型中，如何检测和恢复隐藏团的铁磁相关结构，随机场如何改变统计难度？
- 方法与思路
- 作者按温度和外磁场均值划分参数区域，分析检测与精确恢复的极小极大速率，并建立磁化强度尾界和信息散度估计。
- 材料陈述的贡献
- 摘要称检测存在七个相、精确恢复存在三个相，随机外磁场带来可数多种收敛速率，并揭示与离散稀疏主成分分析的联系。
- 阅读关注点
- 应核对各相的参数边界、检测和恢复损失的定义、上下界是否匹配，以及尾界和信息散度估计的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出各相的具体速率及条件，不能据此判断算法的计算可行性。
原文摘要
We study the problem of testing and recovering the hidden $k$-clique Ferromagnetic correlation in the planted Random Field Curie-Weiss model (a.k.a. the pRFCW model). The pRFCW model is a random effect Ising model that exhibits richer phase diagrams both statistically and physically than the standard Curie-Weiss model. Using an alternative characterization of parameter regimes as 'temperatures' and the mean values as 'outer magnetic fields,' we establish the minimax optimal detection rates and recovery rates. The results consist of $7$ distinctive phases for testing and $3$ phases for exact recovery. Our results also imply that the randomness of the outer magnetic field contributes to countable possible convergence rates, which are not observed in the fixed field model. As a byproduct of the proof techniques, we provide two new mathematical results: (1) A family of tail bounds for the average magnetization of the Random Field Curie-Weiss model (a.k.a. the RFCW model) across all temperatures and arbitrary outer fields. (2) A sharp estimate of the information divergence between RFCW models. These play pivotal roles in establishing the major theoretical results in this paper. Additionally, we show that the mathematical structure involved in the pRFCW hidden clique inference problem resembles a 'sparse PCA-like' problem for discrete data. The richer statistical phases than the long-studied Gaussian counterpart shed new light on the theoretical insight of sparse PCA for discrete data.