Transfer Learning in High-dimensional Ising Models
高维伊辛模型中的迁移学习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：摘要以高维伊辛模型的图结构估计与图选择相合性为核心，属于网络与干扰方向下的网络结构估计议题。
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
高维伊辛模型中的迁移学习
- 研究问题
- 研究问题：在高维伊辛模型估计中，目标样本量往往有限，如何有效利用相关性未知的辅助二值数据集来提升估计。
- 方法与思路
- 方法思路：作者提出 Trans-Ising，先用基于损失的源筛选规则，以留出目标伪似然判断辅助源是否信息相关，防止负迁移；再用合并的逐节点 ℓ1 正则化逻辑回归得到初始估计，最后用折叠凹惩罚做仅目标的校正。
- 材料陈述的贡献
- 摘要所述贡献：作者称建立了固定节点下的 ℓ2 与 ℓ1 误差界、精确图选择相合性以及筛选规则的条件相合性，并通过模拟与真实数据分析显示其估计误差低于仅用目标数据和简单合并数据。
- 阅读关注点
- 阅读时应核对：源筛选规则的具体形式与留出伪似然如何构造，两阶段估计中惩罚参数与折叠凹惩罚的选择方式，误差界与图选择相合性所需的正则条件、源相关性与稀疏性假设，以及模拟与实证的具体设定。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断假设是否合理、证明是否完整、实证是否可复现，也无法确认相对基线的比较是否稳健；该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
In high-dimensional Ising model estimation, target sample sizes are often limited, and effectively using auxiliary binary datasets of unknown relevance remains challenging. To address this, we propose Trans-Ising, a transfer learning method that combines a loss-based source screening rule with a two-stage estimation procedure. The method first identifies informative auxiliary sources using held-out target pseudolikelihood to prevent negative transfer. It then computes an initial estimator via pooled nodewise $\ell_1$-regularized logistic regression, followed by a target-only correction step using a folded-concave penalty. Theoretically, we establish fixed-node $\ell_2$ and $\ell_1$ error bounds, exact graph selection consistency, and the conditional consistency of the screening rule. Through extensive simulations and real-data analyses, we demonstrate that Trans-Ising achieves lower estimation errors than both target-only estimation and naive data pooling.