Reconstruct Ising Model With Global Optimality via SLIDE
通过SLIDE实现具有全局最优性的Ising模型重建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：摘要明确研究交互网络重建，并应用于参议员投票形成的关联网络。
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…
通过SLIDE实现具有全局最优性的Ising模型重建
- 研究问题
- 如何用尽可能少的观测样本，以计算可行的方式重建随机事件之间的 Ising 交互网络，并获得一致的统计估计？
- 方法与思路
- 作者基于稀疏学习提出 SLIDE，研究其样本复杂度，并设计以高概率在多项式时间内给出统计一致解的算法。
- 材料陈述的贡献
- 摘要称，SLIDE 的样本复杂度达到全局最优，基准实验表现突出；六届美国参议员投票数据应用显示两党各自聚集。
- 阅读关注点
- 应核对全局最优所对应的模型类别和下界、一致性与多项式时间的条件，以及网络重建指标和投票网络的解释方式。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未提供样本复杂度公式、参数限制或基准数值，最优性与优势仅能按摘要陈述理解。
原文摘要
The reconstruction of interaction networks between random events is a critical problem arising from statistical physics and politics, sociology, biology, psychology, and beyond. The Ising model lays the foundation for this reconstruction process, but finding the underlying Ising model from the least amount of observed samples in a computationally efficient manner has been historically challenging for half a century. Using sparsity learning, we present an approach named SLIDE whose sample complexity is globally optimal. Furthermore, an algorithm is developed to give a statistically consistent solution of SLIDE in polynomial time with high probability. On extensive benchmarked cases, the SLIDE approach demonstrates dominant performance in reconstructing underlying Ising models, confirming its superior statistical properties. The application on the U.S. senators voting in the six congresses reveals that both the Republicans and Democrats noticeably assemble in each congress; interestingly, the assembling of Democrats is particularly pronounced in the latest congress.