本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
本文透過抽取法研究稀疏圖上的動力學 Ising 模型的推理。抽取方法首先由 Decelle 和 Ricci-Tersenghi [Phys.萊特牧師。 112, 070603 (2014)] 對於靜態伊辛逆問題，嘗試透過迭代地將最弱耦合設為零來恢復推斷系統的拓樸。在抽取過程中，似然函數在剩餘耦合上最大化。與基於 l(1) 最佳化的方法不同，抽取方法不使用拉普拉斯分佈作為先驗的啟發式選擇來選擇稀疏解。在我們的例子中，整個過程可以自動完成，無需手動修復任何參數。我們表明，在動態推理問題中，任務是在給定資料的情況下重建伊辛模型的耦合，抽取過程可以自然地應用於最大似然最佳化演算法，而不是需要採用偽似然方法的靜態情況。我們也使用廣泛的數值研究來驗證我們的方法在動態推理問題中的準確性。我們的結果表明，在各種拓撲和不同的耦合分佈下，抽取方法優於廣泛使用的基於 l(1) 最佳化的方法。