带噪声数据的Boltzmann机的自适应聚类扩展
Adaptive Cluster Expansion for Inferring Boltzmann Machines with Noisy Data
The Simons Center for Systems Biology, Institute for Advanced Study（高等研究院西蒙斯系统生物学中心）；CNRS-Laboratoire de Physique Statistique de l’ENS（法国国家科学研究中心-巴黎高等师范学院统计物理实验室）；CNRS-Laboratoire de Physique Théorique de l’ENS（法国国家科学研究中心-巴黎高等师范学院理论物理实验室）
摘要：
我们介绍了一个过程来推断一组二进制变量之间的相互作用，根据他们的采样频率和成对的相关性。该算法将对伊辛模型的熵贡献最大的变量进行聚类，并剔除由于采样噪声而贡献较小的变量。我们的程序成功地恢复基准伊辛模型，即使在临界和低温阶段，并适用于神经生物学数据。
英文摘要：
We introduce a procedure to infer the interactions among a set of binary variables, based on their sampled frequencies and pairwise correlations. The algorithm builds the clusters of variables contributing most to the entropy of the inferred Ising model, and rejects the small contributions due to the sampling noise. Our procedure successfully recovers benchmark Ising models even at criticality and in the low temperature phase, and is applied to neurobiological data.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
