Spectral Clustering of Attributed Multi-relational Graphs
University of Vienna（维也纳大学）
针对复杂数据兼具属性与多关系特性的图聚类需求，提出联合降维技术SpectralMix，整合多类信息实现合理解释且具泛化性，实验验证其优于现有方法并能检测结构与属性依赖关系。
2023-11-03 cs.LG cs.SI
Interpretable Models for Granger Causality Using Self-explaining Neural Networks
ETH Zürich（苏黎世联邦理工学院）
时间序列数据的探索性分析可以更好地理解复杂的动力系统。格兰杰因果关系是一个实用的框架，用于分析序列数据中的相互作用，应用于广泛的领域。在本文中，我们提出了一个新的框架推断多变量格兰杰因果关系的非线性动力学的基础上扩展的自解释神经网络。这个框架比其他基于神经网络的Granger因果关系推断技术更具解释性，因为除了关系推断之外，它还允许检测Granger因果效应的迹象并检查它们随时间的变化。在对模拟数据的综合实验中，我们表明，我们的框架在推断格兰杰因果关系方面与几种强大的基线方法不相上下，并且在推断相互作用符号方面具有更好的性能。结果表明，我们的框架是一个可行的和更可解释的替代稀疏输入神经网络推断格兰杰因果关系。
2021-01-19 cs.LG stat.ML
On-line relational SOM for dissimilarity data
Université Paris 1 Panthéon Sorbonne（巴黎第一大学先贤祠-索邦大学）
在某些应用中，为了更好地解决现实世界的情况，数据可能比简单的向量更复杂。在一些示例中，它们可以仅通过它们的成对相异度来获知。引入了自组织映射算法的几个变体，以将原始算法推广到该框架。而中位数SOM是基于一个粗略的表示的原型，关系SOM允许代表这些原型的数据集中的所有元素的虚拟组合。然而，后一种方法具有两个主要缺点。首先，它的复杂性可能很大。第二，迄今为止只研究了该算法的批处理版本，并且它通常提供具有不良地形组织的结果。在这篇文章中，一个在线版本的关系SOM的描述和理由。该算法在几个数据集上进行了测试，包括分类数据和图形，并与批处理版本和非矢量数据的其他SOM算法进行了比较。
2012-12-27 cs.LG stat.ML
Efficient Regularized Least-Squares Algorithms for Conditional Ranking on Relational Data
University of Turku（图尔库大学）；Ghent University（根特大学）
在像生物信息学、信息检索和社会网络分析这样的领域中，人们可以找到学习任务，其中目标包括推断对象的排名，以特定的目标对象为条件。我们提出了一个通用的内核框架，用于从各种类型的关系数据中学习条件排名，其中排名可以以看不见的数据对象为条件。我们提出了有效的算法，条件排名通过优化平方回归和排名损失函数。我们从理论上证明，使用排名损失的学习可能比回归损失更好地推广。此外，我们证明了关系的对称性或互易性可以在学习模型中有效地实施。对合成数据和真实数据的实验表明，所提出的方法在预测能力和计算效率方面具有最先进的性能。此外，我们还表明经验，将对称性或互易性的属性可以提高泛化性能。
2013-06-08 cs.LG stat.ML
lgpr: An interpretable nonparametric method for inferring covariate effects from longitudinal data
Aalto University（阿尔托大学）
纵向研究设计对于研究疾病进展是必不可少的。然而，从纵向数据推断协变量效应需要可解释的方法，这些方法可以对复杂的协变量结构进行建模，并检测分类和连续协变量的非线性效应以及它们的相互作用。检测疾病影响的障碍在于，它们通常在疾病开始时间附近迅速发生，并且无法准确观察到该时间点。另一个挑战是，受试者之间的效应幅度可能是异质的。我们提出lGPR，一个广泛适用的和可解释的方法，非参数分析的纵向数据使用加性高斯过程。我们证明，它优于以前的方法，在确定相关的分类和连续的协变量在各种设置。此外，它还实现了重要的新功能，包括解释协变量效应的异质性、其时间不确定性以及不同类型生物医学数据的适当观察模型的能力。lgpr工具是作为一个全面和用户友好的R包实施的。LGPR可在jtimonen.github.io/lgpr-usage上获得，其具有文档、教程、测试数据和用于再现本文实验的代码。
2020-10-08 cs.LG q-bio.QM stat.ME
Collapsed Variational Bayes Inference of Infinite Relational Model
NTT Communication Science Laboratories（NTT通信科学实验室）；NTT Corporation（NTT公司）；The University of Tokyo（东京大学）
无限关系模型（Infinite Relational Model，缩写为RRM）是一种基于观察到的关系将对象划分为簇的关系数据聚类的概率模型。本文提出了平均CVB（ACVB）解决方案，收敛保证和实用的快速折叠变分贝叶斯（CVB）推理。我们首先基于下限最大化推导出IRM的普通CVB和CVB 0。CVB解决方案产生确定性的迭代程序，用于推断给定截断数的聚类。我们的建议包括超参数的CVB0更新，包括狄利克雷过程的浓度参数，这在文献中还没有研究过。为了使CVB推理更具有实际应用价值，我们从两个方面对CVB推理进行了进一步的研究。首先，我们研究的收敛问题，并开发一个收敛保证算法的任何CVB为基础的推理称为ACVB，它可以自动收敛检测，并从困难和昂贵的手动监测推理过程中解放非专业从业人员。第二，我们提出了一些技术，以加快推理。特别是，我们描述了CVB0的线性时间推断，允许更大的关系数据使用的时间间隔。ACVB解决方案在实验中表现出与现有推理方法相当或更好的性能，并提供确定性，更快，更容易的收敛检测。
2014-09-16 cs.LG stat.ML
Propagation on Multi-relational Graphs for Node Regression
\' E cole Polytechnique F\' e d\' e rale de Lausanne (EPFL), Lausanne, Switzerland
近年来，真实世界中的数据越来越多，这些数据具有丰富的结构信息，可以方便地用多关系图来描述。虽然在一个简单的图上的连续节点特征的推理是相当不足的研究，目前的关系学习研究，我们更进一步，并专注于多关系图上的节点回归问题。我们从著名的标签传播算法的灵感，旨在完成分类功能在一个简单的图，并提出了一种新的传播框架，以完成缺失的连续功能在节点的多关系和有向图。我们的多关系传播算法是由一个关系的本地生成模型的迭代邻域聚合。我们的研究结果表明，利用多关系结构的数据在几个节点回归方案在不同的设置的好处。
2021-10-15 cs.LG
Fast inference of latent space dynamics in huge relational event networks
Università della Svizzera italiana（瑞士意大利语区大学）
提出一种基于似然的分层算法，利用平滑样条过程和凸聚类惩罚，在可解释潜在空间中快速推断大型关系事件网络的社区动力学，数分钟内可在公共GPU上拟合数百万节点。
2023-03-29 cs.LG cs.SI stat.CO
Tell me why! Explanations support learning relational and causal structure
DeepMind（深度思维）
推理世界的抽象关系和因果结构是学习代理的主要挑战。对人类来说，语言-特别是以解释的形式-在克服这一挑战方面起着相当大的作用。在这里，我们证明了语言可以在复杂环境中为深度RL代理发挥类似的作用。虽然代理通常很难获得关系和因果知识，但通过训练他们预测语言描述和解释来增加他们的经验可以克服这些限制。我们表明语言可以帮助智能体学习具有挑战性的关系任务，并研究语言的哪些方面有助于其益处。然后，我们表明，解释可以帮助代理推断不仅关系，而且因果结构。语言可以塑造智能体从模糊的、因果混淆的训练中概括分布外的方式，解释甚至允许智能体学习执行实验干预以识别因果关系。我们的研究结果表明，语言描述和解释可能是提高智能体学习和泛化能力的有力工具。
2022-05-25 cs.AI cs.LG stat.ML
BayReL: Bayesian Relational Learning for Multi-omics Data Integration
Texas A&M University（得克萨斯农工大学）
高通量分子谱分析技术产生了高维多组学数据，使得能够在基因组尺度上系统地理解生命系统。研究不同数据类型的分子相互作用有助于揭示不同分子类别的信号转导机制。在本文中，我们开发了一种新的贝叶斯表示学习方法，推断跨多组学数据类型的关系交互。我们的方法，贝叶斯关系学习（BayReL）的多组学数据集成，利用先验已知的关系，在同一类分子，建模为一个图形在每个相应的视图，学习视图特定的潜变量，以及多部图，编码跨视图的相互作用。我们在几个真实世界数据集上的实验表明，与现有基线相比，BayReL在推断有意义的交互方面的性能有所增强。
2020-10-22 cs.LG q-bio.MN stat.AP
Methodological and Conceptual Framework for 5D Multi-Table Analysis: A Unified Approach for Complex Data Reuse
CHU de Lille（里尔大学中心医院）；Lille Centrale Institute（里尔中央理工学院）；Lille University（里尔大学）
本文提出关系超图Transformer（RHT）架构，用于解决复杂关系数据的多表学习问题，在Synthea数据集上验证其生成语义连贯嵌入的能力，计划后续在MIMIC-IV上开展临床验证。
2026-08-28 cs.AI cs.LG
Estimating Aggregate Properties In Relational Networks With Unobserved Data
UC Santa Cruz（加州大学圣克鲁兹分校）
聚合网络属性，如集群凝聚力和桥节点的数量，可以用来收集有关网络的社区结构，影响力的传播和网络故障的弹性的见解。当网络被完全观察时，有效地计算网络属性已经受到了极大的关注（Wasserman and Faust 1994; Cook and Holder 2006），但是当有缺失的数据属性时，计算聚合网络属性的问题却很少受到关注。计算具有缺失属性的网络的这些属性涉及在网络上执行推理。统计关系学习（SRL）和图神经网络（GNN）是两类非常适合于推断图中缺失属性的机器学习方法。在本文中，我们研究了这些方法的有效性，在估计网络上的缺失属性的聚集属性。我们比较了两种SRL方法和三种GNN。对于这些方法，我们使用MAP和均值等点估计来估计这些属性。对于基于SRL的方法，可以推断出一个联合分布的缺失属性，我们还估计这些属性的期望分布。为了计算概率软逻辑，我们研究的SRL方法之一，可追溯的期望，我们引入了一种新的采样框架。在实验评估中，使用三个基准数据集，我们表明，基于SRL的方法往往优于基于GNN的方法在计算聚合属性和预测精度。具体来说，我们表明，估计的总属性作为一个期望的联合分布优于点估计。
2020-01-27 cs.LG stat.ML
A Subsampling-Based Method for Causal Discovery on Discrete Data
University of Utah（犹他大学）
在离散和分类数据上推断因果方向是一个重要而又具有挑战性的问题。尽管加性噪声模型（ANMs）方法可以适用于离散数据，但功能结构假设使其不适用于分类数据。受原因和机制是独立的原则的启发，已经开发了各种方法，利用独立性测试，例如距离相关性测量。在这项工作中，我们采取了另一种观点，并提出了一个基于子采样的方法来测试的原因和机制的生成方案之间的独立性。我们的方法适用于离散和分类数据，并且不意味着数据上的任何函数模型，使其成为一种更灵活的方法。为了证明我们的方法的有效性，我们将其与各种合成数据和真实数据实验的现有基线进行比较。
2021-09-01 cs.AI cs.LG stat.ML
MoReL: Multi-omics Relational Learning
Texas A&M University（德州农工大学）
多组学数据分析具有发现隐藏的分子相互作用的潜力，在研究生命和疾病系统时揭示感兴趣的细胞过程的潜在调控和/或信号转导途径。当处理真实世界的多组学数据时的关键挑战之一是，它们可能表现出异构结构和数据质量，因为对于每种类型的组学数据，通常现有的数据可能在不同的条件下从不同的受试者收集。我们提出了一种新的深度贝叶斯生成模型，可以有效地推断出编码这种异质视图之间分子相互作用的多部图，在相应视图的潜在表示之间使用融合的Gromov-Wasserstein（FGW）正则化进行综合分析。通过深度贝叶斯生成模型中的这种最佳传输正则化，它不仅允许将视图特定的边信息与不同视图中的图形结构化或非结构化数据结合起来，而且还通过基于分布的正则化增加了模型的灵活性。与现有的基于点的图嵌入方法相比，这允许异构潜变量分布的有效对齐以获得可靠的交互预测。我们在几个真实世界数据集上的实验表明，与现有基线相比，MoReL在推断有意义的相互作用方面的性能有所增强。
2022-03-15 cs.LG q-bio.QM stat.ML
Lifted Representation of Relational Causal Models Revisited: Implications for Reasoning and Structure Learning
Artificial Intelligence Research Laboratory（人工智能研究实验室）；College of Information Sciences and Technology（信息科学与技术学院）；Pennsylvania State University（宾夕法尼亚州立大学）
Maier等人（2010）介绍了关系因果模型（RCM），用于表示和推断关系数据中的因果关系。抽象地图（AGG）是一种提升表示，在RCM的推理和学习中起着核心作用。Maier等人（2013 a）提出的从数据中学习RCM的算法的正确性依赖于AGG对于关系d-分离的可靠性和完整性，以将RCM的学习减少到AGG的学习。我们重新审视了AGG的定义，并表明Maier等人（2013 b）定义的AGG并没有正确地抽象所有的基础图。我们修改了AGG的定义，以确保它正确地抽象所有的地面图。我们进一步证明了AGG表示对于关系d-分离是不完全的，也就是说，在一个RCM中可以存在不被AGG蕴涵的条件独立关系。仔细检查之间的关系D-分离和忠诚条件的AGG的完整性的缺乏之间的关系表明，较弱的概念的完整性，即邻接忠诚度和方向的忠诚度之间的RCM和它的AGG，可以用来学习的RCM数据。
2015-08-17 cs.AI cs.LG
Numeric Input Relations for Relational Learning with Applications to Community Structure Analysis
Aalborg University（奥尔堡大学）
统计关系学习（SRL）领域的大部分工作都集中在离散数据上，尽管已经提出了一些结合数值和离散变量的混合SRL模型的方法。在本文中，我们区分数值随机变量的概率分布是由模型定义的数值输入变量，仅用于调节离散响应变量的分布。我们展示了如何数值输入关系可以很容易地用于关系贝叶斯网络框架，现有的推理和学习方法只需要轻微的调整，适用于这个广义的设置。由此产生的框架提供了自然的关系扩展的经典概率模型的分类数据。我们通过几个例子证明了具有数值输入关系的RBN模型的有用性。特别是，我们使用增强的RBN框架来定义多关系（社交）网络的概率模型，其中两个节点之间的链接的概率取决于与节点相关联的数字潜在特征向量。可以使用通用学习过程来获得可以以高级RBN表示表示的各种模型的模型参数和潜在特征值的最大似然拟合。具体来说，我们提出了一个模型，使我们能够解释学习的潜在特征值为社区中心度，我们可以确定节点是一个社区的中心，社区之间的枢纽，或孤立的节点。在多关系环境中，该模型还提供了不同关系如何与每个社区相关联的表征。
2015-06-16 cs.LG
RelGT-AC: A Relational Graph Transformer for Autocomplete Tasks in Relational Databases
Appsofa LLC（Appsofa公司）
提出RelGT-AC模型，通过列掩码策略、统一任务头和TF-IDF文本编码器，在关系数据库的自动完成任务上优于GraphSAGE基线。
2026-06-02 cs.AI cs.LG
Causal Relational Learning
University of Washington（华盛顿大学）；Duke University（杜克大学）；University of California at Santa Cruz（加州大学圣克鲁兹分校）
因果推理是自然科学和社会科学实证研究的核心，对于科学发现和知情决策至关重要。因果推理的黄金标准是进行随机对照试验;不幸的是，由于伦理、法律或成本的限制，这些试验并不总是可行的。作为一种替代办法，统计研究和社会科学已经发展出从观测数据进行因果推断的方法。然而，现有的方法严重依赖于限制性的假设，如研究人口组成的同质元素，可以表示在一个单一的平面表，其中每一行被称为一个单位。相比之下，在许多现实环境中，研究领域自然由具有复杂关系结构的异构元素组成，其中数据自然表示在多个相关表中。在本文中，我们提出了一个正式的框架，因果关系的数据推断。我们提出了一种称为CaRL的声明性语言，用于捕获因果背景知识和假设，并使用简单的数据日志式规则指定因果查询。CaRL为推断因果关系和推理关系域中复杂干预的影响提供了基础。我们对真实的关系数据进行了广泛的实验评估，以说明CaRL在社会科学和医疗保健中的适用性。
2020-04-07 cs.AI cs.DB cs.LG
Efficient Inference of Gaussian Process Modulated Renewal Processes with Application to Medical Event Data
Vanderbilt University School of Medicine（范德堡大学医学院）
医疗数据的偶发性、不规则性和异步性使得它们难以成为标准机器学习算法的基础。我们想通过将时间戳分类变量（或事件）建模为更新过程并推断调制该过程的连续、纵向、非参数强度函数的概率密度来抽象这类变量（或事件）的困难。存在几种方法来推断这样的密度强度函数，但无论是他们的限制和假设，防止他们使用我们潜在的突发事件流，或他们的时间复杂性，使他们的使用棘手的我们的长期观测的高分辨率事件，或两者兼而有之。在本文中，我们提出了一种新的和有效的方法来推断分布强度函数，使用直接数值积分和光滑插值高斯过程。我们证明，我们的直接方法是两倍的准确性和两个数量级的效率比现有的最佳方法（细化）。重要的是，直接方法可以推断强度函数在整个范围内的突发无记忆的规则事件，细化和许多其他方法不能。最后，我们将该方法应用于临床事件数据，并证明了抽象的有效性，现在可以适用于标准的学习算法。
2014-02-19 cs.LG stat.AP stat.ML
Griffin: Towards a Graph-Centric Relational Database Foundation Model
Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；Amazon Web Services（亚马逊网络服务）
本研究提出首个专门面向关系数据库的图中心基础模型Griffin，通过统一编解码架构、交叉注意力模块等创新组件及多数据集预训练，在超1.5亿节点的多领域图任务上性能优异，低数据场景和迁移能力突出。
2025-06-11 cs.AI cs.DB cs.LG
The Immersion of Directed Multi-graphs in Embedding Fields. Generalisations
Jiratech
本文的目的是概述了一个通用的模型，用于表示混合的关系分类，符号，感知感知和感知潜在的数据，从而体现，在同一个架构的数据层，表示的输入，输出和潜在的张量。这种表示的多样性目前被计算机视觉、NLP/NLU、强化学习中的各种机器学习模型所使用，这些模型允许直接应用跨域查询和函数。这是通过赋予有向张量类型多图至少一些表示来自各种潜在空间的嵌入的边属性来实现的，以便定义、构建和计算张量形式之间和跨张量形式的新的相似性和距离关系，包括视觉、语言、听觉潜在表示，从而将观察到的宇宙的逻辑分类视图缝合到贝叶斯/统计视图。
2020-04-28 cs.AI cs.CV cs.LG
Kernel-based Approach to Handle Mixed Data for Inferring Causal Graphs
University of York（约克大学）
因果学习是分析数据集中变量之间因果关系的有效方法。因果图可以使用特定的因果算法从数据集生成，例如PC算法或快速因果推理（FCI）。从包含不同数据类型（混合数据）的数据集生成因果图并不简单。这项研究提供了一种简单的方法来处理混合数据，使它可以用来学习因果图使用现有的应用程序的PC算法和FCI。本研究提出使用核函数和核对齐来处理混合数据。这种方法的两个主要步骤是计算每个变量的核矩阵和使用核对齐计算伪相关矩阵。在PC算法和FCI算法中，核对齐被用作高斯数据条件独立性检验的相关矩阵的替代。这个想法的优点是，可以通过使用合适的核函数来计算用于观察变量的核矩阵来处理任何数据类型。所提出的方法被成功地应用到学习的因果图从混合数据包含分类，二进制，有序，和连续变量。
2019-10-07 cs.AI cs.LG
RELATE: A Schema-Agnostic Perceiver Encoder for Multimodal Relational Graphs
SAP Palo Alto, CA, USA（SAP帕洛阿尔托分校）；University of Pennsylvania（宾夕法尼亚大学）；SAP Seattle, WA, USA（SAP西雅图分校）
本文提出RELATE，一种模式无关、即插即用的特征编码器，通过共享模态编码器和Perceiver交叉注意力模块聚合多模态属性，在RelBench基准上性能接近特定编码器且大幅减少参数量，支持多数据集预训练，推动关系图基础模型发展。
2025-11-03 cs.AI cs.DB cs.LG
Fusing Multifaceted Transaction Data for User Modeling and Demographic Prediction
Intuit（Intuit 公司）
在许多以用户为中心的应用中，推断用户特征（诸如人口统计属性）是极其重要的。人口统计数据是个性化、身份安全和其他应用程序的推动者。尽管如此，这些数据是敏感的，往往很难获得。以前的工作表明，购买历史可以用于许多人口统计领域的多任务预测，如性别和婚姻状况。在这里，我们提出了一种基于嵌入的方法来整合多方面的交易数据序列，以及辅助关系表，以更好地进行用户建模和人口统计预测。
2017-12-19 cs.LG cs.SI stat.ML
SAG-VAE: End-to-end Joint Inference of Data Representations and Feature Relations
Rutgers University - New Brunswick（罗格斯大学新布朗斯维克分校）；Rutgers University（罗格斯大学）
变分自编码器（VAE）在数据表示推理方面非常强大，但它无法学习具有普通形式和常见变体的特征之间的关系。捕获数据中关系的能力可以提供构建更强大的机器学习算法所需的归纳偏差，这些算法具有更可解释的结果。在本文中，受最新进展的启发，关系学习使用图神经网络，我们提出了自注意图变分自编码器（SAG-VAE）网络，可以同时学习功能关系和数据表示在一个端到端的方式。SAG-VAE通过联合推断两种类型的潜变量的后验分布来训练，这两种类型的潜变量分别表示数据表示和共享图结构。此外，我们引入了一种新的自注意图网络，通过参数化生成分布来提高SAG-VAE的生成能力，从而允许SAG-VAE通过图卷积生成新数据，同时仍然可以通过反向传播进行训练。可学习的关系图表示增强了SAG-VAE对扰动和噪声的鲁棒性，同时还提供了对模型性能的更深层次的直觉。基于图的实验表明，SAG-VAE能够近似检索边缘和节点之间的链接完全基于特征观察。最后，图像数据上的结果表明，SAG-VAE是相当强大的图像重建和采样的扰动。
2020-07-22 cs.LG stat.ML
Interpretable Feature Construction for Time Series Extrinsic Regression
Université de La Réunion（留尼汪大学）；Orange Labs（Orange实验室）
时间序列数据的监督学习在分类目标变量的情况下得到了广泛的研究。在一些应用领域中，例如，在能源、环境和健康监测中，目标变量是数值的，这个问题被称为时间序列外部回归（TSER）。在文献中，一些著名的时间序列分类器已被扩展为TSER问题。由于第一个基准研究集中在预测性能，很少注意到可解释性。为了填补这一空白，在本文中，我们提出了一个扩展的贝叶斯方法，强大的和可解释的功能建设和选择的上下文中TSER。我们的方法利用关系的方式来处理TSER：（i），我们建立各种简单的表示的时间序列存储在一个关系数据方案，然后，（ii），一个命题化技术（基于来自关系数据领域的经典聚合/选择函数）被应用于从辅助表构建可解释的特征以“扁平化”数据;以及（iii）通过贝叶斯最大后验概率方法过滤出所构造的特征。所得到的转换数据可以用各种现有的回归器进行处理。各种基准数据集上的实验验证证明了所提出的方法的好处。
2021-03-15 cs.LG
Density-based interpretable hypercube region partitioning for mixed numeric and categorical data
IBM Research（IBM研究院）
考虑一个结构化的特征数据集，比如$\{\textrm{SEX}, \textrm{INCOME}, \textrm{RACE}, \textrm{EXPERIENCE}\}$。用户可能想要知道特征空间中的观察集中在哪里，以及它在哪里是稀疏的或空的。大的稀疏或空区域的存在可以提供软或硬特征约束的领域知识（例如，什么是典型的收入范围，或者它可能不太可能有一个高收入与几年的工作经验）。此外，这些可以向用户建议，针对稀疏或空区域中的数据输入的机器学习（ML）模型预测可能是不可靠的。可解释区域是一个超矩形，例如$\{\textrm{RACE} \in\{\textrm{Black}, \textrm{White}\}\}\:\&$ $\{10 \leq \:\textrm{EXPERIENCE} \:\leq 13\}$，包含满足约束的所有观测;通常，此类区域由少量特征定义。我们的方法构造了一个基于观测密度的分区的观察到的特征空间在数据集中到这样的区域。它比其他方法有很多优点，因为它可以处理原始域中的混合类型（数值或分类）的特征，并且还可以分离出空区域。从可视化中可以看出，所得到的分区符合人眼可能识别的空间分组;因此，结果应该扩展到更高的维度。我们还展示了分区在其他数据分析任务中的一些应用，例如推断ML模型误差，测量高维密度变异性以及治疗效果的因果推断。这些应用中的许多应用通过分区区域的超矩…
2021-11-08 cs.LG stat.AP
Inferring Higher-Order Couplings with Neural Networks
Université Paris-Saclay, CNRS, INRIA Tau team, LISN（巴黎-萨克雷大学、国家科学研究中心、INRIA Tau团队、LISN）
针对最大熵方法难以捕捉高阶相互作用、现有机器学习方法可解释性计算成本高的问题，提出将RBM映射到广义Potts模型的方法，可高效提取任意阶耦合，在合成与蛋白质数据上验证了性能优势。
2025-11-12 cond-mat.dis-nn cond-mat.stat-mech cs.LG
