UniDEC : Unified Dual Encoder and Classifier Training for Extreme Multi-Label Classification
University of California Los Angeles（加州大学洛杉矶分校）；Microsoft（微软公司）；University of Bath（巴斯大学）；Aalto University（阿尔托大学）
本文提出UniDEC框架，通过挑选部分标签（PSL）缩减策略在单GPU上端到端联合训练双编码器与分类器，将计算成本降低4-16倍，并在百万级标签数据集上取得SOTA结果。
2025-03-03 cs.AI cs.LG
Efficient Human Computation
Intel Research Israel Lab（英特尔以色列研究实验室）
收集大型标记数据集是一项费力且昂贵的任务，其规模的扩大需要在许多教师之间分配标记工作量。当类的数量很大时，不同教师给出的标签之间可能会出现不一致，在极端情况下，可能会达到完全不一致。在本文中，我们描述了如何获得全球一致的标签，尽管没有教师的协调，并讨论了这一过程中可能的效率方面的人力。我们定义了标签效率的概念，衡量获得的全球一致的标签数量和分布式教师提供的标签数量之间的比率。我们表明，效率关键取决于一个老师看到的数据实例的数量之间的比率α，和类的数量。我们提出了几种算法的分布式标记问题，并分析其效率作为一个函数的α。此外，我们提供了一个上限的标签效率的情况下，完全不协调的教师，并表明，效率接近0之间的比率，每个教师提供的标签数量和类的数量下降（即α去0）。
2009-03-05 cs.LG
Truthful Incentive Mechanism for Federated Learning with Crowdsourced Data Labeling
Auburn University（奥本大学）
联邦学习（FL）已经成为一种有前途的范例，其以分布式方式在客户端设备上训练机器学习（ML）模型，而不需要将客户端的数据传输到FL服务器。在机器学习的许多应用中，训练数据的标签需要由人类代理手动生成。在本文中，我们研究了FL与众包数据标记，其中FL的每个参与客户端的本地数据由客户端手动标记。我们考虑客户端的策略行为，这些客户端可能没有在本地数据标记和本地模型计算中做出所需的努力，并且可能向FL服务器误报其本地模型。我们将训练损失的性能界限描述为客户端的数据标记工作，本地计算工作和报告的本地模型的函数。我们设计了真实的激励机制，激励战略客户做出真实的努力，并向服务器报告真实的本地模型。真实的设计利用了训练损失对客户努力和局部模型的非平凡依赖性。在真实的机制下，我们描述了服务器的最优本地计算工作分配。我们评估提出的FL算法与众包数据标签和激励机制，使用实验。
2023-01-31 cs.AI cs.DC cs.LG
Echoless Label-Based Pre-computation for Memory-Efficient Heterogeneous Graph Learning
针对异质图神经网络基于标签预计算存在的标签泄露回声效应问题，提出Echoless-LP方法，通过分块无回声传播及配套优化模块，在兼容各类消息传递方法、保持内存高效的同时取得更优性能。
2025-11-14 cs.LG cs.SI
Multi-label Classification via Adaptive Resonance Theory-based Clustering
Graduate School of Engineering, Osaka Prefecture University（大阪府立大学工学院）；Faculty of Computer Science and Information Technology, University of Malaya（马来亚大学计算机科学与信息技术学院）；Southern University of Science and Technology（南方科技大学）
本文提出一种基于自适应共振理论聚类与贝叶斯标签概率计算的多标签分类算法，通过持续生成原型节点实现持续学习，并在实验中取得与其他知名算法相当的分类性能。
2021-09-03 cs.LG
Continual Learning on a Diet: Learning from Sparsely Labeled Streams Under Constrained Computation
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of Oxford（牛津大学）
本文提出DietCL，针对计算预算受限且标注稀疏的持续学习场景，通过联合利用标注与未标注数据并精心分配计算资源，在多个大规模数据集上显著超越现有监督和半监督持续学习方法。
2024-06-08 cs.CV cs.LG
Beyond Hard Labels: Investigating data label distributions
University of Kiel（基尔大学）
高质量的数据是现代机器学习的一个关键方面。然而，由人类生成的标签会遇到标签噪声和类别模糊等问题。我们提出的问题是，硬标签是否足以代表这些固有的不精确性存在的基础地面真理分布。因此，我们在定量和定性上比较了合成和真实世界数据集的硬标签和软标签学习的差异。我们表明，软标签的应用程序导致性能的提高，并产生一个更规则的内部特征空间的结构。
2022-10-06 cs.CV cs.LG
Learning with Different Amounts of Annotation: From Zero to Many Labels
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
训练NLP系统通常假设访问每个示例具有单个人类标签的注释数据。鉴于注释者的不完美标记和语言的固有歧义，我们假设单个标签不足以学习语言解释的频谱。我们探索新的注释分布方案，分配多个标签每个例子的一个小子集的训练样本。以标注更少的示例为代价引入这样的多标签示例在自然语言推理任务和实体分类任务上带来了明显的收益，即使当我们简单地首先用单个标签数据进行训练，然后用多标签示例进行微调时。扩展MixUp数据增强框架，我们提出了一种学习算法，可以从具有不同注释量（零个，一个或多个标签）的训练样本中学习。该算法有效地结合了来自不均匀训练数据的信号，并在低注释预算和跨域设置中带来了额外的增益。总之，我们的方法在两个任务中实现了一致的增益，这表明在训练样本之间不均匀地分布标签对许多NLP任务都是有益的。
2021-09-10 cs.AI cs.CL cs.LG
On the Computation of Necessary and Sufficient Explanations
University of California, Los Angeles（加州大学洛杉矶分校）
决策背后的完整原因是一个布尔公式，它描述了为什么做出决策。这个最近引入的概念有许多应用，其中包括生成解释，检测决策偏差和评估反事实查询。完全理由的原蕴涵被称为决策的充分理由，它们对应于所谓的PI解释和溯因解释。在本文中，我们把一个完整的理由的主要含义称为决策的必要理由。我们证明这个术语语义和显示，必要的原因对应于什么是所谓的对比解释。我们还研究了计算的多类决策树和图形的名义和数字的功能，我们得到有效的，封闭形式的完整的原因。我们进一步研究了计算最短的必要和充分的原因，广泛的一类完整的原因，其中包括派生的封闭形式和完整的原因，句子决策图（SDDs）。给出了一个在输出多项式时间内枚举出它们的最短必要原因的算法。为这类完整的理由列举最短的充分理由是困难的，即使是一个单一的理由。对于这个问题，我们提供了一个算法，似乎是相当有效的，因为我们经验表明。
2022-03-20 cs.AI cs.LG cs.LO
Semi-Supervised Conditional Diffusion via Label Augmentation
Department of Applied Mathematics, The Hong Kong Polytechnic University（应用数学系，香港理工大学）；School of Statistics and Data Science, Nankai University（统计与数据科学学院，南开大学）；School of Statistics, East China Normal University（统计学院，华东师范大学）；Department of Data Science and AI, The Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学）
研究如何利用未标记数据改进条件扩散模型，提出标签增强条件扩散方法（LACD），通过给未标记数据赋平凡标签并联合去噪，在理论上保证可识别性和收敛速度，实验证明该方法在样本效率和生成性能上优于纯监督估计器。
2026-07-21 cs.LG stat.ML
Explainable COVID-19 Infections Identification and Delineation Using Calibrated Pseudo Labels
National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Royal Brompton Hospital（皇家布朗普顿医院）；Shenzhen Second People’s Hospital（深圳市第二人民医院）；TECNALIA（泰克纳利亚研究中心）；University of the Basque Country（巴斯克大学）
COVID-19疫情带来的动荡在过去两年持续带来新的挑战。在COVID-19大流行期间，需要快速识别受感染的患者并在计算机断层扫描（CT）图像中具体描绘感染区域。尽管深度监督学习方法已经迅速建立，但图像级和像素级标签的稀缺以及缺乏可解释的透明度仍然阻碍了人工智能的应用。我们能在最低限度的监督下识别受感染的病人并描述感染情况吗？半监督学习在有限的标记数据和足够的未标记数据下表现出良好的性能。受半监督学习的启发，我们提出了一种模型不可知的校准伪标签策略，并将其应用于一致性正则化框架下，以生成可解释的识别和描绘结果。我们证明了我们的模型的有效性与有限的标记数据和足够的未标记数据或弱标记数据的组合。大量的实验表明，我们的模型可以有效地利用有限的标记数据，并提供可解释的分类和分割结果的决策在临床常规。该代码可在https://github.com/ayanglab/XAI COVID-19上获得。
2022-07-03 cs.CV cs.LG eess.IV
Surrogate Losses in Passive and Active Learning
Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）
主动学习是一种用于监督机器学习的序贯设计，其中学习算法顺序地从大量未标记的数据点池中请求所选实例的标签。目标是产生相对低风险的分类器，如在0-1损失下测量的，理想地使用比足以实现相同的随机标记数据点的数量更少的标记请求。本文研究了代理损失函数在主动学习中的潜在应用。具体而言，它提出了一种主动学习算法的基础上任意分类校准的代理损失函数，随着标签请求的数量足够的分类算法返回，以实现给定的风险下的0-1损失的分析。有趣的是，这些结果不能通过简单地优化代理风险，通过主动学习的程度足以提供一个保证0-1的损失，这是常见的做法，在分析代理损失的被动学习。一些结果对被动学习中使用替代损失有额外的影响。
2019-11-13 cs.LG math.ST stat.ML
Computational Implications of Reducing Data to Sufficient Statistics
Stanford University（斯坦福大学）
给定一个大的数据集和一个估计任务，通常通过将数据减少到一组充分统计量来预处理数据。这一步骤通常被认为是直接和有利的（因为它简化了统计分析）。我表明，相反，减少数据到充分统计量可以改变一个计算上容易处理的估计问题变成一个棘手的。我将讨论与理论计算机科学的最新工作的联系，以及对一些估计图形模型的技术的影响。
2015-07-30 cs.IT cs.LG math.IT
A Data Management Approach for Dataset Selection Using Human Computation
Zynga（星佳）；Microsoft（微软）
随着使用机器学习算法的应用程序数量的增加，对用于训练此类算法的标记数据的需求加剧。获取标签通常涉及雇用人类进行注释，这直接转化为培训和工作成本。众包平台使标记更便宜，更快，但它们仍然涉及巨大的成本，特别是对于待标记的潜在候选数据集很大的情况。在本文中，我们描述了一种方法和一个原型系统，旨在解决这一挑战，在工业环境中的Web规模的问题。我们讨论了如何有效地选择用于机器学习算法训练的数据以降低成本的想法。通过仔细选择要标记的实例，我们展示了以降低成本实现良好性能的结果。我们提出的算法是作为管理和生成训练数据集的框架的一部分提出的，该框架包括人类计算元素等组件。
2013-07-13 cs.IR cs.LG
Differentially Private AUC Computation in Vertical Federated Learning
Bytedance Inc.（字节跳动公司）
联邦学习最近作为一种隐私增强工具获得了极大的关注，以通过多方联合训练机器学习模型。作为一个子类别，垂直联邦学习（vFL）专注于将特征和标签分成不同方的场景。之前关于vFL的工作主要研究如何在模型训练期间保护标签隐私。然而，vFL中的模型评估也可能导致私有标签信息的潜在泄漏。一种缓解策略是应用标签差分隐私（DP），但它给出了对真实（非隐私）度量的不良估计。在这项工作中，我们提出了两个评估算法，可以更准确地计算广泛使用的AUC（曲线下面积）度量时，使用标签DP在vFL。通过大量的实验，我们表明我们的算法可以实现更准确的AUC相比，基线。
2022-05-24 cs.CR cs.LG
Topological Structure Learning for Weakly-Supervised Out-of-Distribution Detection
Shandong University（山东大学）
分发外（OOD）检测是在开放世界中安全部署模型的关键。对于OOD检测，收集足够的分布（ID）标记数据通常比未标记数据更耗时且成本更高。当ID标记数据有限时，以前的OOD检测方法不再优越，因为它们高度依赖于ID标记数据的量。基于有限的ID标记数据和足够的未标记数据，我们定义了一个新的设置称为弱监督分布外检测（WSOOD）。为了解决这个问题，我们提出了一种有效的方法，称为拓扑结构学习（TSL）。首先，TSL使用对比学习方法为ID和OOD数据建立初始拓扑结构空间。其次，TSL挖掘初始拓扑空间中的有效拓扑连接。最后，基于有限的ID标记数据和挖掘的拓扑连接，TSL在一个新的拓扑空间中重构拓扑结构，以增加ID和OOD实例的可分离性。对几个有代表性的数据集的广泛研究表明，TSL显着优于国家的最先进的，验证了我们的方法在新的WSOOD设置的有效性和鲁棒性。
2022-09-16 cs.CV cs.LG
RED-CT: A Systems Design Methodology for Using LLM-labeled Data to Train and Deploy Edge Classifiers for Computational Social Science
University of Washington（华盛顿大学）；Army Cyber Technology and Innovation Center（陆军网络技术与创新中心）；Carnegie Mellon University（卡内基梅隆大学）
针对大语言模型落地的成本、网络与安全问题，提出RED-CT系统设计方法，将LLM作为不完美标注器并加入新型系统干预来训练边缘分类器，8项测试中7项优于纯LLM标注效果，为行业专用监督模型的设计部署提供有效路径。
2024-11-01 cs.LG cs.SI
Two Wrongs Don't Make a Right: Combating Confirmation Bias in Learning with Label Noise
State Key Laboratory for Novel Software Technology at Nanjing University（南京大学计算机软件新技术国家重点实验室）；Nanjing University（南京大学）
噪声标签会损害深度网络的性能。对于鲁棒学习，一个突出的两阶段管道在消除可能的不正确标签和半监督训练之间交替。然而，丢弃部分噪声标签可能导致信息丢失，特别是当损坏依赖于数据时，例如，类相关或实例相关。此外，从一个有代表性的两阶段方法DivideMix的训练动态中，我们确定了确认偏差的主导地位：伪标签无法纠正相当数量的噪声标签，因此，错误累积。为了充分利用噪声标签中的信息并减轻错误校正，我们提出了鲁棒标签翻新（Robust LR）一种新的混合方法，该方法集成了伪标签和置信度估计技术来去除噪声标签。我们表明，我们的方法成功地消除了标签噪声和确认偏差的损害。因此，它实现了跨数据集和噪声类型的最先进性能，即不同合成噪声水平下的CIFAR以及具有真实噪声的Mini-WebVision和ANIMAL-10 N。
2023-01-06 cs.LG
When is Network Lasso Accurate: The Vector Case
Department of Computer Science（计算机科学系）；Aalto University（阿尔托大学）
最近提出的用于大规模网络结构数据集（网络上的大数据）的学习算法是网络Lasso（nLasso），其将众所周知的Lasso估计器从稀疏模型扩展到网络结构数据集。已经使用现代凸优化方法提出了nLasso的有效实现。在本文中，我们提供了关于网络结构和可用标签信息的充分条件，以便nLasso从一些数据点的标签提供的信息中准确地学习向量值图信号（表示标签信息）。
2017-10-11 cs.LG
F\textsuperscript{2}LP-AP: Fast \& Flexible Label Propagation with Adaptive Propagation Kernel
Beijing University of Technology（北京理工大学）
本文提出F²LP-AP，一种无需训练的高效标签传播框架，通过几何中位数构建类别原型并动态调整传播参数，适应局部图拓扑，有效建模同质和异质图结构，实验表明其在准确性和计算效率上优于现有方法。
2026-04-22 cs.LG
A Novel Neural Network Training Method for Autonomous Driving Using Semi-Pseudo-Labels and 3D Data Augmentations
aiMotive
训练神经网络以执行用于自动驾驶的3D目标检测需要大量不同的注释数据。然而，获得具有足够质量和数量的训练数据是昂贵的，并且有时由于人和传感器的约束而不可能。因此，需要一种新的解决方案来扩展当前的训练方法，以克服这种限制，并实现准确的3D目标检测。我们对上述问题的解决方案结合了半伪标记和新颖的3D增强。为了证明所提出的方法的适用性，我们设计了一个卷积神经网络的三维目标检测，可以显着增加检测范围相比，训练数据分布。
2022-07-20 cs.CV cs.LG
Semi-supervised deep learning based on label propagation in a 2D embedded space
University of Campinas（坎皮纳斯大学）
虽然卷积神经网络需要大的标记集来训练图像，但对此类数据集的专家人工监督可能非常费力。所提出的解决方案将标签从监督图像的小集合传播到非监督图像的大集合，以获得足够的真实和人工标记的样本来训练深度神经网络模型。然而，这样的解决方案需要许多监督图像进行验证。我们提出了一个循环，其中深度神经网络（VGG-16）是从一组具有更正确标记的样本中训练出来的，这些样本是通过使用t-SNE将其最后一个最大池化层的特征投影到一个2D嵌入空间中来创建的，在这个嵌入空间中，使用最优路径森林半监督分类器来传播标签。随着标记集随着迭代而改进，它改进了神经网络的特征。我们表明，这可以显着提高分类结果的测试数据（仅使用1\%至5\%的监督样本）的三个私人挑战数据集和两个公共的。
2021-01-15 cs.CV cs.LG
Physics informed deep learning for computational elastodynamics without labeled data
Northeastern University（东北大学）；MIT（麻省理工学院）
在过去的几十年中，通过求解控制偏微分方程（PDE）来模拟固体力学问题的数值方法，如有限元法得到了蓬勃发展。区分这些数值方法的一个突出方面是它们如何近似感兴趣的物理场。基于物理的深度学习是最近开发的一种用于建模PDE解决方案的新方法，并有望在不使用任何标记数据的情况下解决计算力学问题。其背后的哲学是近似感兴趣的数量（例如，偏微分方程解变量）通过深度神经网络（DNN），并嵌入物理规律来正则化网络。为此，训练网络相当于最小化精心设计的损失函数，其中包含PDE残差和初始/边界条件（I/BC）。在本文中，我们提出了一个物理信息的神经网络（PINN）与混合变量输出模型的弹性动力学问题，而不诉诸标记数据，其中的I/BC几乎没有强加。特别地，受混合有限元分析的启发，位移和应力分量都被作为DNN的输出，这大大提高了网络的精度和可训练性。由于传统的PINN框架用拉格朗日乘子以“软”方式增加了所有剩余损耗分量，因此不能很好地满足弱施加的I/BC，特别是当存在复杂的I/BC时。为了克服这个问题，基于多个单个DNN建立DNN的复合方案，使得可以以“硬”方式强制满足I/BC。建议PINN框架上演示了几个数值弹性的例子与不同的I/BC，包括静态和动态的问题，以及截断域中的波传播。结果表明，PINN在计算力学应用的背景下的承诺。
2020-06-10 cs.AI cs.CE cs.LG
Tale of tails using rule augmented sequence labeling for event extraction
IIT Bombay（印度理工学院孟买分校）
事件提取的问题是一个相对困难的任务，低资源的语言，由于没有足够的注释数据。此外，任务变得复杂的尾部（很少出现）标签，其中非常少的数据是可用的。在本文中，我们提出了一个新的数据集（InDEE-2019）在灾难领域的多种印度语言，从新闻网站收集。使用这个数据集，我们评估了几种基于规则的机制来增强基于深度学习的模型。我们制定我们的问题，事件提取作为一个序列标签的任务，并进行了广泛的实验，研究和了解不同的方法的有效性。我们进一步表明，尾部标签可以很容易地通过创建新的规则，而不需要大的注释数据。
2020-01-31 cs.CL cs.IR cs.LG
Efficient Testable Learning of Halfspaces with Adversarial Label Noise
UW Madison（威斯康星大学麦迪逊分校）；UC San Diego（加州大学圣地亚哥分校）
我们给出了第一个多项式时间算法的可测试学习的半空间在对抗标签噪声的存在下的高斯分布。在最近引入的可测试学习模型中，需要产生一个测试器-学习器，这样如果数据通过测试器，那么人们可以信任鲁棒学习器对数据的输出。我们的测试-学习器在时间上运行$\poly(d/\eps)$，并输出具有误分类误差$O(\opt)+\eps$的半空间，其中$\opt$是最佳拟合半空间的0-1误差。在技术层面上，我们的算法采用了迭代软定位技术，通过适当的测试来增强，以确保数据分布与高斯分布足够相似。
2023-03-09 cs.LG stat.ML
A necessary and sufficient stability notion for adaptive generalization
我们引入了一个新的概念，计算的稳定性，这在后处理和自适应组合。我们表明，这个概念是必要的和足够的，以确保泛化的适应性，对于任何计算，响应有界灵敏度的线性查询，同时提供准确的数据样本集。稳定性的概念是基于量化的影响，观察计算的输出后的数据样本元素。我们显示了这个稳定的概念和以前研究的概念之间的分离，并观察到所有的差分隐私算法也满足这一概念。
2019-12-28 cs.LG stat.ML
Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels
The University of Sydney（悉尼大学）；Hong Kong Baptist University（香港浸会大学）；The University of Melbourne（墨尔本大学）；Xidian University（西安电子科技大学）；Brain-Inspired Technology Co., Ltd.（脑启发技术有限公司）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
近年来，带噪声标签的学习吸引了很多关注，其中主流方法是逐点方式。同时，成对方式在有监督的度量学习和无监督的对比学习中显示出巨大的潜力。因此，一个自然的问题被提出来了：以成对的方式学习是否可以减轻标签噪声？为了给出肯定的答案，在本文中，我们提出了一个名为Class2Simi的框架：它将具有噪声类标签的数据点转换为具有噪声相似性标签的数据对，其中相似性标签表示一对是否共享类标签。通过这种变换，理论上保证了噪声率的降低，因此原则上更容易处理有噪声的相似性标签。令人惊讶的是，预测干净类别标签的DNN可以从嘈杂的数据对中训练出来，如果它们首先从嘈杂的数据点中进行预训练的话。Class2Simi在计算上是高效的，因为这种转换不仅是在小批量中进行的，而且它只是将模型预测之上的损失计算改为成对的方式。通过大量的实验验证了其有效性。
2021-06-17 cs.LG stat.ML
Efficient Algorithms for Learning from Coarse Labels
National Technical University of Athens（雅典国家技术大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
对于许多学习问题，人们可能无法访问细粒度的标签信息;例如，根据注释者的专业知识，可以将图像标记为哈士奇、狗或甚至动物。在这项工作中，我们正式这些设置和学习的问题，从这样的粗数据。我们观察对应于$\mathcal{Z}$的分区（或分区的混合）的粗略标签，而不是观察来自集合$\mathcal{Z}$的实际标签。我们的主要算法的结果是，基本上任何问题学习细粒度标签也可以有效地学习时，粗数据是足够的信息。我们得到我们的结果，通过一个通用的减少回答细粒度的标签，只有粗糙的标签统计量（SQ）。所需的粗标签的数量多项式地取决于由于粗化引起的信息失真和精细标签的数量$|\mathcal{Z}|$。我们还调查的情况下（无限多）实值标签集中在一个中心问题，在删失和截断统计：高斯平均估计从粗数据。我们提供了一个有效的算法时，分区中的集合是凸的，并建立即使是非常简单的非凸集的问题是NP-难的。
2023-03-24 cs.DS cs.LG stat.ML
Differentially Private Label Protection in Split Learning
ByteDance（字节跳动）
分裂学习是一种分布式训练框架，它允许多方在垂直分区的数据（按属性分区）上联合训练机器学习模型。其思想是，只有中间计算结果，而不是私有特征和标签，在各方之间共享，以便原始训练数据保持私有。然而，最近的研究表明，分裂学习的明文实现存在严重的隐私风险，半诚实的对手可以很容易地重建标签。在这项工作中，我们提出了\textsf{TPSL}（转录私有分裂学习），一个通用的梯度扰动为基础的分裂学习框架，提供可证明的差分隐私保证。差分隐私不仅对模型权重，而且对分布式计算设置中的通信消息强制执行。我们在大规模真实数据集上的实验证明了\textsf{TPSL}对标签泄漏攻击的鲁棒性和有效性。我们还发现，\textsf{TPSL}有一个更好的实用性，隐私权衡比基线。
2022-03-04 cs.CR cs.DS cs.LG
Computationally sufficient statistics for Ising models
Theoretical Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室理论部）
本文研究了在仅访问有限统计量的情况下，如何通过伊辛模型高效学习参数及耦合项，展示了计算能力和观测权衡的可行方法。
2026-11-10 cond-mat.stat-mech cs.LG stat.ML
