[논문 리뷰] Identifying interacting pairs of sites in infinite range Ising models

Daniel Y. Takahashi|arXiv (Cornell University)|2010. 06. 02.

Markov Chains and Monte Carlo Methods참고 문헌 10인용 수 6

한 줄 요약

이 논문은 유한한 스핀 구성의 표본에서 무한 범위 이징 모델의 상호작용하는 사이트 쌍을 식별하기 위한 통계적 추정기법을 제안한다. 유한한 실현값을 분석함으로써, 상호작용하는 쌍을 잘못 식별할 확률에 대한 엄밀한 상한을 제공하여, 장거리 상호작용을 갖는 통계역학 시스템에서의 상호작용 발견에 대해 유한 표본 보장을 제공한다.

ABSTRACT

We consider Ising models (pairwise interaction Gibbs probability measures) in Z d with an infinite range potential. We address the problem of identifying pairs of interacting sites from a finite sample of independent realizations of the Ising model. The sample contains only the values assigned by the Ising model to a finite set of sites in Z d . Our main result is an upperbound for the probability with our estimator to misidentify the pairs of interacting sites in this finite set.

연구 동기 및 목표

• 유한한 관측된 스핀 구성으로부터 무한 범위 이징 모델에서의 쌍별 상호작용을 추론하는 데 도전하는 것.
• 잠재적 상호작용이 무한 범위임에도 불구하고, 모델에서 어떤 사이트 쌍이 상호작용하는지를 신뢰성 있게 식별하는 방법을 개발하는 것.
• 특히 상호작용 식별의 정확도에 대한 유한 표본 통계적 보장을 제공하여, 상호작용하는 쌍을 잘못 식별할 확률를 제한하는 것.

제안 방법

• Z^d의 일부 사이트에서의 이징 모델의 독립적인 실현값 유한 표본을 사용한다.
• 실험적 상관관계와 충분통계량을 기반으로 한 통계적 추정기법을 적용하여 사이트 쌍 간의 비영 상호작용를 탐지한다.
• 유한 표본에서의 추정 오차를 제한하기 위해 농도 부등식을 활용한다.
• 핵심 요소는 비상호작용 쌍이 잘못하여 상호작용하는 것으로 식별될 확률에 대한 상한을 도출하는 것이다.
• 비점근적이고 무한 범위 상호작용의 경우에 특화된 접근으로, 짧은 범위 또는 마르코프ian 구조를 가정하는 방법들과 구별된다.
• 모델의 잠재함수에 대한 최소한의 가정만을 기반으로 이론적 보장을 도출하며, 순간의 존재성과 혼합 조건에 의존한다.

실험 결과

연구 질문

• RQ1 유한한 스핀 구성 표본만을 가질 때, 무한 범위 이징 모델에서 상호작용하는 사이트 쌍을 신뢰성 있게 식별할 수 있는가?
• RQ2 유한 표본 조건 하에서, 통계적 추정기법이 비상호작용 쌍을 잘못하여 상호작용하는 것으로 식별할 수 있는 최대 확률는 얼마인가?
• RQ3 추정기의 성능은 표본 크기와 무한 범위 잠재함수의 구조에 따라 어떻게 달라지는가?
• RQ4 이러한 모델에서 상호작용 발견 오류율에 대해 비점근적이고 유한 표본 기반의 상한을 제공할 수 있는가?

주요 결과

• 제안된 추정기법은 상호작용하는 쌍을 잘못 식별할 확률에 대해 유한 표본 상한을 달성하며, 표본 크가 증가할수록 감소한다.
• 상한은 비점근적이며, 무한 범위 상호작용 포함 일반적인 모델 잠재함수 조건에서도 성립한다.
• 기존 마르코프 네트워크 학습 기법이 장거리 의존성으로 인해 실패할 수 있는 시스템에서 상호작용 발견에 대한 엄밀한 통계적 보장을 제공한다.
• 오차 상한은 실험적 상관관계에 측도 집중 기법을 적용하여 유도되어 모델 복잡성에 대해 강건함을 보장한다.
• 충분한 데이터가 제공된다면, 무한 범위 상호작용가 있음에도 불구하고 상호작용 구조를 일관되게 복원할 수 있음을 시사한다.
• 이론적 프레임워크는 표준 학습 알고리즘이 수렴하지 않거나 높은 오류율을 유발할 수 있는 통계역학 모델에서 상호작용 패턴을 식별할 수 있도록 한다.