具有异构缺失数据的动力学伊辛模型推断
摘要：基于Kinetic Ising模型的数据集中，从多个二进制时间序列中推断因果结构的问题。我们从最近有关隐藏自旋模型推断的均场方法的工作中得到启发，并开发了一种伪期望最大化算法，可以在数据稀疏的情况下使用。该方法依赖于Martin-Siggia-Rose路径积分方法和二阶鞍点解，以多项式时间计算对数似然，并给出耦合矩阵和缺失观测值的最大似然估计作为输出。我们还提出了算法的递归版本，其中在每次迭代中，一些缺失值被其最大似然估计值替换，表明该方法可以与稀疏化方案（如LASSO正则化或减采样）一起使用。我们对合成数据测试了算法的性能，并发现了一些有趣的特性，例如对于自旋观测频率的异质性依赖性以及对鞍点近似所必需的一些假设的违反，例如小耦合极限和耦合之间的统计独立性假设。
作者：Carlo Campajola, Fabrizio Lillo, Daniele Tantari
论文ID：1809.08843
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2019-07-03