張潘 Pan Zhang

出自集智百科
(重定向自张潘
跳轉到: 導覽搜尋

目錄

基本信息

Pan Zhang.jpg

姓名

張潘(Pan Zhang)

出生地及日期

1983年11月生於安徽

研究領域

研究方向為統計物理與複雜系統,主要內容如下: 自旋玻璃理論,消息傳遞算法 組合優化問題 統計物理中的反問題,統計推斷問題 隨機矩陣,譜算法,譜圖理論

主要履歷

2000-2004 蘭州大學本科
2004-2009 蘭州大學碩博, 導師陳勇
2007-2009 中科院理論物理研究所博士聯合培養, 導師周海軍

2010-2012 意大利都靈理工博後,Riccardo Zecchina組
2012-2013 巴黎E.S.P.C.I.博後,Florent Krzakala組
2013-2015 美國Santa Fe Institute博後,Cris Moore組

2015-至今 中國科學院理論物理研究所副研究員
2016.3 日本京都大學Yukawa Institute for Theoretical Physics 訪問副教授
現任中國科學院理論物理研究所教授

發表文章

科研項目及成果

利用變分自回歸網絡求解統計力學

計算自由能,估計物理量,生成不相關的樣本是統計力學的基本問題。 該項目提出了一個新的框架來解決有限大小系統的統計力學問題, 該方法擴展了已有的基於自回歸神經網絡的變分平均場方法,該神經網絡模型支持配置的歸一化概率的直接抽樣和精確計算。

網絡的訓練採用強化學習的策略梯度方法,無偏估計變分參數的梯度。 我們已經成功地將我們的方法應用於幾個經典系統,共包括2d Ising 模型、 Hopfield 模型、 sherlington-Kirkpatrick 自旋玻璃模型和逆 Ising 模型。

該論文現已發表在《 Physical Review Letter》上,並作為編輯推薦進行刊登。

基於矩陣乘積狀態的無監督生成建模

也許很多讀者都熟悉Boltzmann機器,該機器使用Boltzmann分布對數據的聯合概率分布進行建模。 玻爾茲曼機是統計學物理對機器學習的重要貢獻。 在《 Physical Review X》的這篇論文中,我們提出了一個從量子物理學那裡借來的新的無監督機器學習模型,該模型使用博恩法則對數據的聯合分布進行建模。 因此,我們稱其為“生機”。 該模型將張量網絡和生成模型連接起來。

您可以找到有關張量網絡,矩陣乘積狀態和生成學習的主題的教程Jupyter文件代碼

基於正則化學習的全局結構穩健譜檢測

光譜方法在檢測可以表示為矩陣的給定數據中的全局結構時很流行。 但是,當數據矩陣稀疏或嘈雜時,由於稀疏性或噪聲引起的特徵向量(或奇異向量)的局部化,經典的頻譜方法通常無法工作。 在本文(NIPS 2016)中,我們提出了一種通過從局部特徵向量學習正則化矩陣來解決局部化問題的通用方法。 這是算法“ X-Laplacian”的演示。

代碼戳這裡

動態網絡中社區結構的可檢測性閾值及優化算法

許多現實世界的網絡都是動態的,節點會隨着時間以複雜的方式更改其連接和從屬關係。 這種情況使社區檢測更具挑戰性,但是跨時間的相關性提供了規避此問題的方法。 在這篇《 Physical Review X》的論文中,我們對恢復動態網絡中底層社區結構的能力得出了精確的數學限制,這僅取決於隱藏社區的強度以及節點更改其社區成員的速度。

使用消息傳遞實現模塊化,對具有統計意義的社區和層次結構進行可伸縮性檢測

最大化模塊化是檢測網絡社區的最流行方法。 但是,它容易過擬合。

在這篇PNAS論文中,我們與克里斯·摩爾(Cris Moore)一起提出了利用統計物理學的思想來解決這一過擬合問題的方法,並提出了一種用於檢測大型網絡中社區和階層的有效算法。

聚類稀疏網絡中的光譜兌換

頻譜算法是流行的數據聚類方法。 但是,由於存在局部特徵向量,它們在稀疏網絡中經常失敗。

這篇在PNAS上與其他合作者一起發表的論文中,我們給出了一種基於非回溯算子的新頻譜算法,該算子對這種疾病具有免疫力,並且在大型稀疏網絡中非常有效。


招募信息及聯繫方式

正在尋找統計物理學和機器學習領域的博士後研究人員

電子郵箱:panzhang@itp.ac.cnn

相關鏈接

1、張潘個人主頁

2、Google Scholar Profile 張潘谷歌學術主頁

個人工具
名字空間
動作
導覽
工具箱