📊 statistics

Computationally sufficient statistics for Ising models

यह शोध पत्र यह प्रदर्शित करता है कि केवल सीमित-क्रम के पर्याप्त सांख्यिकी (sufficient statistics) का उपयोग करके, विशेष रूप से $\ell_1$ चौड़ाई $\gamma$ वाले मॉडल के लिए $O(\gamma)$ क्रम तक, आइसिंग मॉडल मापदंडों और संरचना को सीखना गणनात्मक रूप से व्यवहार्य है, जिससे गणनात्मक रूप से कठिन पूर्ण-सांख्यिकी आवश्यकताओं और व्यावहारिक अवलोकन संबंधी बाधाओं के बीच के अंतर को पाटा जा सकता है।

मूल लेखक: Abhijith Jayakumar, Shreya Shukla, Marc Vuffray, Andrey Y. Lokhov, Sidhant Misra

प्रकाशित 2026-02-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abhijith Jayakumar, Shreya Shukla, Marc Vuffray, Andrey Y. Lokhov, Sidhant Misra

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, जटिल सूप की गुप्त रेसिपी (विधि) का पता लगाने की कोशिश कर रहे हैं। भौतिकी और कंप्यूटर विज्ञान की दुनिया में, यह "सूप" परस्पर क्रिया करने वाले कणों (जैसे चुंबक या परमाणु) की एक प्रणाली है जिसे आइसिंग मॉडल (Ising Model) कहा जाता है।

आमतौर पर, इस रेसिपी को सीखने के लिए, आपको एक ही समय में पूरे बर्तन को देखना पड़ता है। आपको यह जानना होगा कि हर एक सामग्री ठीक उसी क्षण कैसे व्यवहार कर रही है। यह उबलते हुए सूप के हाई-डेफिनिशन, 3D वीडियो जैसा है। इस पूर्ण दृश्य के साथ, स्मार्ट कंप्यूटर आसानी से रेसिपी (पैरामीटर्स या कपलिंग्स, जो बताते हैं कि सामग्रियां एक-दूसरे को कैसे प्रभावित करती हैं) को रिवर्स-इंजीनियर कर सकते हैं।

समस्या:
वास्तविक दुनिया में, हम अक्सर पूरे बर्तन को नहीं देख पाते हैं। हो सकता है कि हमारे सेंसर खराब हों, या सूप बहुत बड़ा हो। हमें केवल सुराग या सांख्यिकी (statistics) ही दिखाई देते हैं।

इसके बजाय कि हम पूरे बर्तन को देखें, हमें केवल यह पता चल सकता है: "औसतन, 60% गाजर ऊपर तैर रही हैं।"
या, "जब एक गाजर ऊपर तैरती है, तो आलू के डूबने की 70% संभावना होती है।"
हमारे पास केवल ये निम्न-स्तरीय सारांश (मोमेंट्स) होते हैं, न कि पूरी तस्वीर।

लंबे समय तक, वैज्ञानिकों ने सोचा: "यदि आपके पास पूरी तस्वीर नहीं है, तो आप संभवतः रेसिपी को कुशलतापूर्वक नहीं जान सकते। यह बहुत कठिन है।"

ब्रेकथ्रू (महत्वपूर्ण खोज):
यह पेपर कहता है: "वास्तव में, आप कर सकते हैं!"

लेखकों ने केवल इन सीमित सुरागों का उपयोग करके रेसिपी सीखने का एक चतुर तरीका खोजा है, बशर्ते आप सही प्रकार के सुरागों को देखें।

रचनात्मक सादृश्य: "शैडो पपेट" जासूस

कल्पना कीजिए कि सूप एक जटिल छाया कठपुतली (shadow puppet) का खेल है जो एक पर्दे के पीछे चल रहा है।

पूर्ण दृश्य (Full View): आप पर्दे के पीछे खड़े हैं, कठपुतलियों और प्रकाश स्रोत को स्पष्ट रूप से देख रहे हैं। कहानी समझना आसान है।
सीमित दृश्य (Limited View): आप पर्दे के सामने हैं। आप केवल छाया देख सकते हैं।

पुराना तरीका (हार्ड मोड):
यदि आप केवल एकल कठपुतलियों की छाया देखते हैं (1st order statistics), तो आप यह नहीं बता सकते कि दो कठपुतलियां हाथ पकड़े हुए हैं या बस एक-दूसरे के पास खड़ी हैं। यदि आप केवल जोड़ों की छाया देखते हैं (2nd order), तो भी आप तीन कठपुतलियों के शामिल एक जटिल समूह को मिस कर सकते हैं। पुराने गणित ने कहा था कि आपको छाया के हर संभव संयोजन को देखना होगा (पूरे समूह के आकार तक), जो बड़े समूहों के लिए असंभव है।

नया तरीका (पेपर का समाधान):
लेखकों ने महसूस किया कि आपको छाया के हर संभव संयोजन को देखने की आवश्यकता नहीं है। आपको बस एक निश्चित जटिलता स्तर तक की छाया देखने की आवश्यकता है जो इस बात से मेल खाती है कि सामग्रियां कितनी "चिपचिपी" (sticky) हैं।

वे इसे $\ell_1$ विड्थ ( $\gamma$ ) कहते हैं। इसे अपने सूप का "चिपचिपाहट कारक" (Stickiness Factor) समझें।

यदि सामग्रियां बहुत कम चिपचिपी हैं (कम $\gamma$ ), तो आपको केवल सरल जोड़ों को देखने की आवश्यकता है।
यदि सामग्रियां बहुत अधिक चिपचिपी हैं और बड़े समूहों में एक साथ आती हैं (उच्च $\gamma$ ), तो आपको थोड़ी अधिक जटिल छायाओं (3, 4, या 5 के समूहों) को देखने की आवश्यकता है।

जादुई ट्रिक: "पॉलीनोमियल एप्रोक्सिमेशन" (Polynomial Approximation)
यह पेपर इंटरैक्शन स्क्रीनिंग (Interaction Screening) नामक एक गणितीय उपकरण का उपयोग करता है। इसे एक विशेष फिल्टर के रूप में कल्पना करें जो शोर (noise) को छानने की कोशिश करता है और सामग्रियों के बीच सीधे संबंधों को ढूंढता है।

आमतौर पर, इस फिल्टर के लिए पूरे बर्तन (पूर्ण डेटा) को देखने की आवश्यकता होती है। लेकिन लेखकों ने महसूस किया कि वे इस फिल्टर को एक पॉलीनोमियल (एक फैंसी गणितीय सूत्र जो एक वक्र/curve जैसा दिखता है) का उपयोग करके अनुमानित (approximate) कर सकते हैं।

पूरे सूप के अनंत, पूर्ण वक्र की आवश्यकता होने के बजाय, उन्होंने दिखाया कि एक छोटा, सरल वक्र (एक लो-डिग्री पॉलीनोमियल) काम करने के लिए पर्याप्त है।
यह छोटा वcurve केवल एक निश्चित जटिलता (लगभग चिपचिपाहट कारक $\gamma$ के समान) तक की छायाओं को ही "देखने" की आवश्यकता रखता है।

उन्होंने क्या सिद्ध किया?

यह संभव है: आप केवल $O(\gamma)$ की जटिलता तक के सांख्यिकी को देखकर पूरी रेसिपी (मॉडल की संरचना और पैरामीटर्स) को पुनर्गठित कर सकते हैं।
- अनुवाद: यदि आपके सूप की सामग्रियां मध्यम रूप से चिपचिपी हैं, तो आपको 1,000 सामग्रियों के पूरे बर्तन के बजाय 5 या 6 सामग्रियों के बीच होने वाली अंतःक्रियाओं को देखने की आवश्यकता है।
यह तेज़ है: कंप्यूटर को बहुत अधिक मेहनत नहीं करनी पड़ती। सिस्टम के आकार के साथ लगने वाला समय उचित रूप से (पॉलीनोमियल रूप से) बढ़ता है। यह कोई असंभव कार्य नहीं है।
यह मजबूत (Robust) है: भले ही आपका डेटा थोड़ा शोर भरा हो (अपूर्ण सांख्यिकी), यह विधि अभी भी काम करती है और सही उत्तर देती है।

"सूचना बनाम गणना" का व्यापार (Trade-off)

यह पेपर एक दिलचस्प ट्रेड-ऑफ को उजागर करता है:

सूचना सिद्धांत (Information Theory) कहता है: "सैद्धांतिक रूप से आपको उत्तर जानने के लिए बहुत कम डेटा (केवल जोड़े) की आवश्यकता है।"
गणना (Computation) कहती है: "लेकिन केवल जोड़ों से उत्तर निकालना असंभव रूप से कठिन है।"
यह पेपर कहता है: "यदि आप हमें थोड़ा और डेटा देते हैं (थोड़े बड़े समूहों को देखते हुए, $\gamma$ तक), तो गणना आसान हो जाती है!"

यह एक जिग्सॉ पहेली (jigsaw puzzle) को हल करने जैसा है।

बहुत कम जानकारी: आपके पास 2 टुकड़े हैं। आप जानते हैं कि तस्वीर नीली है, लेकिन आप इसे हल नहीं कर सकते।
बहुत अधिक जानकारी: आपके पास 10,000 टुकड़े हैं। आप इसे हल कर सकते हैं, लेकिन इसमें बहुत समय लगता है।
सही संतुलन (The Sweet Spot): आपके पास 500 टुकड़े हैं जो एक विशिष्ट पैटर्न बनाते हैं। आप पहेली को जल्दी हल कर सकते हैं और आपके पास यह सुनिश्चित करने के लिए पर्याप्त जानकारी भी है कि तस्वीर क्या है।

यह क्यों मायने रखता है?

वास्तविक दुनिया में, हम अक्सर "परफेक्ट" डेटा प्राप्त नहीं कर पाते हैं।

भौतिकी (Physics): हम एक चुंबक के हर परमाणु को नहीं माप सकते।
जीव विज्ञान (Biology): हम एक कोशिका में हर जीन इंटरैक्शन को एक साथ ट्रैक नहीं कर सकते।
सोशल नेटवर्क: हम हर उपयोगकर्ता के बीच होने वाली हर बातचीत को नहीं देख सकते।

यह पेपर हमें एक नया टूलकिट देता है। यह हमें बताता है: "अगर आप पूरी तस्वीर नहीं देख पा रहे हैं, तो घबराएं नहीं। यदि आप एक निश्चित समूह के आकार तक की अंतःक्रियाओं को माप सकते हैं (जो कि सिस्टम के जुड़ाव पर निर्भर करता है), तो आप अभी भी सिस्टम के अंतर्निहित नियमों को कुशलतापूर्वक समझ सकते हैं।"

संक्षेप में: उन्होंने केवल सही मात्रा में "छायाओं" को देखकर जटिल प्रणालियों को सीखने का एक तरीका खोज निकाला है, जिससे एक असंभव गणितीय समस्या एक प्रबंधनीय समस्या में बदल गई है।

यहाँ जयकुमार और अन्य द्वारा लिखित शोध पत्र "Computationally sufficient statistics for Ising models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र इनवर्स आइसिंग समस्या (inverse Ising problem) को संबोधित करता है: बाइनरी स्पिन $\sigma \in \{-1, 1\}^p$ पर परिभाषित गिब्स वितरण (Gibbs distribution) के मापदंडों (कपलिंग्स $\theta_{u,v}$ और मैग्नेटिक फील्ड्स $\theta_u$ ) को सीखना। यह वितरण इस प्रकार है:
$\mu(\sigma) \propto \exp\left( \sum_{u \neq v} \theta^*_{u,v}\sigma_u\sigma_v + \sum_u \theta^*_u\sigma_u \right)$

मुख्य चुनौती:

पूर्ण नमूने बनाम सांख्यिकी (Full Samples vs. Statistics): मौजूदा कुशल एल्गोरिदम (जैसे, इंटरैक्शन स्क्रीनिंग एस्टिमेटर - ISE) के लिए पूर्ण नमूना विन्यास (full sample configurations) तक पहुँच की आवश्यकता होती है (जहाँ सभी $p$ स्पिन एक साथ देखे जाते हैं)। हालाँकि, कई भौतिक प्रणालियों में, पूर्ण विन्यास को देखना अव्यवहारिक है।
पर्याप्त सांख्यिकी की कठिनाई (Sufficient Statistics Hardness): यह ज्ञात है कि केवल पर्याप्त सांख्यिकी (विशेष रूप से, प्रथम और द्वितीय-क्रम के मोमेंट्स, $E[\sigma_i]$ और $E[\sigma_i\sigma_j]$ ) से सीखना (worst case में) कम्प्यूटेशनल रूप से कठिन (NP-hard) है।
अंतराल (The Gap): लेखक एक मध्यवर्ती परिदृश्य की जाँच करते हैं: क्या हम मॉडल के मापदंडों को कुशलतापूर्वक सीख सकते हैं यदि हमारे पास केवल निम्न-क्रम की सांख्यिकी (क्रम $d$ तक के मोमेंट्स) उपलब्ध हों, न कि पूर्ण नमूने या केवल क्रम-2 की सांख्यिकी?

लक्ष्य: मॉडल के मापदंडों को बहुपद समय (polynomial time) में सीखने के लिए आवश्यक सांख्यिकी के न्यूनतम क्रम $d$ को निर्धारित करना, विशेष रूप से अवलोकन शक्ति (मोमेंट्स का क्रम) और कम्प्यूटेशनल जटिलता के बीच के ट्रेड-ऑफ का विश्लेषण करना।

2. कार्यप्रणाली (Methodology)

लेखक इंटरैक्शन स्क्रीनिंग एस्टिमेटर (ISE) का एक संशोधित संस्करण प्रस्तावित करते हैं जो सीमित सांख्यिकी से प्राप्त पॉलीनोमियल अनुमानों (polynomial approximations) का उपयोग करता है।

A. इंटरैक्शन स्क्रीनिंग लॉस (The Interaction Screening Loss)

मानक ISE प्रत्येक नोड $u$ के लिए एक उत्तल (convex) लॉस फंक्शन को कम करता है:
$L_u(\theta_u) = \mathbb{E}\left[ e^{-\sigma_u (\theta_u + \sum_{v \neq u} \theta_{u,v}\sigma_v)} \right]$
इस लॉस के ग्रेडिएंट (gradient) में $\mathbb{E}[\sigma_u \sigma_v e^{-E_u}]$ के रूप में अपेक्षाओं (expectations) का समावेश होता है। इसे सटीक रूप से गणना करने के लिए पूर्ण विन्यासों की आवश्यकता होती है।

B. पॉलीनोमियल एप्रोक्सिमेशन रणनीति (Polynomial Approximation Strategy)

पूर्ण विन्यासों से बचने के लिए, लेखक $e^{-x}$ को डिग्री- $d$ के टेलर पॉलीनोमियल का उपयोग करके अनुमानित करते हैं:
$e^{-x} \approx \sum_{k=0}^d \frac{(-x)^k}{k!}$
ग्रेडिएंट अभिव्यक्ति में इसे प्रतिस्थापित करने पर:
$\mathbb{E}\left[ \sigma_u \sigma_v e^{-E_u} \right] \approx \sum_{k=0}^d \frac{(-1)^k}{k!} \mathbb{E}\left[ \sigma_u \sigma_v (E_u)^k \right]$
मल्टीनोमियल थ्योरम का उपयोग करके $(E_u)^k$ का विस्तार करने पर, ग्रेडिएंट मोनोमियल अपेक्षाओं (monomial expectations) के रैखिक संयोजन में बदल जाता है, जो $\mathbb{E}[\prod \sigma_i]$ के रूप में होते हैं।

मुख्य अंतर्दृष्टि: यदि पॉलीनोमियल की डिग्री $d$ है, तो परिणामी ग्रेडिएंट केवल $d + \text{constant}$ क्रम के मोमेंट्स पर निर्भर करता है।
एल्गोरिदम: लेखक प्रोजेक्टेड ग्रेडिएंट डिसेंट (Projected Gradient Descent) का उपयोग करते हैं जहाँ ग्रेडिएंट ऑरेकल दो त्रुटियों से "दूषित" होता है:
1. पॉलीनोमियल ट्रंकेशन एरर (Polynomial Truncation Error): $e^{-x}$ को परिमित डिग्री पॉलीनोमियल से अनुमानित करना।
2. सांख्यिकीय त्रुटि (Statistical Error): नमूनों की एक सीमित संख्या $n$ से आवश्यक मोमेंट्स का अनुमान लगाना।

C. सैद्धांतिक ढांचा (Theoretical Framework)

समस्या को नॉइजी ग्रेडिएंट ऑरेकल के साथ कन्वेक्स ऑप्टिमाइजेशन के रूप में फ्रेम किया गया है। लेखक ग्रेडिएंट डिसेंट की ज्ञात मजबूती (robustness) का लाभ उठाते हैं: यदि ग्रेडिएंट त्रुटि सीमित है, तो एल्गोरिदम वास्तविक इष्टतम (optimum) के एक पड़ोस में अभिसरित (converge) होता है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

A. मुख्य प्रमेय: $O(\gamma)$ सांख्यिकी के साथ पैरामीटर लर्निंग

शोध पत्र सिद्ध करता है कि $\ell_1$ -विड्थ $\gamma$ (जहाँ $\sum |\theta_{u,v}| + |\theta_u| \leq \gamma$ ) वाले मॉडल के लिए, यह $d = O(\gamma)$ क्रम की सांख्यिकी का उपयोग करके त्रुटि $\epsilon$ के साथ मापदंडों को सीखना संभव है।

सैंपल कॉम्प्लेक्सिटी (Sample Complexity): आवश्यक नमूनों की संख्या $n$ इस प्रकार स्केल करती है:
$n = O\left( \frac{e^{8\gamma} \gamma^2 (1+\gamma)^2 d \log p}{\epsilon^4} \right)$
यह पूर्ण नमूनों का उपयोग करने वाले एल्गोरिदम की सैंपल कॉम्प्लेक्सिटी से मेल खाता है, बावजूद इसके कि यहाँ निम्न-क्रम के मोमेंट्स की पाबंदी है।
कम्प्यूटेशनल जटिलता: एल्गोरिदम $p$ वेरिएबल्स और विड्थ $\gamma$ के सापेक्ष बहुपद समय (polynomial time) में चलता है।
महत्व: यह एक कम्प्यूटेशनल फेज ट्रांजिशन स्थापित करता है। जबकि क्रम-2 की सांख्यिकी सूचनात्मक रूप से पर्याप्त (information-theoretically sufficient) है लेकिन कम्प्यूटेशनल रूप से कठिन है, क्रम- $O(\gamma)$ की सांख्यिकी सूचनात्मक और कम्प्यूटेशनल रूप से पर्याप्त दोनों है।

B. स्ट्रक्चर लर्निंग (Structure Learning)

लेखक दिखाते हैं कि यदि मापदंडों का अनुमान पर्याप्त सटीकता के साथ लगाया जाता है (विशेष रूप से, त्रुटि $\leq \alpha/2$ जहाँ $\alpha$ न्यूनतम गैर-शून्य कपलिंग है), तो अनुमानित मापदंडों को थ्रेशोल्डिंग (thresholding) करके अंतर्निहित ग्राफ संरचना (गैर-शून्य कपलिंग्स का सेट) को सटीक रूप से प्राप्त किया जा सकता है।

C. मैग्नेटिक फील्ड्स को सीखना (Learning Magnetic Fields)

लीनियर टर्म्स (मैग्नेटिक फील्ड्स $\theta_u$ ) को सीखना कठिन है क्योंकि वे उच्च-क्रम के टर्म्स द्वारा "दबाए" (swamped) जा सकते हैं। लेखक एक पुनः अनुकूलन रणनीति (re-optimization strategy) प्रस्तावित करते हैं:

पहले कपलिंग्स और ग्राफ संरचना को सीखें।
कपलिंग्स को स्थिर करें और सिंगल-वेरिएबल लॉस फंक्शन का उपयोग करके मैग्नेटिक फील्ड्स के लिए पुनः अनुकूलित करें।
यह दृष्टिकोण भी $O(\gamma)$ सांख्यिकी के साथ सफल होता है।

D. मजबूत पूर्वधारणाएं (Stronger Priors - Known Structure)

यदि ग्राफ संरचना पूर्व-निर्धारित (a priori) है और वह $D$ -रेगुलर (अधिकतम डिग्री $D$ ) है, तो आवश्यक सांख्यिकी का क्रम काफी कम हो जाता है। इस स्थिति में, $O(D)$ क्रम की सांख्यिकी के साथ सीखना संभव है। यदि $D \ll \gamma$ है (जैसे, स्पारस फिजिकल लैटिस में), तो सामान्य $O(\gamma)$ मामले की तुलना में अवलोकन संबंधी आवश्यकता बहुत कम है।

4. तकनीकी विशेषताएं (Technical Highlights)

ग्रेडिएंट डिसेंट की मजबूती: प्रमाण मुख्य रूप से लेम्मा 3 (Lemma 3) पर निर्भर करता है, जो यह सीमा तय करता है कि जब ग्रेडिएंट एक सीमित त्रुटि $\epsilon$ से विचलित होता है, तो प्रोजेक्टेड ग्रेडिएंट डिसेंट कैसे अभिसरित होता है। लेखक यह सुनिश्चित करने के लिए पॉलीनोमियल एप्रोक्सिमेशन एरर और सांख्यिकीय एकाग्रता (statistical concentration) एरर दोनों को सावधानीपूर्वक नियंत्रित करते हैं।
कर्वेचर बाउंड्स (Curvature Bounds): लॉस फंक्शन की त्रुटि को मापदंड त्रुटि में बदलने के लिए, वे लॉस फंक्शन के कर्वेचर पर एक निचली सीमा (lower bound) प्राप्त करते हैं (लेम्मा 5 और 10)। यह सीमा $\ell_1$ -विड्थ $\gamma$ पर निर्भर करती है और यह सुनिश्चित करती है कि एक छोटा लॉस गैप एक छोटे पैरामीटर गैप की ओर ले जाता है।
लैम्बर्ट-डब्ल्यू फंक्शन (Lambert-W Function): पॉलीनोमियल एप्रोक्सिमेशन के लिए आवश्यक सटीक डिग्री $d$ को पॉइसन वितरण (पॉलीनोमियल शेषफल से उत्पन्न) के टेल बाउंड्स को उलटने के लिए लैम्बर्ट-डब्ल्यू फंक्शन का उपयोग करके निकाला गया है।

5. महत्व और निहितार्थ (Significance and Implications)

सिद्धांत और व्यवहार के बीच सेतु: यह शोध पत्र लर्निंग थ्योरी के एक महत्वपूर्ण अंतराल को भरता है। यह प्रदर्शित करता है कि कई भौतिक प्रणालियों के लिए जहाँ पूर्ण डेटा उपलब्ध नहीं है, वहां अनियंत्रित अनुमानों (जैसे मीन-फील्ड) का सहारा लेने या जटिल विधियों का उपयोग करने की आवश्यकता नहीं है।
सूचना-कंप्यूटेशन ट्रेड-ऑफ: यह कार्य "सीमित अवलोकन की लागत" को मापता है। यह दिखाता है कि अवलोकन के क्रम को 2 से बढ़ाकर $O(\gamma)$ करने से एक NP-hard समस्या एक बहुपद-समय (polynomial-time) समाधान योग्य समस्या में बदल जाती है।
एल्गोरिद्मिक दक्षता: प्रस्तावित एल्गोरिदम कुशल और स्केलेबल है, जिसमें केवल विशिष्ट क्रम तक के एम्पिरिकल मोमेंट्स की गणना की आवश्यकता होती है, जो सीमित इंटरैक्शन रेंज वाले बड़े सिस्टम के लिए भी व्यवहार्य है।
भविष्य की दिशाएं: लेखक सुझाव देते हैं कि मॉडल क्लास को और अधिक सीमित करके (जैसे, फर्मो-मैग्नेटिक मॉडल या विशिष्ट क्वांटम सामान्यीकरण) आवश्यक सांख्यिकी के क्रम को और भी कम किया जा सकता है, जिससे यह क्रम-2 के सूचनात्मक सीमा के करीब पहुँच सकता है।

संक्षेप में, यह शोध पत्र सीमित अवलोकनात्मक डेटा से आइसिंग मॉडल सीखने के लिए एक कठोर सैद्धांतिक आधार और एक व्यावहारिक एल्गोरिदम प्रदान करता है, यह सिद्ध करते हुए कि कम्प्यूटेशनल रूप से पर्याप्त सांख्यिकी मॉडल की इंटरैक्शन स्ट्रेंथ के सापेक्ष एक बहुपद क्रम (polynomial order) में मौजूद होती है।