Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.
Couvre l'algorithme GAMP pour la reconstruction itérative du signal et introduit la descente du gradient proximal pour les problèmes de minimisation L1.
Offre des informations sur la physique statistique de l'apprentissage, explorant la relation entre la structure du réseau neuronal et les systèmes désordonnés.
Couvre les problèmes linéaires, le LASSO et l'AMP dans l'apprentissage supervisé, y compris les modèles linéaires généralisés et les modèles N-dimensionnels.
Couvre les outils de physique statistique pour l'optimisation, l'apprentissage, la coloration graphique, les systèmes de recommandation et les réseaux neuronaux.
Explore Replica Symmetry Breaking dans le modèle d'énergie aléatoire, en se concentrant sur les configurations, la variance, la moyenne et le comportement du système.
Fournit une analyse approfondie du modèle d'Ising de champ aléatoire, couvrant la description du modèle, l'entropie libre et l'algorithme de champ moyen.
Couvre la théorie de la matrice aléatoire et la méthode de la réplique pour calculer des quantités liées à des séries non-hermitiques en utilisant la transformée de Stieltjes.
Explore le modèle d'émission aléatoire du champ sur des graphiques aléatoires, en discutant des mises à jour de la propagation des croyances et de la dynamique des populations.
Explore le modèle p-spin dans la théorie du verre de spin et la convergence au modèle d'énergie aléatoire en utilisant les intégrales gaussiennes et la méthode de réplique.
Explore le calcul de la réplique pour le modèle p-spin, en se concentrant sur le découplage et le recouplage des répliques pour simplifier les calculs.
