Inferencia en los procesos de difusión con priores de la red neuronal

Área de la Ciencia:

• Sistemas complejos de sistemas complejos.
• La inferencia estadística es la inferencia estadística.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• Los procesos estocásticos en los gráficos modelan epidemias, pero a menudo asumen estados iniciales aleatorios.
• Los sistemas del mundo real tienen covariables de nodos que influyen en los estados iniciales, un factor a menudo ignorado en la inferencia.

Objetivo del estudio:

• Para modelar el estado inicial de los procesos estocásticos en gráficos como una función de la red neuronal de los nodos covariables.
• Desarrollar un marco de inferencia bayesiana que aproveche tanto la dinámica de los procesos como la información covariada.
• Para analizar el impacto de los priores de la red neuronal en el estado y la recuperación de la trayectoria.

Principales métodos:

• Se derivó un algoritmo híbrido de propagación de creencias y transmisión aproximada de mensajes (BP-AMP).
• El algoritmo integra la dinámica de difusión con la información de las covariables de los nodos.
• El rendimiento se comparó con los métodos que utilizan solo información de propagación o solo covariante.

Principales resultados:

• El modelo propuesto mejora la recuperación de los estados iniciales y las trayectorias de propagación mediante la incorporación de información covariada.
• Se observaron transiciones de fase de primer orden en algunos regímenes, en particular con pesos de redes neuronales distribuidas de Rademacher.
• Surgió una brecha estadística-computacional donde la recuperación perfecta es teóricamente posible pero computacionalmente inalcanzable.

Conclusiones:

• La integración de priores de redes neuronales basados en covariables de nodos mejora la inferencia para procesos estocásticos en gráficos.
• Las transiciones de fase y la brecha resultante de estadística a computacional presentan desafíos para una estimación precisa del estado.
• El algoritmo BP-AMP ofrece un enfoque robusto para manejar problemas complejos de inferencia con información de covariante integrada.