Mantovani, Rocco
(2019)
Modelling complex systems in the severely undersampled regime: a Bayesian model selection approach.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Fisica [LM-DM270]
Documenti full-text disponibili:
Abstract
L'inferenza di modelli di spin è uno strumento diffuso nell'approccio statistico ai sistemi complessi.
Tipicamente ci si limita a modelli con interazioni a uno e due corpi:
per il principio di massima entropia,
ciò equivale
ad assumere che magnetizzazioni e correlazioni a coppie costituiscano le variabili rilevanti (statistiche sufficienti)
del sistema.
L'assunzione non è giustificabile nel caso generale sulla base di argomenti puramente statistici;
il problema della selezione tra modelli con interazioni di ordine arbitrario
è però alto-dimensionale. Esso può essere affrontato tramite
una particolare euristica Bayesiana che permette di
ottenere le variabili rilevanti direttamente dal campione;
la selezione avviene nella classe delle misture, e
i risultati vengono proiettati sulla
rappresentazione di spin.
Il risultato è l'ottenimento delle statistiche sufficienti senza alcuna assunzione a priori.
Il numero di tali statistiche
è modulato da quello di differenti frequenze empiriche nel campione; in regime di sottocampionamento,
esso è molto minore della dimensione del modello completo. Ciò rende il problema di inferenza dei parametri
tipicamente basso-dimensionale.
Il principale scopo di questo lavoro è quello di investigare esplicitamente come l'informazione sia organizzata
nella mappa tra misture e modelli di spin.
La comprensione dettagliata di tale mappa suggerisce nuovi approcci per la regolarizzazione;
inoltre i risultati gettano luce sulla natura delle statistiche sufficienti,
che risultano essere funzioni degli stati solo tramite le frequenze empiriche di questi.
Mostriamo come da un approccio integralmente Bayesiano emerga sotto opportune condizioni
un termine regolarizzatore "L2"; verifichiamo numericamente se tali condizioni sono tipicamente soddisfatte.
Presentiamo infine alcune osservazioni qualitative circa l'emersione di loop stuctures
nella mappa da misture a spin; queste aprono scenari interessanti per la ricerca futura.
Abstract
L'inferenza di modelli di spin è uno strumento diffuso nell'approccio statistico ai sistemi complessi.
Tipicamente ci si limita a modelli con interazioni a uno e due corpi:
per il principio di massima entropia,
ciò equivale
ad assumere che magnetizzazioni e correlazioni a coppie costituiscano le variabili rilevanti (statistiche sufficienti)
del sistema.
L'assunzione non è giustificabile nel caso generale sulla base di argomenti puramente statistici;
il problema della selezione tra modelli con interazioni di ordine arbitrario
è però alto-dimensionale. Esso può essere affrontato tramite
una particolare euristica Bayesiana che permette di
ottenere le variabili rilevanti direttamente dal campione;
la selezione avviene nella classe delle misture, e
i risultati vengono proiettati sulla
rappresentazione di spin.
Il risultato è l'ottenimento delle statistiche sufficienti senza alcuna assunzione a priori.
Il numero di tali statistiche
è modulato da quello di differenti frequenze empiriche nel campione; in regime di sottocampionamento,
esso è molto minore della dimensione del modello completo. Ciò rende il problema di inferenza dei parametri
tipicamente basso-dimensionale.
Il principale scopo di questo lavoro è quello di investigare esplicitamente come l'informazione sia organizzata
nella mappa tra misture e modelli di spin.
La comprensione dettagliata di tale mappa suggerisce nuovi approcci per la regolarizzazione;
inoltre i risultati gettano luce sulla natura delle statistiche sufficienti,
che risultano essere funzioni degli stati solo tramite le frequenze empiriche di questi.
Mostriamo come da un approccio integralmente Bayesiano emerga sotto opportune condizioni
un termine regolarizzatore "L2"; verifichiamo numericamente se tali condizioni sono tipicamente soddisfatte.
Presentiamo infine alcune osservazioni qualitative circa l'emersione di loop stuctures
nella mappa da misture a spin; queste aprono scenari interessanti per la ricerca futura.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Mantovani, Rocco
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum A: Teorico generale
Ordinamento Cds
DM270
Parole chiave
Bayesian Model Selection,statistical inference,statistical mechanics,model selection,spin models,information theory,inverse problem,bayesian inference,information geometry
Data di discussione della Tesi
21 Marzo 2019
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Mantovani, Rocco
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum A: Teorico generale
Ordinamento Cds
DM270
Parole chiave
Bayesian Model Selection,statistical inference,statistical mechanics,model selection,spin models,information theory,inverse problem,bayesian inference,information geometry
Data di discussione della Tesi
21 Marzo 2019
URI
Statistica sui download
Gestione del documento: