Título: Metaestabilidade para uma classe de dinâmicas estocásticas

Data: 10/07/2024

Palestrante: Maria Eulalia Vares (IM-UFRJ)

Local:  Laboratório de Sistemas Estocásticos (LSE), Sala I-044-B, Centro de Tecnologia - UFRJ

Resumo: Metaestabilidade é um fenômeno muito frequente na natureza, com exemplos que aparecem nos mais distintos campos, incluindo física, química, biologia, climatologia e economia. Os objetos de interesse são sistemas que apresentam transições entre estados metaestáveis ou quase-de-equilíbrio e o estado estável. O comportamento metaestável é caracterizado por um longo período de aparente equilíbrio de uma fase pura do ponto de vista termodinâmico, seguido por um rápido decaimento ao equilíbrio estável (uma fase pura ou uma mistura). Questões interessantes em metaestabilidade dizem respeito a: tempo de transição e caracterização de uma possível gota crítica que precipita a convergência rápida ao equilíbrio.

Pretendo discutir alguns aspectos gerais de metaestabilidade, mantendo um olhar mais próximo no contexto de dinâmicas estocásticas. Com base em exemplos concretos, pretendo discutir algumas das motivações e descrever as características gerais, concluindo com uma breve descrição de resultados para o modelo de Ising estocástico em dimensão dois para qualquer temperatura subcrítica fixada, com base em trabalho conjunto com A. Gaudillière e P. Milanesi (Aix-Marseille Université).

Title: GFlowNets para inferência Bayesiana

Wednesdays, July 03, from 3:30 p.m. to 5:00 p.m. (Rio de Janeiro local time)

Speaker: Diego Parente Paiva Mesquita (EMAp/FGV)

Local:  Laboratório de Sistemas Estocásticos (LSE), Sala I-044-B, Centro de Tecnologia - UFRJ

Abstract: Generative Flow Networks (GFlowNets) são redes neurais recentemente propostas para amostrar objetos composicionais (e.g., grafos ou sequências) com probabilidade proporcional a uma função de recompensa --- com garantia de corretude em tempo finito. No contexto Bayesiano, GFlowNets têm o potencial de facilitar inferência sobre, e.g., grafos causais e árvores filogenéticas.  Nessa palestra, eu irei apresentar dois trabalhos recentes do meu grupo. No primeiro, estendemos a teoria de GFlowNets para habilitar aprendizado Bayesiano federado, i.e., para casos em que os dados são potencialmente sensíveis e estão distribuídos entre múltiplos usuários. No segundo, analisamos a sensibilidade de GFlowNets, delineamos seus limites representacionais e propomos uma ferramenta de diagnóstico.

Título: Taxa de Convergência para as Médias de Birkhoff de certas Aplicações unicamente Ergódicas no Toro

Palestrante: Aline Melo (UFC-Fortaleza)

July 03, at 3:00 p.m. (Rio de Janeiro local time)

Local: C116 - Bloco C - CT – Instituto de Matemática – UFRJ. 

Resumo: Nesta palestra, vamos apresentar uma estimativa de taxa de convergência  uniforme das médias de Birkhoff de um observável conftínuo sob a translação no toro. Essa taxa de convergência depende explicitamente do módulo de continuidade do observável e das propriedades aritméticas da frequência que define a aplicação. Além disso, obtemos resultados similares para aplicações skew product afim no toro e, no caso da translação no toro unidimensional, essa estimativa é quase otimal. Esse é um trabalho em conjunto com Silvius Klein e Xiao-Chuan Liu.

Contato: gelfert@im.ufrj.br

Title: Causal Inference Under Mis-Specification: Adjustment Based on the Propensity Score

Wednesdays, June 26, from 3:30 p.m. to 5:00 p.m. (Rio de Janeiro local time)

Speaker: Widemberg da Silva Nobre (IM-UFRJ)

Local:  Laboratório de Sistemas Estocásticos (LSE), Sala I-044-B, Centro de Tecnologia - UFRJ

Resumo: We study Bayesian approaches to causal inference via propensity score regression. Much of Bayesian methodology relies on parametric and distributional assumptions, with presumed correct specification, whereas the extant propensity score methods in Bayesian literature have relied on approaches that cannot be viewed as fully Bayesian in the context of conventional ‘likelihood times prior’ posterior inference. We emphasize that causal inference is typically carried out in settings of mis-specification, and develop strategies for fully Bayesian inference that reflect this. We focus on methods based on decision-theoretic arguments, and show how inference based on loss-minimization can give valid and fully Bayesian inference. We propose a computational approach to inference based on the Bayesian bootstrap which has good Bayesian and frequentist properties.