Título: A transição de fase em modelos de percolação em ambientes aleatórios
Palestrante: Marcos Vinícius Araújo Sá (IMPA)
Organizadores: Giulio Iacobelli e Maria Eulalia Vares
Resumo: Nesta palestra recordamos alguns resultados sobre a transição de fase para modelos de percolação em ambientes aleatórios. O primeiro modelo (Hilário, Sá, Sanchis, Teixeira) consiste em eliminarmos da rede quadrada, os elos de colunas inteiras escolhidas de forma aleatória. Mostramos que a existência da transição de fase está relacionada com o momento da distância entre as colunas remanescentes. O segundo modelo (Hoffmann) consiste em eliminar também as linhas do mesmo modo, e mostramos que neste caso a transição ocorre quando a distância entre os remanescentes têm decaimento exponencial. Por fim, recordamos outros modelos como KSV e processos de contato.
Data:21/11/2022
Horário:15:30h
Local: Sala B106-A – Bloco B: CT – Instituto de Matemática/UFRJ.
Clique AQUI para mais Informações sobre todo o programa dos seminários de probabilidade - IM-UFRJ
Título: Bayesian modeling for spatial point process with nonstationary covariance structure via spatial deformation
Palestrante: Marcel de Souza Borges Quintana
Orientadores: Dani Gamerman e Mariane Branco Alves
A banca é formada por:
1)DANI GAMERMAN, IM-UFRJ, Presidente
2)MARINA SILVA PAEZ, IM-UFRJ
3)THAÍS CRISTINA OLIVEIRA DA FONSECA, IM-UFRJ
4)FLÁVIO BAMBIRRA GONÇALVES, UFMG
5)ALEXANDRA MELLO SCHMIDT, McGill University, Canadá
Data: 25/11/2022
Horário: 09:00h
Local: Transmissão Online
Confira AQUI o link para a transmissão
Independência Assintótica via o Método de Malliavin-Stein
Palestrante: Leandro P. R. Pimentel (IM-UFRJ)
Data: 07/11/2022
Horário: 15:30h
Local: Sala B106-A – Bloco B - CT: Instituto de Matemática/UFRJ
Resumo: A que distância está a lei conjunta de um vetor aleatório bidimensional da medida do produto induzida por suas marginais? Nesta palestra abordamos esta questão no contexto da equação de Kardar-Parisi-Zhang, onde a primeira coordenada do vetor é dada por um observável de uma condição inicial Browniana, e a segunda é um observável da solução em um tempo mais tarde. Para atacar esta tarefa usaremos ferramentas do cálculo de Malliavin e do Método de Stein, que nos permitirá obter um comportamento preciso de escala espaço-tempo para independência assintótica.
Informações sobre todo o programa dos seminários probabilidade IM-UFRJ - AQUI
Com Luiz Max Carvalho (FGV EMAp) e Flávio Gonçalves (UFMG)
Data: 16/11/2022, às 14:00h
14:00h - Luiz Max Carvalho (FGV EMAp)
Markov Chain Monte Carlo for phylogenetics: a helicopter ride
15:40h - Flávio Gonçalves (UFMG)
Exact Bayesian inference for level-set Cox processes with piecewise constant intensity function
Local do evento: Sala 537 do Edifício Sede da FGV, Praia de Botafogo, 190, Botafogo.
Importante: Os participantes dos seminários não poderão acessar as dependências da FGV usando bermuda, chinelos, blusa modelo top ou cropped, minissaia ou camiseta regata.
Mais informações sobre o COLMEA podem ser encontradas através da homepage, AQUI.
Comitê organizador:
Americo Cunha (UERJ)
Augusto Q. Teixeira (IMPA)
Evaldo M. F. Curado (CBPF)
João Batista M. Pereira (UFRJ)
Leandro P. R. Pimentel (UFRJ)
Maria Eulalia Vares (UFRJ)
Nuno Crokidakis (UFF)
Simon Griffiths (PUC-Rio)
Yuri F. Saporito (FGV EMAp)
Para mais informações sobre o evento, clique AQUI.
Título: Introduction to equivariant machine learning
Palestrante: Soledad Villar (Jhons Hopkins, Estados Unidos)
Data: 04/11/2022
Horário: 15:00h
Local: Transmissão On-line.Clique AQUI para acessar. (Sala abre às 14:55h)
Resumo: : There has been enormous progress in the last few years in designing neural networks that respect the fundamental symmetries and coordinate freedoms of physical law. Some of these frameworks make use of irreducible representations, some make use of high-order tensor objects, and some apply symmetry-enforcing constraints. Different physical laws obey different combinations of fundamental symmetries, but a large fraction (possibly all) of classical physics is equivariant to translation, rotation, reflection (parity), boost (relativity), scaling (units), and permutations. In this talk we overview different techniques to implement machine learning models that respect these symmetries.