Nesta palestra vamos considerar algumas classes especiais de passeios aleatórios não Markovianos. Considerando o comportamento assintótico relativo a propriedades como recorrência e transiência, balisticidade, Lei dos Grandes Números e Teorema do Limite Central, vamos mostrar que nessas classes o comportamento dos passeios especiais pode ser bastante diferente do comportamento dos usuais passeios aleatórios sobre Z^d com incrementos IID. As principais classes consideradas serão os passeios geradores de árvores, os passeios aleatórios excitados e os passeios aleatórios com auto repulsão por arestas direcionadas.

Acesse os slides aqui.

The bridge approach for regularization of coefficients in regression models uses L_alpha norm, with alpha > 0 , to define a penalization on large values of the regression coefficients. Particular cases include the Lasso and Ridge penalizations. In Bayesian models, the penalization is enforced by a prior distribution on the coefficients. Although MCMC approaches are available for Bayesian bridge regression, they can be very slow for large datasets, especially in high dimensions. This paper develops an implementation of Automatic Differentiation Variational Inference for Bayesian inference on semi-parametric regression models with bridge penalization. The non-parametric effects of covariates are modeled by B-splines. The proposed inference procedure allows the use of small batches of data at each iteration (due to stochastic gradient based updates), therefore drastically reducing computational time in comparison with MCMC. Full Bayesian inference is preserved so joint uncertainty estimates for all model parameters are available. A simulation study shows the main properties of the proposed method and an application to a large real dataset is presented.

Acesse os slides aqui.

Informações em https://www.im.ufrj.br/coloquiomea/.

Diante de recorrentes situações de perdas e danos, o risco paulatinamente se revela como categoria fundamental para o planejamento do território; nos trópicos e em um contexto de mudanças climáticas, o risco climático torna-se peremptório para o estabelecimento de estratégias de desenvolvimento e expansão da área habitada pelo homem. A palestra apresentará resultados de pesquisas voltados para a emerrgência e reemergência de riscos climáticos no estado do Rio de Janeiro a partir de 2 exemplos: as chuvas intensas e extremas e a Dengue, demonstrando a situação de ambos os objetos na fronteiroa do conhecimento, demanando uma abordagem inter e multidisciplinas. Além de subsídios fundamentais à formulação de políticas públicas, os resultados almejam demonstrar o papel da Universidade e ciência na formulação de propostas de adaptação e mitigação para o estado.

Acesse os slides aqui.

In this study, we introduce a flexible dynamic non-linear indirect genetic effects model (dnIGE) to describe the dynamics of infectious diseases transmission and predict the genetic effects on susceptibility and infectivity. The methodology includes a covariance structure on the distribution of genetic and environmental effects of susceptibility and infectivity and uses Bayesian inference to estimate the genetic effects and heritabilities associated with these traits. We also analyze the impact of different experimental designs in the accuracy of estimates using syntethic data sets.
Joint work with Milena Nascimento Lima e Osvaldo Anacleto

Acesse os slides aqui.

Desde o trabalho pioneiro de Helmholtz (1867) conjectura-se que o cérebro realiza seleção estatística de modelos, atribuindo modelos probabilísticos a sequências de estímulos e fazendo inferência estatística para aprender, classificar e prever eventos futuros. Em linha com esta proposta, estudos anteriores já haviam identificado assinaturas eletrofisiológicas associadas a ações iminentes e de aprendizagem de sequências no cérebro humano. Recentemente, resultados que apoiam a conjectura de que o cérebro identifica efetivamente a estrutura da cadeia que gera uma sequência de eventos foram obtidos pela nossa equipe de pesquisa. Sabemos agora como identificar algumas classes de modelos probabilísticos utilizados pelo cérebro para armazenar regularidades estatísticas em sequências de eventos. Um exemplo das classes às quais nos referimos são as árvores de contexto probabilísticas introduzidas por Rissanen (1983) no âmbito da compressão de dados. Neste seminário, discutirei a abordagem teórica e experimental associada à aprendizagem estatística desenvolvida pelo nosso grupo. Apresentarei um conjunto de novos dados eletrofisiológicos e comportamentais (Hernández et al., 2021; Cabral-Passos et al., 2024: Hernández et al., no prelo), buscando estabelecer uma relação formal entre a aprendizagem de sequências estruturadas de eventos aleatórios e suas assinaturas no cérebro.

Acesse os slides aqui.

Embora tenham sido introduzidos há mais de 50 anos, modelos dinâmicos e previsões bayesianas ainda são subutilizados em diversas áreas aplicadas. Um dos principais entraves é a falta de solução analítica para atualização de inferência bayesiana no contexto de modelos dinâmicos não-lineares e/ou não-Gaussianos, implicando na necessidade de aproximações que podem ter elevado custo computacional. Apresentamos uma abordagem computacionalmente eficiente e escalável para atualização bayesiana em modelos dinâmicos generalizados, mantendo a natureza sequencial da inferência e permitindo a incorporação de novas observações, filtragem e suavização, em tempo extremamente reduzido. Demonstramos que nossas aproximações para distribuições preditivas e a posteriori são comparáveis àquelas obtidas por métodos de Monte Carlo via cadeias de Markov. A metodologia proposta está implementada no pacote kDGLM, que acomoda uma variedade de distribuições k-paramétricas para respostas indexadas pelo tempo, incluindo normal univariada e bivariada, gama, Poisson e multinomial, além de suportar componentes estruturais como tendência, sazonalidade, regressões dinâmicas, autoregressões e funções de transferência. A utilização do pacote kDGLM é ilustrada em aplicações reais nos campos da Econometria e Epidemiologia, em que são demonstradas ainda suas funcionalidades relacionadas a monitoramento e intervenção.
Trabalho desenvolvido em colaboração com Silvaneo Vieira dos Santos Junior e Helio dos Santos Migon.

Acesse os slides aqui.

The recent COVID-19 global Public Health emergency has laid bare the need for properly preparing for the (re-)emergence of pathogens in human and non-human populations. In this context, it also became clear that genomic surveillance is a major component of pandemic preparation, allowing for the early detection of new pathogen variants. This wealth of data necessitates, however, a framework for data preparation and integration, as well as analytical methods that can extract epidemiological insight from the combined genomic and epidemiological information. Phylodynamic methods employ a model-based approach to extract information from this sort of data, combining phylogenetic trees and epidemiological models. In this talk I will discuss the methodological challenges of phylodynamics, devoting attention to two topics: prior elicitation and computation (via MCMC and variational methods). I will present some pitfalls of seemingly ‘uninformative’ priors and discuss a number of examples, including population reconstruction and mutation heterogeneity. Moreover, I shall discuss ideas for making sure our methodological apparatus is up to scrutiny through simulation-based calibration (SBC), which needs adaptation to work in a non-standard metric space such as treespace. In summary, I will give an overview of the current methodological canon in phylodynamics and ways to tackle the major challenges ahead.
Keywords: Bayesian Statistics, Phylodynamics, Genomic surveillance.

Acesse os slides aqui.

A atividade elétrica em uma rede de neurônios depende fortemente do seu grafo de interações, uma estrutura combinatorial latente que codifica o tipo de interação existente (e.g. excitatória ou inibitória) entre cada par de neurônios da rede. Um desafio importante em Neurociência é compreender quais características deste grafo podem ser inferidas a partir da atividade de disparos da rede. Por exemplo, será que podemos inferir a densidade de conexões do grafo de interação de uma rede neuronal somente com base na sua atividade de disparos? O objetivo da palestra é apresentar um arcabouço probabilístico elementar – desenvolvido em conjunto com Eva Löcherbach (Paris) e Julien Chevallier (Grenoble) – que nos permita tratar rigorosamente desta pergunta.

O modelo de choques comuns é uma forma de abordar perdas dependentes num contexto de seguros e gestão de risco. Estes choques podem ser catástrofes naturais, crises económicos etc. Quando ocorre um choque comum, isso causa diferentes perdas que exibem uma estrutura de dependência. Nesta palestra iremos nos concentrar em modelos onde a frequência dos choques ocorre de acordo com um processo de Poisson, e as perdas sejam dadas por um vetor aleatório com uma certa estrutura de dependência. O objetivo será apresentar um resultado de aproximação para o cálculo do Valor em Risco (quantil) do agregado das perdas num certo horizonte de tempo fixo.

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.

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.

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, como obtida no artigo abaixo citado

[1] Gaudillière, A. ; Milanesi, P. ; Vares, M. E. Asymptotic Exponential Law for the Transition Time to Equilibrium of the Metastable Kinetic Ising Model with Vanishing Magnetic Field. Jr. Stat. Phys. 179, 263 – 308, 2020. https://doi.org/10.1007/s10955-019-02463-5