Untying the Gordian knot of Bayesian inference in Markov networks (2025)
- Authors:
- Autor USP: DESUÓ NETO, LUIZ - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- DOI: 10.11606/T.18.2025.tde-07082025-135629
- Subjects: INFERÊNCIA BAYESIANA; PROCESSOS ESTOCÁSTICOS; CADEIAS DE MARKOV
- Keywords: Redes de Markov.; Redes não-paranormais.; Teoria de cópulas.
- Agências de fomento:
- Language: Inglês
- Abstract: Este trabalho aborda a dupla intratabilidade da inferência Bayesiana em redes de Markov, desenvolvendo três novas estratégias que contornam o cálculo da função de partição, preservando a coerência probabilística. A primeira estratégia estende a aproximação de pseudoverossimilhança de Besag com distribuições condicionais locais baseadas em cópulas para modelar dependências contínuas sem a necessidade de normalização global. A segunda estratégia introduz hiperestruturas de cópula que tornam modelos complexos não direcionados decomponíveis via fatoração de grafos cordais, permitindo inferência exata por meio de métodos baseados em árvores. A terceira estratégia constrói redes de Markov semiparamétricas combinando marginais polinomiais de Bernstein com uma representação de covariância baseada em equações diferenciais parciais estocásticas de Whittle-Matérn, produzindo inferência eficiente e flexibilidade não-paranormal. A avaliação empírica em conjuntos de dados simulados e do mundo real para distribuição espacial de precipitação extrema demonstra que o método proposto supera em precisão preditiva e quantificação de incerteza dois métodos amplamente difundidos de comparação para modelagem espacial bayesiana. Ao unificar a teoria da cópula com a modelagem probabilística bayesiana, este trabalho avança a perspectiva teórica de redes de Markov ao mesmo tempo em que fornece ferramentas práticas e interpretáveis para sistemas em rede, preenchendo a lacuna entre a coerência probabilística e a tratabilidade computacional em processos ambientais complexos
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 07.07.2025
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
DESUÓ NETO, Luiz. Untying the Gordian knot of Bayesian inference in Markov networks. 2025. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-07082025-135629/. Acesso em: 24 dez. 2025. -
APA
Desuó Neto, L. (2025). Untying the Gordian knot of Bayesian inference in Markov networks (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18153/tde-07082025-135629/ -
NLM
Desuó Neto L. Untying the Gordian knot of Bayesian inference in Markov networks [Internet]. 2025 ;[citado 2025 dez. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-07082025-135629/ -
Vancouver
Desuó Neto L. Untying the Gordian knot of Bayesian inference in Markov networks [Internet]. 2025 ;[citado 2025 dez. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-07082025-135629/ - A probabilistic multilayer framework for electric vehicle user behavior in urban areas
- A statistical framework for electric vehicle user behavior impact in smart grids
- Electric power distribution maintenance crews routing for fault location: time to bite the road-network disruptions bullet ?
- A Multi-objective swarm intelligence approach for field crews patrol optimization in power distribution systems restoration
- A variable neighborhood descent approach for electrical grids as an overload reduction method
- Stochastic indexes for power distribution systems resilience analysis
- A multi-objective algorithm to determine patrol sequences for out-of-service nodes in power distribution feeders
- A bayesian hierarchical model to create synthetic power distribution systems
- Distribution systems cost reduction based on switches upgrades: a stochastic approach
- Resilience assessment of critical infrastructures using dynamic Bayesian networks and evidence propagation
Informações sobre o DOI: 10.11606/T.18.2025.tde-07082025-135629 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
