Causal modeling in high-order scenarios: unfolding mechanisms by moving across scales (2023)
- Authors:
- Autor USP: MARTINELLI, TIAGO - IFSC
- Unidade: IFSC
- Sigla do Departamento: FCI
- DOI: 10.11606/T.76.2023.tde-20062023-095829
- Assunto: FÍSICA TEÓRICA
- Keywords: Causal modeling; Emergent phenomena; Fenômenos emergentes; Modelagem causal; Multivariate information theory; Teoria de informação multivariada
- Agências de fomento:
- Language: Inglês
- Abstract: A era do big data avançou a possibilidade de estudar fenômenos emergentes no mundo real, muitas vezes ocorrendo por sistemas com interações não triviais de alta ordem. Uma das principais questões para esses sistemas complexos é entender como sua organização coletiva influencia os processos dinâmicos. Embora tal estudo seja fundamental para desenvolver a política de controle de processos dinâmicos a partir de mudanças na estrutura da rede, na prática, a única informação disponível são dados multivariados registrados de variáveis com topologia desconhecida. Tal cenário pode ser explorado usando a teoria da informação e ferramentas de causalidade para quantificar a influência de um indivíduo e inferir uma estrutura causal entre eles. Em outras palavras, podemos fazer engenharia reversa para obter um modelo causal via dados. No entanto, uma metodologia para lidar com causas emergentes ao extrair informações é uma questão em aberto. Se não executada corretamente, pode comprometer suposições básicas na modelagem causal, resultando em uma visão espúria da organização de sistemas complexos. Esta tese é dedicada à investigar problemas fundamentais relacionados a captura de fenômenos de emergência em sistemas complexos de alta ordem conciliando técnicas de teorias de causalidade e informação multivariada. Com base em nossos resultados, defendemos uma mudança de paradigma ao lidar com dados multivariados na modelagem causal, considerando a tarefa de descrição de um sistema ao moverescalas como uma questão fundamental ao invés de um artifício matemático
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 20.04.2023
- 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
MARTINELLI, Tiago. Causal modeling in high-order scenarios: unfolding mechanisms by moving across scales. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/76/76134/tde-20062023-095829/. Acesso em: 02 maio 2024. -
APA
Martinelli, T. (2023). Causal modeling in high-order scenarios: unfolding mechanisms by moving across scales (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/76/76134/tde-20062023-095829/ -
NLM
Martinelli T. Causal modeling in high-order scenarios: unfolding mechanisms by moving across scales [Internet]. 2023 ;[citado 2024 maio 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76134/tde-20062023-095829/ -
Vancouver
Martinelli T. Causal modeling in high-order scenarios: unfolding mechanisms by moving across scales [Internet]. 2023 ;[citado 2024 maio 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76134/tde-20062023-095829/ - Evolução sem evolução: assimetria e a emergência do tempo na teoria quântica
- Reconstruction of networks from causal information
- Classyfying phenotypes using information theory
- Reconstruction of complex networks from causal information: analyzing, identifying, and distinguishing dependencies
- The deluge of spurious information in causal network inference
Informações sobre o DOI: 10.11606/T.76.2023.tde-20062023-095829 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas