Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems

1. Il Problema

Il lavoro affronta l'problema inverso di identificare le leggi di interazione (kernel) e i termini di diffusione in sistemi multi-agente stocastici, partendo esclusivamente da dati di traiettoria osservati.
Le sfide principali identificate dagli autori sono:

• Interazioni latenti: Le coppie di agenti che interagiscono effettivamente non sono direttamente osservabili nei dati (la matrice di accoppiamento $S_n$ è sconosciuta).
• Dati limitati: Spesso si dispone di un numero limitato di traiettorie o di finestre temporali, rendendo difficile la stabilità statistica.
• Stocasticità intrinseca: Il sistema è governato da fluttuazioni stocastiche (rumore) e meccanismi di diffusione, che complicano la distinzione tra forze deterministiche (drift) e rumore.
• Obiettivo: Recuperare la forma funzionale dei kernel di interazione non locale $P(r)$ (drift) e $D(r)$ (diffusione) senza conoscenze a priori sulla struttura sottostante.

2. Metodologia

Gli autori propongono un framework data-driven basato su regressione sparsa in spazi funzionali a dimensione finita. La metodologia si articola in diversi passaggi chiave:

A. Modellazione Gerarchica

Il sistema è modellato a partire da un modello microscopico stocastico a interazioni binarie.

• Gli agenti evolvono secondo equazioni alle differenze finite che includono un termine deterministico (compromesso/interazione) e uno stocastico (fluttuazione).
• Viene stabilita una connessione teorica tra la dinamica microscopica, la descrizione cinetica (equazione di Boltzmann) e il limite di campo medio (equazione di Fokker-Planck non locale), garantendo la coerenza multiscale.

B. Formulazione del Problema di Identificazione

Il problema è formulato come una minimizzazione dei minimi quadrati per trovare i coefficienti di una combinazione lineare di funzioni di base (polinomi lineari a tratti con supporto compatto) che approssimano i kernel $P$ e $D$.

• Si utilizzano spazi di approssimazione $\mathcal{A}_P$ e $\mathcal{A}_D$ definiti da basi $\{\phi_k\}$ e $\{\psi_k\}$.
• Vengono imposte vincoli di regolarità (es. non-negatività per la diffusione, monotonia per certi tipi di interazioni) tramite vincoli lineari sui coefficienti.

C. Strategie di Identificazione per Dati Parziali

Poiché le interazioni specifiche tra coppie di agenti non sono osservate, il paper propone due strategie complementari per approssimare le aspettative condizionate necessarie alla regressione:

1. Approccio Random-Batch (Campionamento Casuale):

   • Invece di conoscere le coppie reali, si campionano casualmente sottogruppi (batch) di agenti a ogni passo temporale.
   • Si esegue una regressione su questi batch per stimare i termini di drift e diffusione.
   • Per migliorare la robustezza, si esegue l'identificazione su $K$ realizzazioni diverse dei batch e si combinano i risultati utilizzando pesi basati sull'errore di ricostruzione delle traiettorie (regole di averaging o best-fit).

2. Approccio Mean-Field (Campo Medio):

   • Si ricostruisce la densità empirica degli agenti dai dati osservati (usando istogrammi).
   • Le interazioni non locali sono approssimate tramite operatori integrali sulla densità ricostruita, trasformando il problema in una regressione continua non locale.
   • Questo approccio evita il campionamento casuale delle coppie, basandosi invece sulla distribuzione globale degli agenti.

D. Stima dell'Errore A Priori

Gli autori derivano una stima teorica dell'errore per le traiettorie ricostruite. Dimostrano che l'errore medio quadratico tra la dinamica originale e quella ricostruita è limitato da:

• L'errore di approssimazione dei kernel ($\delta_P, \delta_D$).
• L'errore nella ricostruzione della matrice di interazione ($\eta_S$).
• L'errore cresce esponenzialmente nel tempo (tipico delle equazioni differenziali), ma rimane controllato sotto ipotesi di Lipschitzianità.

3. Risultati Principali

I risultati sono validati attraverso esperimenti numerici su modelli benchmark in 1D e 2D:

• Modelli Testati:
  • Bounded Confidence: Dinamica di opinione con soglia di interazione.
  • Attraction-Repulsion: Modelli di aggregazione (flocking) con repulsione a corto raggio e attrazione a lungo raggio.
  • Diffusione Non Locale: Casi in cui la diffusione dipende dalla distanza relativa tra agenti.
• Accuratezza: Entrambe le strategie (Random-Batch e Mean-Field) dimostrano di ricostruire con alta precisione sia i kernel di drift che quelli di diffusione, anche in regimi con dati rumorosi e limitati.
• Confronto delle Strategie:
  • L'approccio Mean-Field tende a mostrare una maggiore robustezza quando mancano informazioni su coppie distanti (problema del "campionamento raro" nell'approccio Random-Batch), poiché ricostruisce la densità su tutto il dominio.
  • L'approccio Random-Batch è computazionalmente efficiente e funziona bene quando la densità di interazione è uniforme.
  • In generale, entrambe le strategie raggiungono livelli di accuratezza comparabili (errori relativi nell'ordine di $10^{-2}$ per i kernel e $10^{-3}$ per le densità).
• Validazione: Le traiettorie simulate utilizzando i kernel ricostruiti riproducono fedelmente la dinamica osservata e la distribuzione spaziale finale degli agenti.

4. Contributi Chiave

1. Framework Unificato: Introduzione di un metodo sistematico per identificare simultaneamente drift e diffusione in sistemi stocastici con interazioni non osservabili.
2. Gestione dell'Osservabilità Parziale: Sviluppo di due strategie (Random-Batch e Mean-Field) che superano la mancanza di dati sulle coppie interagenti, rendendo il metodo applicabile a scenari reali dove le interazioni sono nascoste.
3. Analisi di Stabilità: Fornitura di stime di errore a priori che legano la precisione della ricostruzione dei kernel alla stabilità delle traiettorie predette, garantendo teoricamente la coerenza del metodo.
4. Efficienza Computazionale: Dimostrazione che è possibile apprendere modelli complessi utilizzando una singola traiettoria e finestre temporali ridotte, senza bisogno di molteplici realizzazioni indipendenti.

5. Significato e Impatto

Questo lavoro è significativo perché colma il divario tra la modellazione teorica dei sistemi multi-agente e l'analisi di dati reali, dove le interazioni microscopiche sono spesso invisibili.

• Applicabilità: Il metodo è direttamente applicabile in campi come la sociologia (formazione di opinioni), l'epidemiologia (dinamiche di contagio), la biologia (movimento di sciami) e la robotica (sciami di robot).
• Flessibilità: La capacità di gestire sia la stocasticità che la non osservabilità delle interazioni rende questo approccio superiore a molti metodi esistenti che richiedono dati completi o sistemi deterministici.
• Futuro: Gli autori indicano come direzioni future l'applicazione a dataset reali e l'uso di reti neurali per rappresentare kernel con strutture più complesse e ad alta dimensionalità.

In sintesi, il paper offre un robusto strumento matematico e computazionale per "scoprire" le leggi fisiche o sociali che governano il comportamento collettivo di gruppi di agenti, partendo solo dall'osservazione del loro movimento.