Bounding Classical and Quantum Correlations in Bayesian Networks with Quasiprobabilities

Sintesi Tecnica: Delimitazione delle Correlazioni Classiche e Quantistiche nei Reti Bayesiane con Quasiprobabilità

Definizione del Problema
Lo studio delle correlazioni nei reti bayesiani (grafi aciclici diretti o DAG) con variabili latenti (non osservate) è centrale per l'inferenza causale e le fondamenta della meccanica quantistica. Una sfida primaria consiste nel caratterizzare l'insieme "classico" $\mathcal{C}(G)$, definito come l'insieme delle distribuzioni di probabilità osservate coerenti con una data struttura causale $G$. Sebbene l'insieme classico sia semialgebraico (definito da uguaglianze e disuguaglianze polinomiali), la sua caratterizzazione è notoriamente difficile a causa della complessità dei vincoli di disuguaglianza.

In parallelo, l'insieme "quantistico" $\mathcal{Q}(G)$, che rappresenta le correlazioni ottenibili tramite risorse quantistiche, è ancora più complesso; non è un politopo finito, non è chiuso e, in generale, è indecidibile. I ricercatori cercano spesso "approssimazioni esterne" per delimitare questi insiemi. Un risultato noto nello scenario Bell bipartito (un DAG specifico) è che consentire alle variabili latenti di seguire distribuzioni di quasiprobabilità (distribuzioni che sommano a 1 ma possono assumere valori negativi) recupera l'insieme di tutte le correlazioni non-signaling. Questo articolo indaga se tale risultato si generalizza ad arbitri reti bayesiane ed esplora la relazione tra il "quasi-insieme" e il modello di Markov annidato $\mathcal{N}(G)$, un'approssimazione algebrica trattabile dell'insieme classico.

Metodologia
Gli autori impiegano una combinazione di modellazione causale, analisi delle quasiprobabilità e teoria delle reti tensoriali.

1. Modelli Quasiprobabilistici: Il documento definisce tre formulazioni equivalenti di un "quasimarginale set" $\mathcal{W}(G)$, dove la distribuzione osservata è la marginale di una distribuzione completa che fattorizza sul grafo, ma con vincoli di positività rilassati:

   • Quasilatenti ($\mathcal{W}_l$): Le variabili latenti seguono quasidistribuzioni, mentre le funzioni di risposta (probabilità condizionate dei nodi osservati) rimangono non negative.
   • Quasi-risposte ($\mathcal{W}_r$): Le funzioni di risposta seguono quasidistribuzioni, mentre le latenti rimangono non negative.
   • Quasinonno (Quasinoise) ($\mathcal{W}_n$): I nodi osservati sono modellati con funzioni di risposta deterministiche dipendenti da latenti classiche e variabili di "rumore" indipendenti, dove le variabili di rumore seguono quasidistribuzioni.

2. Riduzione del Grafo: Gli autori utilizzano risultati della causalità classica (ad esempio, l'esogenizzazione dei latenti, l'eliminazione di variabili ridondanti) per dimostrare che questi passaggi di riduzione valgono per i modelli quasiprobabilistici, permettendo di assumere "grafi ridotti" senza perdita di generalità.

3. Decomposizioni in Reti Tensoriali: Per provare la congettura principale per specifiche strutture di grafi, gli autori mappano il problema in reti tensoriali. Essi trattano la distribuzione di probabilità osservata come un tensore di ordine elevato e utilizzano la corrispondenza tra la struttura causale e un sottostante grafo non diretto (dove gli archi rappresentano genitori latenti condivisi). Sfruttano teoremi riguardanti l'esistenza di decomposizioni tensoriali minime per gli alberi.

Contributi Chiave e Risultati

• Equivalenza delle Definizioni Quasiprobabilistiche: Il documento prova il Teorema 4, stabilendo che gli insiemi $\mathcal{W}_l(G)$, $\mathcal{W}_r(G)$ e $\mathcal{W}_n(G)$ sono identici. Ciò dimostra una dualità: permettere la negatività nelle variabili latenti è matematicamente equivalente a permettere la negatività nelle funzioni di risposta (o nel rumore) per quanto riguarda l'insieme delle distribuzioni non-negative osservate.

• Inclusione nel Modello di Markov Annidato: Gli autori dimostrano il Proposizione 6, mostrando che $\mathcal{W}(G) \subseteq \mathcal{N}(G)$. Poiché il modello di Markov annidato è definito puramente da vincoli di fattorizzazione (uguaglianze polinomiali) senza requisiti di positività, qualsiasi distribuzione che fattorizza con quasiprobabilità (che soddisfano la normalizzazione ma non la positività) deve soddisfare i vincoli di Markov annidati.

• Congettura sull'Uguaglianza: Il documento propone la Congettura 1: per ogni DAG $G$, $\mathcal{W}(G) = \mathcal{N}(G)$. Ciò implicherebbe che il quasi-insieme è esattamente l'insieme delle distribuzioni che soddisfano tutti i vincoli di uguaglianza polinomiale (il modello di Markov annidato), e che i vincoli di disuguaglianza nei modelli classici e quantistici derivano esclusivamente dal requisito di non-negatività delle probabilità.

• Dimostrazione per Scenari di Correlazione a Struttura ad Albero (TCS): Gli autori forniscono una dimostrazione rigorosa della Congettura 1 per la sottoclasse di scenari di correlazione in cui il grafo non diretto sottostante (composto da nodi osservati connessi se condividono un genitore latente) è un albero.

  • Dimostrano che qualsiasi distribuzione nel modello di Markov ordinario (che equivale al modello di Markov annidato per i TCS) può essere decomposta in una rete tensoriale.
  • Analizzando le dimensioni di legame (bond dimensions) minime di questa decomposizione, costruiscono un modello di variabile latente quasiprobabilistica che riproduce la distribuzione, provando così che $\mathcal{M}(G) \subseteq \mathcal{W}(G)$ per i TCS. Combinato con l'inclusione generale $\mathcal{W}(G) \subseteq \mathcal{N}(G)$, ciò stabilisce che $\mathcal{W}(G) = \mathcal{N}(G)$ per i TCS.

Significatività e Rivendicazioni
Il documento sostiene che il proprio lavoro generalizza il risultato noto secondo cui le quasiprobabilità recuperano le correlazioni non-signaling nello scenario Bell a una classe più ampia di reti.

• Caratterizzazione dei Vincoli di Disuguaglianza: Se la Congettura 1 è corretta, essa fornisce un'interpretazione strutturale dei vincoli di disuguaglianza nei modelli causali classici e quantistici. Gli autori sostengono che queste disuguaglianze non sono inerenti alla struttura causale o al criterio di fattorizzazione in sé, ma sono artefatti del vincolo di non-negatività sulle probabilità. Nel quasi-insieme, che rilassa la positività, queste disuguaglianze scompaiono, lasciando solo i vincoli algebrici (di uguaglianza) del modello di Markov annidato.
• Espressività delle Teorie Probabilistiche Generalizzate (GPT): I risultati suggeriscono che una teoria che consente alle variabili latenti (o alle funzioni di risposta) di assumere valori reali arbitrari (una GPT non libera) è sufficientemente espressiva da generare tutte le distribuzioni del modello di Markov annidato. Ciò contrasta con le GPT standard (come la teoria quantistica), che sono note per essere insufficienti a generare tutte le correlazioni di Markov annidato (ad esempio, nello Scenario del Triangolo).
• Connessione con le Reti Tensoriali: Il lavoro evidenzia un nuovo legame tra l'inferenza causale e le decomposizioni di reti tensoriali, suggerendo che il rango di un tensore (nel contesto del grafo non diretto sottostante) corrisponde alla dimensione minima delle variabili latenti richieste in un modello quasiprobabilistico.

Gli autori mantengono un approccio modesto riguardo al caso generale, notando che, sebbene abbiano dimostrato la congettura per gli scenari a struttura ad albero e fornito una dimostrazione per lo Scenario del Triangolo (nell'Appendice), una prova completa per arbitri DAG rimane una direzione aperta per il lavoro futuro. Suggeriscono che la "Tecnica di Inflazione" potrebbe essere una via percorribile per una prova generale, sebbene la completezza dell'inflazione per le quasiprobabilità manchi attualmente di un teorema di de Finetti a supporto.