Conditional splitting probabilities for hidden-state inference in drift-diffusive processes

Resumo Técnico: Probabilidades de Divisão Condicionais para Inferência de Estado Oculto em Processos de Difusão-Drift

Enunciado do Problema
As probabilidades de divisão são quantidades fundamentais em processos estocásticos, quantificando a probabilidade de um sistema sair de um intervalo definido através de fronteiras específicas. Embora tradicionalmente aplicadas a processos unidimensionais para determinar probabilidades de saída (ex: ruína do jogador, fixação em dinâmica populacional), este trabalho aborda um cenário mais complexo envolvendo processos de Markov bidimensionais $\{X(t), Y(t)\}$. Aqui, $X(t)$ é uma variável de drift-difusão contínua e observável, enquanto $Y(t)$ representa um estado interno oculto (que pode ser discreto ou contínuo). O problema central é determinar a probabilidade de divisão conjunta: a probabilidade de que $X(t)$ saia de um intervalo $L = [x_{min}, x_{max}]$ através de uma fronteira específica e que o estado oculto $Y(t)$ esteja em uma configuração específica $y_{exit}$ no momento da saída.

Baseando-se nisso, o artigo investiga a probabilidade de divisão condicional: a probabilidade posterior do estado oculto $Y$ dado que um evento de saída ocorreu em uma fronteira específica. Os autores visam determinar se e como a observação de um único evento de saída pontual pode ser usada para inferir o estado de uma variável oculta, uma capacidade relevante para o controle de matéria ativa e teoria da decisão.

Metodologia
Os autores empregam um arcabouço baseado na equação de Kolmogorov backward e no teorema de Bayes.

1. Formulação da Probabilidade Conjunta:
   Para um processo governado pelos operadores de Fokker-Planck forward $\mathcal{L}^{(X)}_F$ e $\mathcal{L}^{(Y)}_F$, a probabilidade de divisão conjunta $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ satisfaz a equação backward estacionária:
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   sujeita a condições de contorno onde o processo é absorvido nas fronteiras do intervalo. Os autores consideram condições de contorno totalmente permeáveis (absorventes) e parcialmente permeáveis (Robin).

2. Dinâmicas Desacopladas vs. Acopladas:
   A análise é dividida em duas classes de processos:

   • Caso Desacoplado: $X(t)$ é um movimento Browniano simples independente de $Y(t)$. A solução é construída usando a base de autofunções do operador de Fokker-Planck para $Y(t)$. A probabilidade conjunta é expressa como uma expansão espectral envolvendo os autofunções e autovalores do processo oculto.
   • Caso Unidirecionalmente Acoplado: $X(t)$ depende de $Y(t)$ (por exemplo, coeficientes de drift ou difusão dependem do estado interno), mas $Y(t)$ evolui independentemente de $X(t)$. Nestes casos, as equações backward tornam-se sistemas acoplados de ODEs, que são resolvidos explicitamente para modelos paradigmáticos específicos.

3. Inferência Condicional:
   Uma vez computadas as probabilidades conjuntas, a probabilidade de divisão condicional é derivada via teorema de Bayes:
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   onde o denominador é a probabilidade de divisão marginal do observável $X$.

Principais Resultados

1. Estados Ocultos Desacoplados (Movimento Browniano + Estado Interno)
Para processos onde $X(t)$ é movimento Browniano e $Y(t)$ é um estado interno desacoplado (discreto ou contínuo), os autores derivam expressões genéricas para a probabilidade de divisão conjunta em termos do sistema de autovalores da dinâmica de $Y$.

• Processo de Amadurecimento-Estragamento (Ripening-Spoiling): Um modelo discreto de três estados (Verde $\to$ Maduro $\to$ Estragado) é analisado. A probabilidade conjunta de saída em um estado específico (ex: "Maduro") exibe dependência não-monotônica da posição inicial $x_0$. Isso ocorre porque apenas trajetórias com durações específicas (permitindo a transição para "Maduro", mas ainda não para "Estragado") contribuem para a probabilidade de saída naquele estado.
• Processo de Ornstein-Uhlenbeck (OU): Para um estado oculto Gaussiano contínuo, a probabilidade conjunta é expressa como uma série infinita de polinômios de Hermite.
• Limite de Inferência: No caso desacoplado, os autores demonstram que a inferência do estado oculto a partir de um único evento de saída é possível apenas no regime transiente (condições iniciais não-estacionárias). No limite de intervalos grandes ($L \to \infty$) ou difusão evanescente ($D \to 0$), a probabilidade conjunta fatoriza no produto da probabilidade de divisão marginal e a distribuição de estado estacionário de $Y$. Consequentemente, a probabilidade condicional converge para a priori, tornando a inferência impossível para inicializações estacionárias.

2. Estados Ocultos Unidirecionalmente Acoplados
Para sistemas onde a dinâmica do observável depende do estado oculto, a inferência permanece possível mesmo para inicializações estacionárias. Os autores fornecem derivações explícitas para três casos:

• Dinâmica Run-and-Tumble (RnT): Uma partícula com um estado de autopropulsão $Y \in \{-1, 1\}$ alternando com taxa $\alpha$. Os autores resolvem as equações backward acopladas para encontrar as probabilidades de divisão conjunta. Eles mostram que a verossimilhança posterior da direção da partícula (movente para a esquerda vs. direita) ao sair de uma fronteira desvia significativamente da priori (1/2). Esse desvio aumenta com o número de Péclet ($Pe = \nu^2/\alpha D$), indicando que a persistência permite uma inferência confiável do estado interno mesmo no limite de intervalos grandes.
• Potencial de Peça Linear Intermitente: Uma partícula sujeita a um potencial que liga e desliga estocasticamente. As probabilidades conjuntas são resolvidas dividindo o domínio no ápice do potencial. Os resultados mostram que a probabilidade condicional do potencial estar "ligado" ou "desligado" na saída depende de forma não-monotônica da localização do ápice e da altura da barreira.
• Resetting Estocástico: Uma partícula passando por movimento Browniano com resetting estocástico para uma posição $x_r$. O estado oculto é definido pelo número de eventos de reset $n$. Os autores derivam a probabilidade conjunta de saída após exatamente $n$ resets. Eles descobrem que, embora o número mais provável de resets seja zero (devido à natureza sem memória do processo de Poisson), o número médio de resets condicionado a uma fronteira de saída específica é não-trivial e depende da taxa de resetting e do tamanho do intervalo.

Significância e Alegações
O artigo alega duas contribuições primárias:

1. Arcabouço Analítico: Fornece um método geral para computar probabilidades de divisão conjunta para processos de Markov bidimensionais, expressas via decomposição espectral (para sistemas desacoplados) ou soluções explícitas de ODEs acopladas (para sistemas unidirecionalmente acoplados).
2. Esquema de Inferência: Estabelece um "esquema simples" para a inferência Bayesiana parcial de estados internos ocultos baseada unicamente na detecção pontual de eventos de saída.

Os autores destacam uma distinção crítica entre as duas classes de processos:

• Em sistemas desacoplados, a inferência é limitada às dinâmicas transientes; uma vez que o estado oculto relaxa para seu estado estacionário, os eventos de saída não fornecem informação sobre o estado oculto.
• Em sistemas unidirecionalmente acoplados (comuns em modelos de matéria ativa), o acoplamento preserva informações sobre o estado oculto nas estatísticas de saída, permitindo a inferência mesmo no limite de tempo longo ($L \to \infty$).

O trabalho sugere que este esquema de inferência baseado em fronteiras poderia ser aplicado ao controle de processos estocásticos dirigidos, como a otimização da extração de potência de partículas ativas, ao alavancar a correlação entre pontos de saída e estados ocultos. Os autores observam que, embora tenham focado em estados ocultos discretos nos casos acoplados, estender esses resultados para estados ocultos contínuos (como processos de Ornstein-Uhlenbeck ativos) permanece um desafio em aberto.