Modeling Animal Communication Using Multivariate Hawkes Processes with Additive Excitation and Multiplicative Inhibition

Este artigo propõe um novo modelo de processos de Hawkes multivariados que combina excitação aditiva e inibição multiplicativa para analisar a comunicação acústica animal, demonstrando sua eficácia na identificação de padrões de interação temporal em dados de suricatos e baleias.

O essencial

Imagine que você está em uma festa muito movimentada. As pessoas estão conversando, rindo e gritando. De repente, alguém conta uma piada e todos riem (isso é excitação). Mas, se alguém gritar "Cuidado!", todos param de falar e ficam em silêncio para ouvir (isso é inibição).

Os cientistas deste artigo queriam entender exatamente como esses "gritos" e "risadas" funcionam no mundo animal, especificamente em dois grupos: suricatos (aqueles animais que ficam em pé vigiando o grupo) e baleias.

Aqui está uma explicação simples do que eles fizeram, usando analogias do dia a dia:

1. O Problema: A "Fórmula Mágica" da Conversa

Antes, os cientistas usavam uma ferramenta matemática chamada "Processo de Hawkes" para estudar como um evento leva a outro. É como uma bola de neve: uma pessoa fala, e isso faz com que outras falem mais.

Mas havia um problema: e quando um evento faz as pessoas pararem de falar?

• O Desafio: Se você tentar misturar "falar mais" e "calar a boca" na mesma fórmula matemática antiga, os números ficam confusos. É como tentar adivinhar se uma pessoa está rindo ou chorando apenas olhando para o volume do som, sem saber qual é a emoção real. Os modelos antigos tinham dificuldade em separar o que era "estímulo" do que era "proibição".

2. A Solução: A Receita de Bolo com "Tempero"

Os autores criaram uma nova fórmula matemática (um modelo estatístico) que é mais inteligente. Eles usaram uma ideia simples:

• A Base (Excitação Aditiva): Imagine que a conversa é um bolo. Cada vez que alguém fala, você adiciona um ingrediente (um ovo, uma colher de açúcar) que faz a massa crescer. Isso é a excitação.
• O Tempero (Inibição Multiplicativa): Agora, imagine que, de repente, o chef joga um pouco de pimenta muito forte no bolo. A pimenta não remove os ovos que você já colocou; ela multiplica o efeito de todo o bolo, fazendo com que a velocidade de crescer diminua drasticamente. Isso é a inibição.

Por que isso é melhor?
Na fórmula antiga, era difícil saber quanto do bolo era feito de ovos e quanto era "estragado" pela pimenta. Na nova fórmula, eles conseguem ver claramente: "Ok, aqui temos 5 ovos (excitação), mas a pimenta (inibição) está reduzindo o crescimento em 50%". Isso permite que eles entendam exatamente quem está estimulando quem e quem está calando quem.

3. O Que Eles Descobriram? (Os Dois Casos)

O grupo testou essa nova fórmula em dois cenários reais:

A. Os Suricatos (A Festa do Deserto)

Eles analisaram três tipos de chamados dos suricatos:

1. Chamado de "Estou aqui" (Close call): Para manter o grupo unido enquanto comem.
2. Chamado de "Perigo!" (Alarm call): Para avisar sobre predadores.
3. Chamado Curto (Short note): Usado em várias situações, como quando estão correndo ou se submetendo a um líder.

O Resultado:

• Efeito Dominó: Quando um suricato faz um chamado de "Perigo", outros logo fazem o mesmo (excitação).
• O Silêncio Estratégico: O que foi mais interessante foi a inibição. Quando um suricato faz um chamado de "Estou aqui" (para comer), ele impede que outros façam o "Chamado Curto" (que é usado quando estão correndo ou vigiando).
• A Analogia: É como se, na festa, quando alguém começa a contar uma piada (comer), todos param de gritar "Cuidado!" (correr). O modelo mostrou que eles sabem exatamente quando parar de fazer um tipo de barulho para não atrapalhar o outro.

B. As Baleias (O Océano Silencioso)

Eles analisaram duas espécies: a baleia-jubarte e a baleia-franca-do-norte-atlântico.

O Resultado:

• Excitação: Se uma baleia-franca faz um chamado, outra baleia-franca logo responde (como um "olá" de volta). O mesmo acontece com as jubartes.
• Sem Inibição Cruzada: Diferente dos suricatos, não houve evidência de que uma espécie calasse a outra. As jubartes não param de cantar porque uma baleia-franca passou por perto.
• O Ruído: Eles também descobriram que, quando o oceano fica muito barulhento (ruído de navios, por exemplo), as jubartes falam menos. É como se o barulho do trânsito na rua fizesse você baixar a voz na conversa.

4. Por Que Isso Importa?

Essa nova maneira de calcular (o modelo "Aditivo-Multiplicativo") é como ter óculos de alta tecnologia para ouvir o que os animais estão realmente dizendo.

• Para a Ciência: Ajuda a entender como os animais coordenam seus grupos, evitam predadores e se organizam.
• Para a Conservação: Ao saber que o ruído humano faz as baleias pararem de se comunicar, podemos criar leis melhores para proteger seus habitats.

Resumo Final

Os cientistas criaram uma nova "lente matemática" que separa claramente o que estimula os animais a falarem do que os faz calar. Eles descobriram que os suricatos são mestres em alternar entre falar e calar para sobreviver, enquanto as baleias tendem a apenas se estimular entre si, sem se incomodar com as outras espécies. Tudo isso sem precisar de um tradutor, apenas com matemática inteligente!

Resumo técnico

Aqui está um resumo técnico detalhado do artigo em português:

Título: Modelagem da Comunicação Animal usando Processos de Hawkes Multivariados com Excitação Aditiva e Inibição Multiplicativa

Autores: Bokgyeong Kang, Erin M. Schliep, Alan E. Gelfand, Ariana Strandburg-Peshkin e Robert S. Schick.
Data: 9 de março de 2026.

---

1. O Problema

A comunicação acústica animal frequentemente exibe dependência temporal, onde chamadas podem desencadear (excitação) ou suprimir (inibição) chamadas subsequentes, tanto dentro do mesmo tipo de chamada quanto entre diferentes tipos, indivíduos ou espécies.

• Desafios Atuais: Embora os Processos de Hawkes sejam o padrão-ouro para modelar excitação, a incorporação de inibição em configurações multivariadas apresenta dificuldades significativas:
  1. Problemas de Identificabilidade: Em modelos puramente aditivos (onde excitação e inibição são somadas), é difícil distinguir estatisticamente qual evento está excitando ou inibindo o futuro, especialmente quando ambos os efeitos são fortes.
  2. Interpretação: A necessidade de funções de ligação (link functions) para garantir intensidades não negativas em modelos aditivos com inibição obscurece a interpretação direta dos parâmetros (ex: perda da interpretação de processo de ramificação).
  3. Confusão de Parâmetros: Em formulações existentes, a contribuição de fundo (background) e a excitação tornam-se intrinsecamente confusas, impedindo a quantificação separada de eventos de fundo versus eventos excitados.

2. Metodologia Proposta

Os autores propõem uma nova classe flexível de Processos de Hawkes Multivariados que combina excitação aditiva com inibição multiplicativa.

Especificação do Modelo

Para um processo com $K$ tipos de marcas (chamadas), a intensidade condicional $\lambda_k(t)$ para a marca $k$ é definida como:

$$\lambda_k(t | H_t) = \underbrace{\left( \mu_k(t) + \sum_{\ell} \sum_{i: t_i < t} \alpha_{\ell,k} g_{\ell,k}(t-t_i) \right)}_{\text{Excitação Aditiva}} \times \underbrace{\exp\left( - \sum_{\ell} \sum_{i: t_i < t} \gamma_{\ell,k} h_{\ell,k}(t-t_i) \right)}_{\text{Inibição Multiplicativa}}$$

Onde:

• $\mu_k(t)$: Intensidade de fundo (background).
• $\alpha_{\ell,k}$: Parâmetros de excitação (aditivos).
• $\gamma_{\ell,k}$: Parâmetros de inibição (multiplicativos).
• $g$ e $h$: Núcleos de decaimento temporal (exponenciais).

Restrições e Identificabilidade

Para resolver problemas de identificabilidade, o modelo impõe uma restrição de exclusividade para cada par ordenado $(\ell, k)$:

• Ou há excitação ($\alpha_{\ell,k} > 0, \gamma_{\ell,k} = 0$)
• Ou há inibição ($\alpha_{\ell,k} = 0, \gamma_{\ell,k} > 0$)
• Ou nenhum efeito ($\alpha = \gamma = 0$).
  Isso é implementado usando variáveis latentes indicadoras, garantindo que um tipo de chamada não possa simultaneamente excitar e inibir outro.

Inferência Bayesiana

• Amostragem: Utilização de um amostrador Metropolis-Hastings dentro de Gibbs (MCMC).
• Estrutura de Dados Latentes: Introdução de variáveis de ramificação latentes ($z_i$) para indicar se um evento é de fundo ou foi excitado por um evento anterior. Isso permite uma decomposição da verossimilhança que facilita a atualização de parâmetros e melhora a mistura (mixing) da cadeia de Markov.
• Avaliação do Modelo: Uso do Teorema da Mudança de Tempo Aleatória (RTCT) para verificar a adequação do modelo (transformando os tempos dos eventos, os incrementos devem seguir uma distribuição Exponencial(1)). Também é utilizado o critério WAIC para comparação de modelos.

3. Contribuições Chave

1. Separação Clara de Processos: A parametrização aditiva-multiplicativa permite separar e quantificar diretamente a contribuição de fundo e a contribuição de excitação, ambas moduladas pelo fator de inibição.
2. Interpretabilidade Preservada: Mantém a interpretação de "processo de ramificação" para a excitação (número esperado de descendentes), que é perdida em modelos com funções de ligação não lineares.
3. Eficiência Computacional: A estrutura linear condicional ao fator multiplicativo permite atualizações de parâmetros mais rápidas e eficientes em comparação com modelos aditivos puros.
4. Solução para Identificabilidade: A restrição de exclusividade resolve a ambiguidade entre excitação e inibição forte.

4. Resultados

Experimentos de Simulação

• O modelo proposto foi testado em dados simulados gerados por três cenários: (i) Excitação + Inibição, (ii) Apenas Excitação, (iii) Apenas Inibição.
• Desempenho: O modelo completo (i) forneceu o melhor ajuste em todos os cenários, capturando tanto a dinâmica excitatória quanto a inibitória. Modelos simplificados falharam em capturar a estrutura correta quando o efeito oposto estava presente (ex: um modelo apenas de excitação falhou em dados com inibição forte).
• Critérios de Seleção: WAIC e a distância quadrática média (MSD) entre quantiles empíricos e teóricos selecionaram consistentemente o modelo gerador correto.

Aplicação 1: Suricatas (Suricata suricatta)

• Dados: Séries temporais de três tipos de chamadas: "Close" (contato), "Alarme" e "Nota curta".
• Descobertas:
  • Excitação: Forte autoexcitação em todos os tipos (especialmente alarme e nota curta). Chamadas de alarme excitam chamadas de "nota curta".
  • Inibição: Evidência de inibição cruzada entre chamadas "Close" e "Nota curta". Isso sugere que esses comportamentos são mutuamente exclusivos (ex: forrageamento vs. fuga/observação).
  • Decaimento: A excitação de chamadas "Close" persiste por 21 segundos, enquanto a de alarme decai rapidamente (4 segundos).
  • Conclusão: O modelo capturou interações biologicamente plausíveis, alinhadas com o conhecimento etológico sobre o comportamento social das suricatas.

Aplicação 2: Baleias (Baleias-jubarte e Baleias-francas-do-atlântico-norte)

• Dados: Chamadas de duas espécies em uma área de forrageamento compartilhada.
• Descobertas:
  • Excitação: Forte autoexcitação dentro de cada espécie (uma chamada de jubarte aumenta a probabilidade de outra de jubarte, idem para francas).
  • Inibição: Não foi encontrada evidência significativa de inibição nem dentro da espécie nem entre espécies.
  • Ruído: O ruído ambiental teve um efeito negativo significativo na intensidade de chamadas das jubartes (possível mascaramento ou inibição comportamental).
  • Conclusão: A ausência de inibição cruzada sugere que, apesar de compartilharem o habitat, as dinâmicas de forrageamento e comunicação acústica dessas duas espécies não estão diretamente suprimindo uma à outra, possivelmente devido a nichos ecológicos não sobrepostos.

5. Significado e Impacto

• Avanço Metodológico: O trabalho oferece uma ferramenta estatística robusta para estudar a dinâmica temporal em sistemas complexos onde eventos podem tanto atrair quanto repelir eventos futuros, superando as limitações dos modelos de Hawkes tradicionais.
• Biologia e Ecologia: Permite quantificar com precisão como a comunicação animal estrutura o tempo, revelando padrões de cooperação (excitação) e evitar conflitos/competição (inibição).
• Conservação: A aplicação em dados de baleias destaca o impacto do ruído antropogênico na comunicação, fornecendo base quantitativa para políticas de conservação em oceanos industrializados.
• Aplicabilidade Geral: A metodologia é transferível para outras áreas como epidemiologia (transmissão de doenças), finanças (choques de mercado) e redes sociais (difusão de informação).

Em suma, o artigo apresenta uma inovação estatística crucial que torna possível modelar e interpretar simultaneamente excitação e inibição em processos de pontos multivariados, validada através de simulações rigorosas e aplicações biológicas significativas.