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

1. Problema Investigado

O artigo aborda o problema inverso de descobrir leis de interação (kernels) em sistemas multiagentes estocásticos a partir de dados de trajetória observados. O cenário desafiador considerado possui as seguintes características:

• Dados Limitados e Parciais: Apenas as trajetórias dos agentes são observadas; a estrutura de interação específica (quem interage com quem em cada passo de tempo) é latente (não observada).
• Estocasticidade: O sistema é governado por dinâmicas estocásticas, incluindo termos de difusão e flutuações aleatórias nas interações binárias.
• Objetivo: Identificar a forma funcional dos kernels de interação não locais (termo de deriva/drift) e dos termos de difusão diretamente dos dados, sem conhecimento a priori das leis de governança, utilizando apenas uma única trajetória ou um conjunto limitado de dados.

2. Metodologia Proposta

Os autores propõem um framework baseado em dados que formula o problema como uma sequência de tarefas de regressão esparsa em espaços de dimensão finita.

Modelagem Hierárquica

O trabalho parte de um modelo microscópico de interação binária estocástica discreta. A partir deste modelo, estabelecem-se conexões com descrições macroscópicas:

• Aproximação de Lotes Aleatórios (Random-Batch): Uma aproximação estocástica onde cada agente interage com um subconjunto aleatório de outros agentes.
• Limite de Campo Médio (Mean-Field): No limite de grande número de partículas, o sistema converge para uma equação de Fokker-Planck não local, onde a densidade empírica dos agentes substitui as interações individuais.

Estratégias de Identificação

Para lidar com a não observabilidade das matrizes de emparelhamento ($S_n$), são propostas duas estratégias complementares:

1. Abordagem de Lotes Aleatórios (Random-Batch Sampling):

   • Substitui as interações reais desconhecidas por amostragens aleatórias de pares de interação.
   • Utiliza um ensemble de múltiplas realizações de lotes aleatórios para estimar as expectativas condicionais necessárias para a regressão.
   • Introduz dois métodos de ponderação para combinar os resultados do ensemble:
     • Regra de Média (Averaging): Pondera os estimadores com base no erro de reconstrução da trajetória final.
     • Regra de Melhor Ajuste (Best-fit): Seleciona apenas a realização do lote que minimiza o erro.
   • Permite o uso de janelas temporais estendidas ($\ell > 1$) para capturar efeitos de interação em múltiplos passos de tempo.

2. Abordagem de Campo Médio (Mean-Field Approximation):

   • Reconstrói a densidade empírica dos agentes a partir dos dados observados (usando histogramas).
   • Substitui as interações pares latentes por operadores não locais calculados sobre a densidade estimada.
   • Formula o problema como uma regressão contínua não local, evitando a necessidade de amostragem de pares e reduzindo a variância estatística associada à aleatoriedade do emparelhamento.

Formulação Matemática

• Os kernels de deriva $P(r)$ e difusão $D(r)$ são aproximados por expansões em funções de base polinomiais lineares por partes com suporte compacto.
• O problema é resolvido como um mínimo quadrado com restrições (ex: não-negatividade para difusão, monotonicidade para certos tipos de interação).
• São fornecidas estimativas de erro a priori que garantem a estabilidade das trajetórias reconstruídas em média quadrática, mesmo na presença de ruído e incerteza nas interações.

3. Principais Contribuições

• Framework para Interações Latentes: Desenvolvimento de um método robusto para aprender kernels de deriva e difusão sem acesso às matrizes de interação, um cenário comum em dados do mundo real.
• Dualidade de Estratégias: Demonstração de que tanto a abordagem estocástica (lotes aleatórios) quanto a abordagem determinística (campo médio) podem ser eficazes, oferecendo flexibilidade dependendo da disponibilidade de dados e da natureza do sistema.
• Análise de Estabilidade: Prova teórica de que as trajetórias reconstruídas permanecem estáveis e consistentes com o sistema original sob certas condições de Lipschitz e ruído.
• Validação em Cenários Diversos: O método foi testado em modelos clássicos de dinâmica de opiniões (Confiança Limitada) e agregação (Atração-Repulsão), tanto em 1D quanto em 2D.

4. Resultados Numéricos

Os experimentos numéricos demonstraram a eficácia e robustez do framework:

• Precisão: Ambos os métodos (Lotes Aleatórios e Campo Médio) conseguiram reconstruir com alta precisão os kernels de interação e difusão, mesmo com dados limitados e ruidosos.
• Comparação:
  • Na Abordagem de Campo Médio, a reconstrução da densidade global superou a abordagem de lotes aleatórios em casos onde a amostragem aleatória falhava em cobrir distâncias grandes entre partículas (devido à baixa probabilidade de encontrar pares distantes).
  • A Abordagem de Lotes Aleatórios mostrou-se eficaz, especialmente quando combinada com janelas temporais estendidas e ensembles ponderados.
• Erros: Os erros relativos na reconstrução dos kernels e das densidades empíricas foram baixos (na ordem de $10^{-2}$ a $10^{-3}$) em diversos cenários de teste, incluindo modelos com difusão não local e anisotrópica.
• Generalização: O método foi capaz de prever a dinâmica fora do regime de treinamento (usando dados apenas até $t=T/2$ para treinar e validando até $t=T$).

5. Significado e Impacto

Este trabalho é significativo porque preenche uma lacuna importante na descoberta de equações diferenciais a partir de dados (Data-Driven Discovery). Enquanto muitos métodos anteriores assumiam observabilidade total das interações ou focavam apenas em sistemas determinísticos, esta proposta lida diretamente com a incerteza estrutural e a estocasticidade inerente a sistemas complexos reais (como dinâmicas sociais, biológicas ou epidemiológicas).

A capacidade de inferir leis de interação a partir de trajetórias "cegas" (onde não se sabe quem interage com quem) torna a metodologia aplicável a um vasto leque de problemas práticos onde a coleta de dados de interação completa é impossível ou proibitivamente cara. Além disso, a integração de perspectivas microscópicas (partículas) e macroscópicas (campo médio) oferece uma visão unificada e robusta para a modelagem de sistemas multiagentes.