Bounding Classical and Quantum Correlations in Bayesian Networks with Quasiprobabilities

Resumo Técnico: Delimitando Correlações Clássicas e Quânticas em Redes Bayesianas com Quasiprobabilidades

Enunciado do Problema
O estudo das correlações em redes bayesianas (grafos acíclicos direcionados ou DAGs) com variáveis latentes (não observadas) é central para a inferência causal e para os fundamentos quânticos. Um desafio primário é caracterizar o "conjunto clássico" $\mathcal{C}(G)$, definido como o conjunto de distribuições de probabilidade observadas consistentes com uma dada estrutura causal $G$. Embora o conjunto clássico seja semialgebraico (definido por igualdades e desigualdades polinomiais), ele é notoriamente difícil de caracterizar devido às complexas restrições de desigualdade.

Paralelamente, o "conjunto quântico" $\mathcal{Q}(G)$, que representa correlações alcançáveis via recursos quânticos, é ainda mais complexo; não é um politopo finito, não é fechado e é indecidível em geral. Pesquisadores buscam frequentemente "aproximações externas" para delimitar esses conjuntos. Um resultado conhecido no Cenário de Bell Bipartido (um DAG específico) é que permitir que as variáveis latentes sigam distribuições de quasiprobabilidade (distribções que somam 1, mas podem assumir valores negativos) recupera o conjunto de todas as correlações não-sinalizantes. Este artigo investiga se este resultado se generaliza para redes bayesianas arbitrárias e explora a relação entre o "conjunto quasi" e o "modelo de Markov aninhado" $\mathcal{N}(G)$, uma aproximação algébrica tratável do conjunto clássico.

Metodologia
Os autores empregam uma combinação de modelagem causal, análise de quasiprobabilidade e teoria de redes de tensores.

1. Modelos de Quasiprobabilidade: O artigo define três formulações equivalentes de um "conjunto de quasimarginais" $\mathcal{W}(G)$, onde a distribuição observada é a marginal de uma distribuição completa que fatoriza sobre o grafo, mas com restrições de positividade relaxadas:

   • Quasilatentes ($\mathcal{W}_l$): As variáveis latentes seguem quasidistribuições, enquanto as funções de resposta (probabilidades condicionais dos nós observados) permanecem não-negativas.
   • Quirespostas ($\mathcal{W}_r$): As funções de resposta seguem quasidistribuições, enquanto as latentes permanecem não-negativas.
   • Quinnoise ($\mathcal{W}_n$): Os nós observados são modelados com funções de resposta determinísticas dependentes de latentes clássicas e variáveis de "ruído" independentes, onde as variáveis de ruído seguem quasidistribuições.

2. Redução de Grafos: Os autores utilizam resultados da causalidade clássica (por exemplo, exogenização de latentes, eliminação de variáveis redundantes) para mostrar que estes passos de redução mantêm-se para modelos de quasiprobabilidade, permitindo que possam assumir "grafos reduzidos" sem perda de generalidade.

3. Decomposições de Redes de Tensores: Para provar a principal conjectura para estruturas de grafos específicas, os autores mapeiam o problema para redes de tensores. Eles tratam a distribuição de probabilidade observada como um tensor de alta ordem e utilizam a correspondência entre a estrutura causal e um grafo não-direcionado subjacente (onde as arestas representam pais latentes compartilhados). Eles aproveitam teoremas referentes à existência de decomposições tensoriais mínimas para árvores.

Contribuições Principais e Resultados

• Equivalência de Definições de Quasiprobabilidade: O artigo prova o Teorema 4, estabelecendo que os conjuntos $\mathcal{W}_l(G)$, $\mathcal{W}_r(G)$ e $\mathcal{W}_n(G)$ são idênticos. Isso demonstra uma dualidade: permitir negatividade nas variáveis latentes é matematicamente equivalente a permitir negatividade nas funções de resposta (ou ruído) no que diz respeito ao conjunto de distribuições não-negativas observadas.

• Inclusão no Modelo de Markov Aninhado: Os autores provam a Proposição 6, mostrando que $\mathcal{W}(G) \subseteq \mathcal{N}(G)$. Como o modelo de Markov aninhado é definido puramente por restrições de fatoração (igualdades polinomiais) sem requisitos de positividade, qualquer distribuição que fatore com quasiprobabilidades (que satisfazem a normalização, mas não a positividade) deve satisfazer as restrições de Markov aninhadas.

• Conjectura de Igualdade: O artigo propõe a Conjectura 1: Para qualquer DAG $G$, $\mathcal{W}(G) = \mathcal{N}(G)$. Isso implicaria que o conjunto quasi é exatamente o conjunto de distribuições que satisfazem todas as restrições de igualdade polinomial (o modelo de Markov aninhado), e que as restrições de desigualdade nos conjuntos clássico e quântico surgem unicamente da exigência de não-negatividade das probabilidades.

• Prova para Cenários de Correlação de Estrutura de Árvore (TCS): Os autores fornecem uma prova rigorosa da Conjectura 1 para a subclasse de cenários de correlação onde o grafo não-direcionado subjacente (formado por nós observados conectados se compartilharem um pai latente) é uma árvore.

  • Eles demonstram que qualquer distribuição no modelo de Markov ordinário (que é igual ao modelo de Markov aninhado para TCSs) pode ser decomposta em uma rede de tensores.
  • Ao analisar as dimensões de ligação (bond dimensions) mínimas desta decomposição, eles constroem um modelo de variável latente de quasiprobabilidade que reproduz a distribuição, provando assim que $\mathcal{M}(G) \subseteq \mathcal{W}(G)$ para TCSs. Combinado com a inclusão geral $\mathcal{W}(G) \subseteq \mathcal{N}(G)$, isso estabelece que $\mathcal{W}(G) = \mathcal{N}(G)$ para TCSs.

Significância e Alegações
O artigo afirma que seu trabalho generaliza o resultado conhecido de que as quasiprobabilidades recuperam as correlações não-sinalizantes no Cenário de Bell para uma classe mais ampla de redes.

• Caracterização de Restrições de Desigualdade: Se a Conjectura 1 for verdadeira, ela fornece uma interpretação estrutural das restrições de desigualdade em modelos causais clássicos e quânticos. Os autores argumentam que estas desigualdades não são inerentes à estrutura causal ou ao critério de fatoração em si, mas são artefatos da restrição de não-negatividade das probabilidades. No conjunto quasi, que relaxa a positividade, estas desigualdades desaparecem, restando apenas as restrições algébricas (igualdades) do modelo de Markov aninhado.
• Expressividade de Teorias de Probabilidade Generalizadas (GPTs): Os resultados sugerem que uma teoria que permite que variáveis latentes (ou funções de resposta) assumam valores reais arbitrários (uma GPT não-livre) é expressiva o suficiente para gerar todas as distribuições no modelo de Markov aninhado. Isto contrasta com as GPTs padrão (como a teoria quântica), que são conhecidas por serem insuficientes para gerar todas as correlações de Markov aninhadas (por exemplo, no Cenário do Triângulo).
• Conexão com Redes de Tensores: O trabalho destaca uma nova ligação entre a inferência causal e as decomposições de redes de tensores, sugerindo que o posto (rank) de um tensor (no contexto do grafo não-direcionado subjacente) corresponde ao tamanho mínimo das variáveis latentes necessárias em um modelo de quasiprobabilidade.

Os autores mantêm a modéstia quanto ao caso geral, observando que, embora tenham provado a conjectura para cenários de estrutura de árvore e fornecido uma prova para o Cenário do Triângulo (no Apêndice), uma prova completa para DAGs arbitrários permanece como uma direção aberta para trabalhos futuros. Eles sugerem que a "Técnica de Inflação" pode ser um caminho viável para uma prova geral, embora a completude da inflação para quasiprobabilidades careça atualmente de um teorema de de Finetti de suporte.