Projectes de recerca competitius finançats per entitats externes
Física estadística para el aprendizaje y la representación de modelos generativos de redes
| Acrònim | StatPhys4GNM |
|---|---|
| Títol projecte | Física estadística para el aprendizaje y la representación de modelos generativos de redes |
| Referència externa | PID2025-176129NB-I00 |
| Descripció/abstract | Esta propuesta aborda problemas fundamentales en la intersección entre física estadística, ciencia de redes y aprendizaje automático mediante el desarrollo de nuevas metodologías para aprender modelos generativos de redes. Los enfoques actuales sufren una limitación fundamental: los modelos generativos basados en aprendizaje profundo son potentes pero a menudo opacos, mientras que los métodos de inferencia probabilística basados en física estadística son interpretables pero limitados en expresividad o escalabilidad. La hipótesis de partida es que combinar ambos enfoques conducirá a modelos generativos de redes más expresivos, una comprensión más profunda de los mecanismos que generan las redes, y enfoques de inferencia más eficientes y mejor fundamentados. El objetivo general es pues desarrollar herramientas de física estadística para aprender modelos generativos de redes mediante la integración de inferencia probabilística y aprendizaje de representaciones de grafos en un marco metodológico unificado. El proyecto se centra en dos áreas: (i) aprender modelos generativos a partir de múltiples observaciones de grafos sin etiquetar (alineamiento de redes), y (ii) aprender modelos generativos a partir de representaciones embebidas de grafos. Para el alineamiento de redes, el proyecto pretende desarrollar nuevos modelos de inferencia probabilística capaces de manejar redes que evolucionan en el tiempo, redes con diferentes números de nodos, redes con atributos en los nodos y redes alineables a nivel de grupos. El proyecto también establecerá métodos estadísticos rigurosos para evaluar la calidad del alineamiento y la fiabilidad del modelo, capacidades que actualmente faltan en los enfoques heurísticos. Para las representaciones embebidas de grafos, el proyecto pretende desarrollar espacios de representación que retengan toda la información sobre colecciones de grafos y permitan la reconstrucción completa de la estructura de la red; y modelar la evolución de redes como procesos dinámicos continuos dentro de estos espacios, usando regresión simbólica bayesiana para extraer ecuaciones diferenciales o estocásticas analíticas que describan cómo cambian los grafos en el tiempo. La metodología está unificada por una perspectiva que explota la profunda analogía entre inferencia probabilística y mecánica estadística. La probabilidad a posteriori de un modelo dados los datos puede expresarse como un factor de Boltzmann, permitiendo el uso de enfoques de mecánica estadística para resolver problemas de inferencia. Este marco subyace a la inferencia probabilística de redes, métodos de representación embebida de grafos que aprovechan procesos de difusión y regresión simbólica bayesiana para descubrir expresiones matemáticas en forma cerradatodo formulado como problemas de inferencia de redes. Más allá de las aplicaciones propuestas en neurociencia, modelado molecular, sistemas socioeconómicos y medicina digital, los resultados tienen potencial para influir en una amplia gama de campos donde las redes, la inferencia y el modelado generativo juegan un papel central. |
| Entitat finançadora | MINISTERIO DE CIENCIA, INNOVACION Y UNIVERSIDADES |
| Convocatòria | Ayudas a «Proyectos de Generación de Conocimiento» y a actuaciones para la formación de personal investigador predoctoral asociadas a dichos proyectos, en el marco del Plan Estatal de Investigación Científica, Técnica y de Innovación 2024-2027. Any 2025 |
| Data inici | 01-09-2026 |
| Data fi | 31-08-2029 |
| Departament/IP | Enginyeria Informàtica i Matemàtiques; Enginyeria Química/DUCH GAVALDÀ, JORDI; GUIMERÀ MANRIQUE, ROGER |
| Àmbit | Nacional |
| Estat | En execució |
