Mercoledi' 2 marzo alle ore 11 presso la sala A dell'Area di Ricerca 1 di Milano, via Corti 12, la Dottoressa Silvia Zuffi (ITC-CNR) terra' il seguente seminario:

TITOLO: MAP Inference in Probabilistic Graphical Models

ABSTRACT: Molti problemi di interesse scientifico ammettono una rappresentazione mediante modelli probabilistici in cui la probabilita’ congiunta delle variabili aleatorie puo’ essere rappresentata mediante un modello grafico. Tali rappresentazioni sono vantaggiose sia in fase di apprendimento del modello che in fase di inferenza delle variabili date le osservazioni. Metodi di computazione distribuita come l’algoritmo Belief Propagation sono efficacemente applicati in modelli a variabili discrete o che ammettono una discretizzazione dello spazio delle variabili. In caso di problemi ad alta dimensionalita’ e/o con variabili continue, dove una discretizzazione dello spazio non e’ computazionalmente affrontabile, un approccio comune e’ ricorrere a metodi non parametrici, ed eseguire una stima della soluzione a posteriori piu’ probabile. Per problemi ad alta dimensionalita’ tali algoritmi sono dipendenti dall’inizializzazione e possono convergere a singoli massimi locali. Nella presentazione illustrero’ un algoritmo per inferenza della soluzione MAP (maximum-a-posteriori) in modelli grafici probabilistici ad alta dimensionalita’, detto “Diverse Particle Max Product” (DPMP). DPMP a differenza di formulazioni precedenti e’ meno sensibile all’inizializzazione ed in grado di mantenere molteplici ipotesi.

(Collaboratori: Jason Pacheco ed Erik Sudderth, Brown University e Michael J. Black, MPI-IS Tuebingen)

Tutti gli interessati sono invitati a partecipare.

Cordiali saluti, Antonella.