Los autores proponen Procesos Gaussianos Profundos sobre grafos acíclicos dirigidos (DAG) para modelar procesos del mundo real compuestos por funciones a lo largo de un DAG, abordando desafíos en la reconstrucción y propagación de incertidumbre con mediciones ruidosas y muestreadas heterogéneamente.

  • Estudio teórico del comportamiento de colapso del prior y el efecto de la topología del grafo en la preservación de información.
  • Derivación de cotas inferiores casi seguras sobre la frecuencia asintótica de las profundidades donde se preserva la distinción de entradas.
  • Desarrollo de una aproximación variacional estructurada que retiene las dependencias del grafo y captura el comportamiento de explicación (explaining-away) de los colisionadores.
  • Validación empírica en DAGs de colisionadores latentes, redes de señalización de proteínas y emulación de colisiones de iones pesados con múltiples fidelidades.

La metodología alcanza un rendimiento de vanguardia mientras recupera contribuciones de baja fidelidad y ofrece interpretabilidad de la jerarquía del simulador.