Les auteurs proposent des processus gaussiens profonds sur des graphes acycliques dirigés (DAG) pour modéliser des processus du monde réel composés de fonctions le long d'un DAG, en abordant les défis de la reconstruction et de la propagation de l'incertitude avec des mesures bruitées et échantillonnées hétérogènement.
- Étude théorique du comportement d'effondrement de la distribution a priori et de l'effet de la topologie du graphe sur la préservation de l'information.
- Dérivation de bornes inférieures presque sûres sur la fréquence asymptotique des profondeurs où la distinction des entrées est préservée.
- Développement d'une approximation variationnelle structurée qui conserve les dépendances du graphe et capture le comportement d'explication-des-colliders.
- Validation empirique sur des DAG à colliders latents, des réseaux de signalisation protéique et l'émulation de collisions d'ions lourds multi-fidélité.
La méthodologie atteint des performances de pointe tout en récupérant les contributions de basse fidélité et en offrant une interprétabilité de la hiérarchie du simulateur.