Proses Gaussian Dalam pada Graf Berarah Tanpa Siklus

Para penulis mengusulkan Proses Gaussian Dalam pada graf berarah tanpa siklus (DAG) untuk memodelkan proses dunia nyata yang terdiri dari fungsi-fungsi sepanjang DAG, mengatasi tantangan dalam rekonstruksi dan propagasi ketidakpastian dengan pengukuran yang bising dan sampel heterogen.

• Studi teoretis tentang perilaku runtuh prior dan efek topologi graf pada pelestarian informasi.
• Penurunan batas bawah hampir pasti pada frekuensi asimtotik kedalaman di mana pembedaan input dipertahankan.
• Pengembangan aproksimasi variasional terstruktur yang mempertahankan ketergantungan graf dan menangkap perilaku explaining-away dari collider.
• Validasi empiris pada DAG collider laten, jaringan pensinyalan protein, dan emulasi tumbukan ion berat multi-fidelitas.

Metodologi ini mencapai kinerja state-of-the-art sambil memulihkan kontribusi fidelitas rendah dan memberikan interpretabilitas hierarki simulator.