Os autores propõem Processos Gaussianos Profundos sobre grafos acíclicos dirigidos (DAG) para modelar processos do mundo real compostos por funções ao longo de um DAG, abordando desafios na reconstrução e propagação de incerteza com medições ruidosas e amostradas heterogeneamente.
- Estudo teórico do comportamento de colapso do prior e o efeito da topologia do grafo na preservação de informação.
- Derivação de limites inferiores quase certos sobre a frequência assintótica das profundidades onde a distinção de entradas é preservada.
- Desenvolvimento de uma aproximação variacional estruturada que retém as dependências do grafo e captura o comportamento de explicação-away (explaining-away) dos coliders.
- Validação empírica em DAGs de coliders latentes, redes de sinalização de proteínas e emulação de colisões de íons pesados com múltiplas fidelidades.
A metodologia atinge desempenho de estado da arte enquanto recupera contribuições de baixa fidelidade e oferece interpretabilidade da hierarquia do simulador.