Авторы предлагают использовать глубокие гауссовские процессы на направленных ациклических графах (DAG) для моделирования реальных процессов, состоящих из функций вдоль DAG, решая проблемы реконструкции и распространения неопределенности при зашумленных измерениях с гетерогенной выборкой.
- Теоретическое исследование поведения коллапса априорного распределения и влияния топологии графа на сохранение информации.
- Вывод почти наверное нижних границ для асимптотической частоты глубин, на которых сохраняется различимость входных данных.
- Разработка структурированного вариационного приближения, сохраняющего зависимости графа и учитывающего поведение объяснения-away (explaining-away) коллайдеров.
- Эмпирическая валидация на латентных коллайдерных DAG, сетях сигнализации белков и эмуляции столкновений тяжелых ионов с многоуровневой точностью.
Методология достигает лучших результатов среди существующих, восстанавливая вклады низкой точности и обеспечивая интерпретируемость иерархии симулятора.