Deep Gaussian Processes on Directed Acyclic Graphs
有向无环图上的深度高斯过程AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要重点是图上函数建模与不确定性传播，未直接研究所列因果识别或经济网络效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
有向无环图上的深度高斯过程
- 研究问题
- 面对有向无环图中部分观测、噪声和不均衡采样的复合函数，如何重建机制、传播不确定性，并避免深层先验丢失输入信息？
- 方法与思路
- 作者在图上各函数配置高斯过程先验，分析拓扑与中间观测对先验塌缩的影响，并构造保留图依赖和碰撞点行为的变分近似。
- 材料陈述的贡献
- 摘要称，作者给出输入区分得以保留的深度频率下界及适用核类别，并在潜在碰撞点、生物网络和多保真模拟任务中验证方法。
- 阅读关注点
- 应核对先验塌缩的定义、深度渐近与核条件、中间观测的作用，以及变分近似如何保留依赖和应用性能比较的设置。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未完整给出理论条件，其性能主张不能外推至所有图结构或因果任务。
原文摘要
Many real-world processes can be represented as compositions of functions along a directed acyclic graph (DAG). In causal modelling, these correspond to the underlying mechanisms; in engineering, to multiple fidelity levels; and in gene-regulatory networks, to transcription factors. These functions are partially observed across the DAG, with noisy and heterogeneously sampled measurements, posing significant challenges for reconstruction, uncertainty propagation, and inference. To tackle these challenges, we place priors over functions and naturally arrive at Deep Gaussian Processes over DAGs. We theoretically study their prior-collapse behaviour, and the effect of graph topology and intermediate observations on the preservation of information. We obtain almost-sure lower bounds on the asymptotic frequency of depths at which the distinction between inputs is preserved, identify broad kernel classes for which these hold, and prove an observation by \cite{dunlop2018} on the role of input connections. We offer a structured variational approximation that retains graph dependencies, preserves compositional uncertainty, and captures the explaining-away behaviour of colliders. Finally, we empirically validate our theoretical results and our methodology, and model a latent-collider DAG, a protein signalling network, and a multi-fidelity heavy-ion collision emulation task, attaining state-of-the-art performance while recovering low-fidelity contributions and yielding interpretability of the simulator hierarchy.