Discovery of Probabilistic Dirichlet-to-Neumann Maps on Graphs
Cet article présente un nouveau cadre basé sur les processus gaussiens qui apprend des applications de Dirichlet-à-Neumann probabilistes sur des graphes en intégrant le calcul extérieur discret et la récupération optimale non linéaire pour imposer des lois de conservation, permettant ainsi des prédictions précises et avec quantification de l'incertitude dans des applications multiphysiques à données rares telles que les réseaux de fractures souterraines et le flux sanguin artériel.