Discovery of Probabilistic Dirichlet-to-Neumann Maps on Graphs
Questo articolo presenta un nuovo framework basato su processi gaussiani che apprende mappe di Dirichlet-to-Neumann probabilistiche su grafi integrando il calcolo esterno discreto e il recupero ottimale non lineare per imporre leggi di conservazione, consentendo così previsioni accurate e con quantificazione dell'incertezza in applicazioni multifisiche con scarsità di dati come le reti di fratture nel sottosuolo e il flusso sanguigno arterioso.