Stohastički procesi na kompleksnim mrežama imaju niz važnih implikacija u stvarnom svijetu. Ipak, iako potpuna informacija o mreži često nije prisutna u slučajevima od interesa, nema značajnijeg napretka koji bi ovu značajku uključio u predviđanje stohastičkih procesa. Kako bismo riješili ovaj problem, u ovom projektu ćemo istražiti kako predvidjeti stohastičku dinamiku na mrežama s nepotpunim informacijama. Za ovaj zadatak dalje ćemo razviti teoriju približnih metoda za predviđanje nekih stohastičkih procesa proširujući postojeće metode kako bi uključile izračunavanje pogrešaka i slučajeve procesa s nebinarnim brojem stanja. Također ćemo razviti duboku neuronsku mrežu za učenje stohastičke dinamike iz podataka s nepotpunim informacijama o strukturi mreže. Ovi će podaci biti osigurani opsežnim simulacijama stohastičkih procesa na klasteru računala. Stohastički procesi koji će se koristiti bit će pažljivo odabrani, a bit će razvijena i posebna shema za uzorkovanje parametara od interesa. Nadalje, usporedit ćemo ta dva smjera istraživanja i identificirati koji pristup bolje funkcionira u kojim slučajevima. Na kraju projekta trebali bismo steći dovoljno znanja da bismo mogli konstruirati alate za predviđanje koji bi se mogli koristiti na stvarnim podacima u stvarnim situacijama.