الإشارات المستمرة مثل الصور والسلاسل الزمنية التي يتم عينتها بشكل غير منتظم أو تحتوي على قيم مفقودة تشكل تحديًا لأساليب التعلم العميق الحالية. يجب أن تعتمد التمثيلات المميزة المُعرّفة بشكل متماسك على القيم في المناطق غير المُلاحظة من المدخلات. مستلهمين من أبحاث الحسابات الاحتمالية، نقترح شبكة عصبية تلافيفية ذاتية احتمالية (Probabilistic Numeric Convolutional Neural Networks)، حيث تمثل الميزات كعمليات غاوسيّة (GPs)، مما يوفر وصفًا احتماليًا لخطأ التجزئة. ثم نعرّف طبقة تلافيفية على أنها تطور معادلة تفاضلية جزئية (PDE) معرفة على هذه العملية الغاوسيّة، تليها دالة غير خطية. يتيح هذا النهج أيضًا بشكل طبيعي تعريف تحويلات تلافيفية قابلة للاتباع (steerable equivariant) تحت مجموعات مثل مجموعة الدوران. في التجارب، نُظهر أن نهجنا يقلل من الخطأ بنسبة 3 أضعاف مقارنةً بأفضل أداء سابق على مجموعة بيانات SuperPixel-MNIST، ويحقق أداءً تنافسيًا على مجموعة بيانات السلاسل الزمنية الطبية PhysioNet2012.