פרוגנוזה עתידית סיבית במרחב זמן של מינקובסקי

הערכת אירועים עתידיים היא משימה קשה. בניגוד לבני אדם, גישות למידת מכונה אינן מוסדרות על ידי הבנה טבעית של הפיזיקה. בטבע, רצף אירועים מתקבל על הדעת כפוף לכללי הסיבתיות, שלא ניתן להפיק מהם פשוט מערך אימונים סופי. במאמר זה, החוקרים (Imperial College London) מציעים מסגרת תיאורטית חדשה לביצוע תחזיות סיבתיות לעתיד על ידי הטמעת מידע מרחבי זמן בזמן המינקובסקי. הם משתמשים במושג חרוט האור מתורת היחסות המיוחדת כדי להגביל את המרחב הסמוי של המודל האנטרביטרי. הם מדגימים יישומים מוצלחים בסינתזת תמונות סיבתית וניבוי תמונות וידאו עתידיות במערך נתוני תמונות. המסגרת שלה אינה תלויה בארכיטקטורה ובמשימה ויש לה ערבויות תיאורטיות חזקות ליכולות סיבתיות.


בתרחישים יומיומיים רבים אנו מנבאים תחזיות סיבתיות על מנת לשפוט כיצד מצבים עשויים להתפתח על סמך התצפיות והחוויות שלנו. לימוד מכונה טרם פותח ברמה זו, אם כי תחזיות אוטומטיות וסבירות לסיבתיות רצויות מאוד ליישומים קריטיים כגון תכנון טיפול רפואי, כלי רכב אוטונומיים ובטיחות. עבודה אחרונה תרמה אלגוריתמי למידת מכונה כדי לחזות את העתיד ברצפים ולהסקת סיבתיות. הנחה חשובה שגישות רבות מאמצות באופן מרומז היא שהחלל של ייצוג המודל הוא מרחב אוקלידי שטוח עם ממדי N. עם זאת, כפי שדווח על ידי Arvanitidis et al. הוצגה, ההנחה האוקלידית מובילה למסקנות שגויות, שכן ניתן לאפיין את המרחב הסמוי של מודל יותר כמרחב רימני מעוקל גבוה ממרחב אוקלידי. יתר על כן, משפט אלכסנדרוב-זיימן מציע כי סיבתיות מחייבת מרחב קבוצתי לורנצי, ותומכת באי התאמתם של מרחבים אוקלידיים לניתוח סיבתי. בפוסט זה המדענים מציגים מסגרת חדשה המשנה את האופן בו אנו מטפלים בבעיות של ראיית מחשב קשה כגון המשך רצפי תמונה. הם מטמיעים מידע במגוון פסאודורימן מרחבי-זמני, ומרחב המינקובסקי - ומשתמשים בתפיסת היחסות המיוחדת של חרוט האור לביצוע מסקנות סיבתיות. אתה מתרכז ברצפים זמניים וסינתזת תמונות על מנת להציג את מלוא יכולות המסגרת שלך.

קרא עוד כאן

הדפסה