Digital Tdobrar TankTDT)

Prognóstico futuro causal em um espaço-tempo de Minkowski

Estimar eventos futuros é uma tarefa difícil. Ao contrário dos humanos, as abordagens de aprendizado de máquina não são reguladas por uma compreensão natural da física. Na natureza, uma sequência plausível de eventos está sujeita às regras de causalidade, que não podem simplesmente ser derivadas de um conjunto de treinamento finito. Neste artigo, pesquisadores (Imperial College London) propõem um novo arcabouço teórico para realizar previsões causais do futuro incorporando informações espaço-temporais em um espaço-tempo de Minkowski. Eles usam o conceito de cone de luz da teoria da relatividade especial para restringir e atravessar o espaço latente do modelo anarbitrário. Eles demonstram aplicações bem-sucedidas na síntese de imagens causais e na previsão de futuras imagens de vídeo em um conjunto de dados de imagens. Sua estrutura é independente da arquitetura e da tarefa e tem fortes garantias teóricas para capacidades causais.


Em muitos cenários do dia a dia, fazemos previsões causais para julgar como as situações podem se desenvolver com base em nossas observações e experiências. O aprendizado de máquina ainda não foi desenvolvido neste nível, embora previsões automatizadas e causalmente plausíveis sejam altamente desejáveis ​​para aplicações críticas, como planejamento de tratamento médico, veículos autônomos e segurança. Trabalhos recentes contribuíram com algoritmos de aprendizado de máquina para prever o futuro em sequências e para inferência causal. Uma suposição importante que muitas abordagens adotam implicitamente é que o espaço da representação do modelo é um espaço euclidiano plano com N dimensões. No entanto, conforme sugerido por Arvanitidis et al. foi mostrado, a suposição euclidiana leva a conclusões incorretas, uma vez que o espaço latente de um modelo pode ser mais bem caracterizado como um espaço Riemanniano curvo de alta dimensão do que um espaço euclidiano. Além disso, o teorema de Alexandrov-Zeeman sugere que a causalidade requer um espaço de grupo Lorentziano e defende a inadequação dos espaços euclidianos para a análise causal. Neste post, os cientistas apresentam um novo framework que muda a forma como tratamos problemas de visão computacional pesada, como a continuação de sequências de imagens. Eles incorporam informações em uma variedade espaço-temporal, de alta dimensão, pseudo-Siemens - o espaço-tempo de Minkowski - e usam o conceito de relatividade especial do cone de luz para realizar inferência causal. Você se concentra em sequências temporais e síntese de imagem para exibir todos os recursos de sua estrutura.

Lesen Sie mehr aqui