Przyczynowe prognozy przyszłości w czasoprzestrzeni Minkowskiego
Szacowanie przyszłych wydarzeń jest trudnym zadaniem. W przeciwieństwie do ludzi, metody uczenia maszynowego nie są regulowane przez naturalne rozumienie fizyki. W naturze wiarygodna sekwencja zdarzeń podlega regułom przyczynowości, których nie można po prostu wyprowadzić ze skończonego zbioru uczącego. W tym artykule badacze (Imperial College London) proponują nowatorskie ramy teoretyczne do przeprowadzania przyczynowych przewidywań przyszłości poprzez osadzanie informacji czasoprzestrzennych w czasoprzestrzeni Minkowskiego. Wykorzystują koncepcję stożka światła ze specjalnej teorii względności, aby ograniczyć i przemierzać utajoną przestrzeń modelu anarbitralnego. Przedstawiają pomyślne zastosowania w przyczynowej syntezie obrazów i prognozowaniu przyszłych obrazów wideo na zestawie danych obrazu. Jego struktura jest niezależna od architektury i zadań oraz ma mocne teoretyczne gwarancje zdolności przyczynowych.
W wielu codziennych scenariuszach tworzymy przewidywania przyczynowe, aby ocenić, jak mogą się rozwinąć sytuacje na podstawie naszych obserwacji i doświadczeń. Uczenie maszynowe nie zostało jeszcze opracowane na tym poziomie, chociaż automatyczne, prawdopodobne przyczynowo prognozy są wysoce pożądane w krytycznych zastosowaniach, takich jak planowanie leczenia, pojazdy autonomiczne i bezpieczeństwo. Niedawne prace przyczyniły się do powstania algorytmów uczenia maszynowego do przewidywania przyszłości w sekwencjach i wnioskowania przyczynowego. Ważnym założeniem, które wiele podejść przyjmuje implicite, jest to, że przestrzeń reprezentacji modelu jest płaską przestrzenią euklidesową o N wymiarach. Jednak, jak sugerują Arvanitidis i wsp. pokazano, założenie euklidesowe prowadzi do błędnych wniosków, ponieważ utajoną przestrzeń modelu można lepiej scharakteryzować jako wielowymiarową, zakrzywioną przestrzeń riemannowską niż przestrzeń euklidesową. Ponadto twierdzenie Aleksandrowa-Zeemana sugeruje, że przyczynowość wymaga Lorentzaowskiej przestrzeni grupowej i opowiada się za nieprzydatnością przestrzeni euklidesowych do analizy przyczynowej. W tym poście naukowcy przedstawiają nowe ramy, które zmieniają sposób, w jaki traktujemy problemy związane z twardym widzeniem komputerowym, takie jak kontynuacja sekwencji obrazów. Umieszczają informacje w przestrzenno-czasowej, wielowymiarowej rozmaitości pseudo-Siemensa - czasoprzestrzeni Minkowskiego - i wykorzystują specjalną koncepcję względności stożka światła do wnioskowania przyczynowego. Koncentrujesz się na sekwencjach czasowych i syntezie obrazów, aby pokazać pełne możliwości twojego frameworka.
Lesen Sie mehr tutaj