Prognosi futura causale in uno spazio-tempo di Minkowski

La stima degli eventi futuri è un compito difficile. A differenza degli esseri umani, gli approcci all'apprendimento automatico non sono regolati da una comprensione naturale della fisica. In natura, una sequenza plausibile di eventi è soggetta alle regole di causalità, che non possono essere semplicemente derivate da un insieme finito di addestramento. In questo articolo, i ricercatori (Imperial College London) propongono un nuovo quadro teorico per eseguire previsioni causali del futuro incorporando informazioni spaziotemporali in uno spaziotempo di Minkowski. Usano il concetto di cono di luce della teoria della relatività speciale per restringere e attraversare lo spazio latente del modello anarbitrario. Dimostrano applicazioni di successo nella sintesi di immagini causali e nella previsione di future immagini video su un set di dati di immagini. La loro struttura è indipendente dall'architettura e dal compito e ha forti garanzie teoriche per le capacità causali.


In molti scenari quotidiani, facciamo previsioni causali per giudicare come le situazioni potrebbero svilupparsi sulla base delle nostre osservazioni ed esperienze. L'apprendimento automatico non è stato ancora sviluppato a questo livello, sebbene le previsioni automatizzate e causalmente plausibili siano altamente desiderabili per applicazioni critiche come la pianificazione delle cure mediche, i veicoli autonomi e la sicurezza. Lavori recenti hanno contribuito ad algoritmi di apprendimento automatico per predire il futuro in sequenze e per inferenza causale. Un presupposto importante che molti approcci adottano implicitamente è che lo spazio della rappresentazione del modello è uno spazio euclideo piatto con N dimensioni. Tuttavia, come suggerito da Arvanitidis et al. è stato mostrato, l'assunto euclideo porta a conclusioni errate, poiché lo spazio latente di un modello può essere meglio caratterizzato come uno spazio riemanniano curvo ad alta dimensione rispetto a uno spazio euclideo. Inoltre, il teorema di Alexandrov-Zeeman suggerisce che la causalità richiede uno spazio di gruppo lorentziano e sostiene l'inadeguatezza degli spazi euclidei per l'analisi causale. In questo post, gli scienziati presentano una nuova struttura che cambia il modo in cui trattiamo i problemi di visione artificiale, come la continuazione delle sequenze di immagini. Incorporano le informazioni in una varietà pseudo-Siemens spazio-temporale ad alta dimensione - lo spaziotempo di Minkowski - e usano il concetto di relatività speciale del cono di luce per eseguire l'inferenza causale. Ti concentri su sequenze temporali e sintesi di immagini per visualizzare tutte le capacità del tuo framework.

Leggi di più qui

stampa