Digital Tهينك Tank (DTT)

تشخيص مستقبلي سببي في زمكان مينكوفسكي

تقدير الأحداث المستقبلية مهمة صعبة. على عكس البشر ، لا يتم تنظيم مناهج التعلم الآلي من خلال الفهم الطبيعي للفيزياء. في البرية ، يخضع التسلسل المعقول للأحداث لقواعد السببية ، والتي لا يمكن اشتقاقها ببساطة من مجموعة تدريب محدودة. في هذه الورقة ، يقترح الباحثون (إمبريال كوليدج لندن) إطارًا نظريًا جديدًا لتنفيذ تنبؤات سببية للمستقبل من خلال تضمين المعلومات الزمانية المكانية في زمكان مينكوفسكي. يستخدمون مفهوم مخروط الضوء من نظرية النسبية الخاصة للحد من الفضاء الكامن للنموذج العشوائي واجتيازه. يعرضون التطبيقات الناجحة في تركيب الصور السببية والتنبؤ بصور الفيديو المستقبلية على مجموعة بيانات الصورة. إطارها مستقل عن الهندسة المعمارية والمهمة وله ضمانات نظرية قوية للقدرات السببية.


في العديد من السيناريوهات اليومية ، نقوم بعمل تنبؤات سببية من أجل الحكم على كيفية تطور المواقف بناءً على ملاحظاتنا وخبراتنا. لم يتم تطوير التعلم الآلي على هذا المستوى حتى الآن ، على الرغم من أن التنبؤات الآلية والمعقولة سببيًا مرغوبة للغاية للتطبيقات الهامة مثل تخطيط العلاج الطبي ، والمركبات المستقلة ، والسلامة. ساهم العمل الأخير في خوارزميات التعلم الآلي للتنبؤ بالمستقبل في التسلسل والاستدلال السببي. من الافتراضات المهمة التي تتبناها العديد من الأساليب ضمنيًا أن مساحة تمثيل النموذج هي مساحة إقليدية مسطحة ذات أبعاد N. ومع ذلك ، كما أفاد Arvanitidis وآخرون. تم عرضه ، يؤدي الافتراض الإقليدي إلى استنتاجات غير صحيحة ، حيث يمكن وصف الفضاء الكامن للنموذج بشكل أفضل على أنه فضاء ريماني عالي الأبعاد ومنحني أكثر من الفضاء الإقليدي. علاوة على ذلك ، تقترح نظرية الكسندروف-زيمان أن السببية تتطلب مساحة مجموعة لورنتزيان ، وتدافع عن عدم ملاءمة المساحات الإقليدية للتحليل السببي. في هذا المنشور ، يقدم العلماء إطار عمل جديدًا يغير الطريقة التي نتعامل بها مع مشاكل الرؤية الحاسوبية الصعبة مثل استمرار تسلسل الصور. قاموا بتضمين المعلومات في متشعب زائف زماني مكاني عالي الأبعاد - زمكان مينكوفسكي - واستخدموا مفهوم النسبية الخاصة لمخروط الضوء لتنفيذ الاستدلال السببي. أنت تركز على التسلسلات الزمنية وتوليف الصور من أجل عرض القدرات الكاملة لإطار العمل الخاص بك.

إقرأ المزيد هنا