Pronóstico causal futuro en un espacio-tiempo de Minkowski
Estimar eventos futuros es una tarea difícil. A diferencia de los humanos, los enfoques de aprendizaje automático no están regulados por una comprensión natural de la física. En la naturaleza, una secuencia plausible de eventos está sujeta a las reglas de causalidad, que no pueden derivarse simplemente de un conjunto de entrenamiento finito. En este artículo, los investigadores (Imperial College London) proponen un marco teórico novedoso para llevar a cabo predicciones causales del futuro mediante la incorporación de información espacio-temporal en un espacio-tiempo de Minkowski. Utilizan el concepto de cono de luz de la relatividad especial para restringir y atravesar el espacio latente del modelo anarbitrario. Demuestran aplicaciones exitosas en la síntesis de imágenes causales y la predicción de futuras imágenes de video en un conjunto de datos de imágenes. Su marco es independiente de la arquitectura y la tarea y tiene sólidas garantías teóricas para las capacidades causales.
En muchos escenarios cotidianos, hacemos predicciones causales para juzgar cómo se pueden desarrollar las situaciones en función de nuestras observaciones y experiencias. El aprendizaje automático aún no se ha desarrollado a este nivel, aunque las predicciones automatizadas y causalmente plausibles son muy deseables para aplicaciones críticas como la planificación de tratamientos médicos, los vehículos autónomos y la seguridad. El trabajo reciente ha contribuido con algoritmos de aprendizaje automático para predecir el futuro en secuencias y para la inferencia causal. Un supuesto importante que muchos enfoques adoptan implícitamente es que el espacio de la representación del modelo es un espacio euclidiano plano con N dimensiones. Sin embargo, como informaron Arvanitidis et al. Como se mostró, la suposición euclidiana conduce a conclusiones incorrectas, ya que el espacio latente de un modelo se puede caracterizar mejor como un espacio riemanniano curvo de alta dimensión que como un espacio euclidiano. Además, el teorema de Alexandrov-Zeeman sugiere que la causalidad requiere un espacio grupal lorentziano y defiende la inadecuación de los espacios euclidianos para el análisis causal. En esta publicación, los científicos presentan un marco novedoso que cambia la forma en que tratamos los problemas de la visión por computadora como la continuación de secuencias de imágenes. Incrustan información en una variedad pseudo-Siemens espacio-temporal de alta dimensión, el espacio-tiempo de Minkowski, y utilizan el concepto de relatividad especial del cono de luz para llevar a cabo inferencias causales. Se concentra en las secuencias temporales y la síntesis de imágenes para mostrar todas las capacidades de su marco.
Lesen Sie mehr aquí