Kausale Zukunftsprognose in einer Minkowski-Raumzeit

Zukünftige Ereignisse abzuschätzen ist eine schwierige Aufgabe. Im Gegensatz zum Menschen sind die Ansätze des maschinellen Lernens nicht durch ein natürliches Verständnis der Physik reguliert. In der freien Natur unterliegt eine plausible Abfolge von Ereignissen den Regeln der Kausalität, die sich nicht einfach aus einer endlichen Trainingsmenge ableiten lassen. In diesem Beitrag schlagen Forscher (Imperial College London) einen neuartigen theoretischen Rahmen vor, um kausale Zukunftsvorhersagen durch die Einbettung raum-zeitlicher Informationen in eine Minkowski-Raumzeit durchzuführen. Sie verwenden das Konzept des Lichtkegels aus der Speziellen Relativitätstheorie, um den latenten Raum des anarbiträren Modells einzuschränken und zu durchqueren. Sie demonstrieren erfolgreiche Anwendungen bei der kausalen Bildsynthetisierung und der Vorhersage zukünftiger Videobilder auf einem Bilddatensatz. Deren Rahmenwerk ist architektur- und aufgabenunabhängig und verfügt über starke theoretische Garantien für kausale Fähigkeiten.

In vielen Alltagsszenarien machen wir kausale Vorhersagen, um auf der Grundlage unserer Beobachtungen und Erfahrungen zu beurteilen, wie sich Situationen entwickeln könnten. Das maschinelle Lernen ist noch nicht auf diesem Niveau entwickelt worden, obwohl automatisierte, kausal plausible Vorhersagen für kritische Anwendungen wie medizinische Behandlungsplanung, autonome Fahrzeuge und Sicherheit sehr erwünscht sind. Neuere Arbeiten haben maschinelle Lernalgorithmen zur Vorhersage der Zukunft in Sequenzen und zur kausalen Inferenz beigetragen. Eine wichtige Annahme, die viele Ansätze implizit übernehmen, ist, dass der Raum der Modellrepräsentation ein flacher euklidischer Raum mit N Dimensionen ist. Wie jedoch von Arvanitidis et al. gezeigt wurde, führt die euklidische Annahme zu falschen Schlussfolgerungen, da der latente Raum eines Modells besser als hochdimensionaler, gekrümmter Riemannscher Raum charakterisiert werden kann, als ein euklidischer Raum. Darüber hinaus legt das Alexandrow-Zeeman-Theorem nahe, dass Kausalität einen lorentzianischen Gruppenraum erfordert, und befürwortet die Ungeeignetheit euklidischer Räume für die Kausalanalyse. In diesem Beitrag stellen die Wissensachaftler einen neuartigen Rahmen vor, der die Art und Weise verändert, wie wir Probleme des harten Computersehens wie die Fortsetzung von Bildfolgen behandeln. Sie betten Informationen in eine raum-zeitliche, hochdimensionale pseudoriemannsche Mannigfaltigkeit - die Minkowski-Raumzeit - ein und nutzen das Spezialrelativitätskonzept der Lichtkegel, um kausale Inferenz durchzuführen. Sie konzentrieren sich auf zeitliche Sequenzen und Bildsynthese, um die volle Leistungsfähigkeit ihrers Frameworks darzustellen.

Lesen Sie mehr hier