Minkowski 시공간의 인과 적 미래 예후
미래의 사건을 예측하는 것은 어려운 일입니다. 인간과 달리 기계 학습 접근 방식은 물리학에 대한 자연스러운 이해에 의해 규제되지 않습니다. 야생에서 그럴듯한 일련의 사건은 인과 관계의 규칙을 따르며, 이는 유한 한 훈련 세트에서 단순히 파생 될 수 없습니다. 이 논문에서 연구자들 (Imperial College London)은 Minkowski 시공간에 시공간 정보를 내장하여 미래의 인과 적 예측을 수행하기위한 새로운 이론적 틀을 제안합니다. 그들은 특수 상대성 이론의 빛 원뿔 개념을 사용하여 임의 모델의 잠복 공간을 제한하고 횡단합니다. 그들은 인과 적 이미지 합성의 성공적인 응용과 이미지 데이터 세트에 대한 미래 비디오 이미지의 예측을 보여줍니다. 그들의 프레임 워크는 아키텍처 및 작업과는 독립적이며 인과 기능에 대한 강력한 이론적 보증을 제공합니다.
많은 일상 시나리오에서 우리는 관찰과 경험을 기반으로 상황이 어떻게 전개 될 수 있는지 판단하기 위해 인과 적 예측을합니다. 기계 학습은 아직이 수준에서 개발되지 않았지만, 의료 계획, 자율 주행 차량 및 안전과 같은 중요한 애플리케이션에는 자동화되고 인과 적으로 그럴듯한 예측이 매우 바람직합니다. 최근 연구는 기계 학습 알고리즘을 통해 시퀀스의 미래를 예측하고 인과 적 추론에 기여했습니다. 많은 접근법이 암시 적으로 채택하는 중요한 가정은 모델 표현의 공간이 N 차원의 평평한 유클리드 공간이라는 것입니다. 그러나 Arvanitidis et al. 모델의 잠복 공간이 유클리드 공간보다 고차원의 곡선 리만 공간으로 더 잘 특성화 될 수 있기 때문에 유클리드 가정은 잘못된 결론으로 이어집니다. 또한 Alexandrov-Zeeman 정리는 인과 관계에 Lorentzian 그룹 공간이 필요하며 인과 분석을위한 유클리드 공간의 부적합을 옹호합니다. 이 게시물에서 과학자들은 이미지 시퀀스의 연속과 같은 하드 컴퓨터 비전의 문제를 처리하는 방식을 변경하는 새로운 프레임 워크를 제시합니다. 그들은 시공간적, 고차원 적 의사 지멘스 매니 폴드 (민코프 스키 시공간)에 정보를 내장하고 인과 추론을 수행하기 위해 광원 뿔의 특수 상대성 개념을 사용합니다. 프레임 워크의 전체 기능을 표시하기 위해 시간 시퀀스 및 이미지 합성에 집중합니다.
자세히보기 여기에